Create app.py

app.py

@@ -0,0 +1,456 @@
+import streamlit as st
+import ee
+import folium
+import pandas as pd
+import numpy as np
+from streamlit_folium import folium_static
+from datetime import date, timedelta
+import json
+import geemap.foliumap as geemap
+from fpdf import FPDF
+import io
+import base64
+from PIL import Image
+import plotly.graph_objects as go
+from plotly.subplots import make_subplots
+import plotly.express as px
+
+# تنظیمات اولیه
+st.set_page_config(page_title="سامانه پایش هوشمند مزارع نیشکر", layout="wide", initial_sidebar_state="expanded")
+
+# تنظیمات ظاهری برای متون فارسی
+st.markdown("""
+    <style>
+        @font-face {
+            font-family: 'Vazir';
+            src: url('https://cdn.jsdelivr.net/gh/rastikerdar/[email protected]/dist/Vazir-Regular.woff2');
+        }
+        .css-1d391kg, .css-1lcbmhc {
+            font-family: 'Vazir', sans-serif;
+        }
+    </style>
+""", unsafe_allow_html=True)
+
+# تنظیمات Earth Engine
+service_account = 'dehkhodamap-e9f0da4ce9f6514021@ee-esmaeilkiani13877.iam.gserviceaccount.com'
+key_json = {
+  "type": "service_account",
+  "project_id": "ee-esmaeilkiani13877",
+  "private_key_id": "cfdea6eaf4115cb6462626743e4b15df85fd0c7f",
+  "private_key": "-----BEGIN PRIVATE KEY-----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\nLa4DJE9BagGdVNTDtynBhKhZ\n-----END PRIVATE KEY-----\n",
+  "client_email": "dehkhodamap-e9f0da4ce9f6514021@ee-esmaeilkiani13877.iam.gserviceaccount.com",
+  "client_id": "113062529451626176784",
+  "auth_uri": "https://accounts.google.com/o/oauth2/auth",
+  "token_uri": "https://oauth2.googleapis.com/token",
+  "auth_provider_x509_cert_url": "https://www.googleapis.com/oauth2/v1/certs",
+  "client_x509_cert_url": "https://www.googleapis.com/robot/v1/metadata/x509/dehkhodamap-e9f0da4ce9f6514021%40ee-esmaeilkiani13877.iam.gserviceaccount.com",
+  "universe_domain": "googleapis.com"
+}
+
+# تبدیل دیکشنری به رشته JSON
+key_json_str = json.dumps(key_json)
+
+# ایجاد اعتبارنامه و راه‌اندازی Earth Engine
+credentials = ee.ServiceAccountCredentials(service_account, key_data=key_json_str)
+ee.Initialize(credentials)
+
+# تعریف توابع کمکی
+@st.cache_data
+def load_farm_data():
+    """بارگذاری اطلاعات مزارع"""
+    try:
+        return pd.read_csv("پایگاه داده (1).csv")
+    except Exception as e:
+        st.error(f"خطا در بارگذاری اطلاعات مزارع: {str(e)}")
+        return None
+
+@st.cache_data
+def load_farm_coordinates():
+    """بارگذاری مختصات مزارع"""
+    try:
+        return pd.read_csv("tableConvert.com_wftamx (1).csv")
+    except Exception as e:
+        st.error(f"خطا در بارگذاری مختصات مزارع: {str(e)}")
+        return None
+
+@st.cache_data
+def get_safe_index_value(_image, index_type, band_selection, _farm_geometry, image_date, farm_coords):
+    """محاسبه ایمن شاخص‌های گیاهی"""
+    if _image is None:
+        return None
+    try:
+        if index_type == "MSAVI":
+            index_image = _image.expression(
+                "(2 * NIR + 1 - sqrt((2 * NIR + 1) ** 2 - 8 * (NIR - RED))) / 2",
+                {"NIR": _image.select("B8"), "RED": _image.select("B4")}
+            ).rename("MSAVI")
+        else:
+            bands = band_selection[index_type]
+            if all(band in _image.bandNames().getInfo() for band in bands):
+                index_image = _image.normalizedDifference(bands).rename(index_type)
+            else:
+                return None
+        
+        mean_value = index_image.reduceRegion(
+            reducer=ee.Reducer.mean(),
+            geometry=_farm_geometry,
+            scale=10
+        ).get(index_type if index_type != "MSAVI" else "MSAVI").getInfo()
+        
+        return mean_value if mean_value is not None else 0
+    except Exception as e:
+        st.error(f"خطا در محاسبه شاخص {index_type} برای تاریخ {image_date}: {str(e)}")
+        return 0
+
+def calculate_lai(ndvi):
+    """محاسبه شاخص سطح برگ"""
+    return -1.325 + 6.331 * ndvi - 2.239 * (ndvi ** 2)
+
+@st.cache_data
+def get_weekly_average_ndvi(_farm_geometry, start_date, end_date, farm_coords):
+    """محاسبه میانگین هفتگی NDVI"""
+    s2_collection = ee.ImageCollection("COPERNICUS/S2") \
+        .filterDate(start_date, end_date) \
+        .filterBounds(_farm_geometry) \
+        .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', 20))
+
+    def calculate_ndvi(image):
+        ndvi = image.normalizedDifference(['B8', 'B4']).rename('NDVI')
+        return image.addBands(ndvi)
+
+    ndvi_collection = s2_collection.map(calculate_ndvi)
+
+    weekly_ndvi = ndvi_collection.select('NDVI').mean()
+
+    mean_ndvi = weekly_ndvi.reduceRegion(
+        reducer=ee.Reducer.mean(),
+        geometry=_farm_geometry,
+        scale=10
+    ).get('NDVI').getInfo()
+
+    return mean_ndvi
+
+@st.cache_data
+def perform_clustering(_farm_geometry, start_date, end_date, farm_coords):
+    """انجام خوشه‌بندی بر اساس NDVI"""
+    s2_collection = ee.ImageCollection("COPERNICUS/S2") \
+        .filterDate(start_date, end_date) \
+        .filterBounds(_farm_geometry) \
+        .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', 20))
+
+    composite = s2_collection.median()
+    ndvi = composite.normalizedDifference(['B8', 'B4']).rename('NDVI')
+
+    training = ndvi.sample(
+        region=_farm_geometry,
+        scale=10,
+        numPixels=100
+    )
+
+    clusterer = ee.Clusterer.wekaKMeans(3).train(training)
+    result = ndvi.cluster(clusterer)
+
+    return result
+
+def create_heatmap(df, index_type):
+    """ایجاد نقشه حرارتی برای شاخص مورد نظر"""
+    pivot_df = df.pivot("name", "date", index_type)
+    fig = px.imshow(pivot_df, 
+                    labels=dict(x="تاریخ", y="نام مزرعه", color=index_type),
+                    x=pivot_df.columns,
+                    y=pivot_df.index,
+                    color_continuous_scale="RdYlGn")
+    fig.update_layout(
+        title=f"نقشه حرارتی {index_type}",
+        font=dict(family="Vazir"),
+        height=600,
+        margin=dict(l=50, r=50, t=50, b=50)
+    )
+    return fig
+
+def create_comparison_chart(df, farm1, farm2, index_type):
+    """ایجاد نمودار مقایسه‌ای بین دو مزرعه"""
+    df_farm1 = df[df['name'] == farm1]
+    df_farm2 = df[df['name'] == farm2]
+
+    fig = go.Figure()
+    fig.add_trace(go.Scatter(x=df_farm1['date'], y=df_farm1[index_type], name=farm1, mode='lines+markers'))
+    fig.add_trace(go.Scatter(x=df_farm2['date'], y=df_farm2[index_type], name=farm2, mode='lines+markers'))
+
+    fig.update_layout(
+        title=f"مقایسه {index_type} بین {farm1} و {farm2}",
+        xaxis_title="تاریخ",
+        yaxis_title=index_type,
+        font=dict(family="Vazir"),
+        legend_title="مزرعه",
+        height=500,
+        margin=dict(l=50, r=50, t=50, b=50)
+    )
+    return fig
+
+def generate_pdf_report(farm_info, index_values, lai_values, date_list):
+    """تولید گزارش PDF"""
+    pdf = FPDF()
+    pdf.add_page()
+    pdf.add_font('Vazir', '', 'Vazir-Regular.ttf', uni=True)
+    pdf.set_font('Vazir', '', 14)
+
+    pdf.cell(200, 10, txt="گزارش وضعیت مزرعه", ln=True, align='C')
+    pdf.cell(200, 10, txt=f"نام مزرعه: {farm_info['مزرعه']}", ln=True)
+    pdf.cell(200, 10, txt=f"سن مزرعه: {farm_info['سن']} سال", ln=True)
+    pdf.cell(200, 10, txt=f"نوع محصول: {farm_info['واریته']}", ln=True)
+
+    # اضافه کردن نمودارها
+    for index in index_values.keys():
+        plt.figure(figsize=(10, 6))
+        plt.plot(date_list, index_values[index], marker='o')
+        plt.title(f"روند تغییرات {index}")
+        plt.xlabel("تاریخ")
+        plt.ylabel("مقدار شاخص")
+        plt.xticks(rotation=45)
+        img_buffer = io.BytesIO()
+        plt.savefig(img_buffer, format='png')
+        img_buffer.seek(0)
+        pdf.image(img_buffer, x=10, y=None, w=190)
+        plt.close()
+
+    # اضافه کردن توضیحات تحلیلی
+    pdf.cell(200, 10, txt="تحلیل وضعیت مزرعه:", ln=True)
+    latest_ndvi = index_values['NDVI'][-1]
+    latest_ndwi = index_values['NDWI'][-1]
+    
+    if latest_ndvi > 0.5:
+        pdf.cell(200, 10, txt="وضعیت پوشش گیاهی مطلوب است.", ln=True)
+    elif latest_ndvi > 0.3:
+        pdf.cell(200, 10, txt="وضعیت پوشش گیاهی متوسط است.", ln=True)
+    else:
+        pdf.cell(200, 10, txt="وضعیت پوشش گیاهی نامطلوب است.", ln=True)
+
+    if latest_ndwi > 0.2:
+        pdf.cell(200, 10, txt="وضعیت آب گیاه مطلوب است.", ln=True)
+    elif latest_ndwi > 0:
+        pdf.cell(200, 10, txt="وضعیت آب گیاه متوسط است.", ln=True)
+    else:
+        pdf.cell(200, 10, txt="احتمال تنش آبی وجود دارد.", ln=True)
+
+    return pdf.output(dest='S').encode('latin-1')
+
+# تابع اصلی برنامه
+def main():
+    st.title("سامانه پایش هوشمند مزارع نیشکر")
+    
+    # بارگذاری اطلاعات مزارع
+    df = load_farm_data()
+    farm_coords = load_farm_coordinates()
+    if df is None or farm_coords is None:
+        return
+
+    # تعریف شاخص‌ها و باندها
+    band_selection = {
+        "NDVI": ["B8", "B4"],
+        "NDRE": ["B8", "B5"],
+        "NDWI": ["B3", "B8"],
+        "NDMI": ["B8", "B11"],
+        "MSAVI": ["B8", "B4"]
+    }
+
+    # تعریف اطلاعات شاخص‌ها
+    index_info = {
+        "NDVI": {
+            "description": "شاخص تفاضل نرمال شده پوشش گیاهی",
+            "ranges": [
+                {"range": "کمتر از 0.1", "meaning": "خاک لخت یا آب", "color": "قرمز"},
+                {"range": "0.1 تا 0.3", "meaning": "پوشش گیاهی کم", "color": "نارنجی"},
+                {"range": "0.3 تا 0.5", "meaning": "پوشش گیاهی متوسط", "color": "زرد"},
+                {"range": "0.5 تا 0.7", "meaning": "پوشش گیاهی خوب", "color": "سبز روشن"},
+                {"range": "بیشتر از 0.7", "meaning": "پوشش گیاهی بسیار خوب", "color": "سبز تیره"}
+            ]
+        },
+        "NDRE": {
+            "description": "شاخص تفاضل نرمال شده لبه قرمز",
+            "ranges": [
+                {"range": "کمتر از 0.1", "meaning": "گیاه تحت تنش یا خاک لخت", "color": "قرمز"},
+                {"range": "0.1 تا 0.2", "meaning": "گیاه با سلامتی کم", "color": "نارنجی"},
+                {"range": "0.2 تا 0.3", "meaning": "گیاه با سلامتی متوسط", "color": "زرد"},
+                {"range": "0.3 تا 0.4", "meaning": "گیاه سالم", "color": "سبز روشن"},
+                {"range": "بیشتر از 0.4", "meaning": "گیاه بسیار سالم", "color": "سبز تیره"}
+            ]
+        },
+        "NDWI": {
+            "description": "شاخص تفاضل نرمال شده آب",
+            "ranges": [
+                {"range": "کمتر از 0", "meaning": "خشکی شدید", "color": "قرمز"},
+                {"range": "0 تا 0.2", "meaning": "خشکی متوسط", "color": "نارنجی"},
+                {"range": "0.2 تا 0.4", "meaning": "رطوبت کافی", "color": "زرد"},
+                {"range": "0.4 تا 0.6", "meaning": "رطوبت خوب", "color": "آبی روشن"},
+                {"range": "بیشتر از 0.6", "meaning": "آب آزاد یا رطوبت بسیار بالا", "color": "آبی تیره"}
+            ]
+        },
+        "NDMI": {
+            "description": "شاخص تفاضل نرمال شده رطوبت",
+            "ranges": [
+                {"range": "کمتر از 0", "meaning": "خشکی شدید", "color": "قرمز"},
+                {"range": "0 تا 0.2", "meaning": "خشکی متوسط", "color": "نارنجی"},
+                {"range": "0.2 تا 0.4", "meaning": "رطوبت کافی", "color": "زرد"},
+                {"range": "0.4 تا 0.6", "meaning": "رطوبت خوب", "color": "سبز روشن"},
+                {"range": "بیشتر از 0.6", "meaning": "رطوبت بسیار بالا", "color": "سبز تیره"}
+            ]
+        },
+        "MSAVI": {
+            "description": "شاخص تعدیل شده خاک-پوشش گیاهی",
+            "ranges": [
+                {"range": "کمتر از 0.1", "meaning": "خاک لخت یا آب", "color": "قرمز"},
+                {"range": "0.1 تا 0.3", "meaning": "پوشش گیاهی کم", "color": "نارنجی"},
+                {"range": "0.3 تا 0.5", "meaning": "پوشش گیاهی متوسط", "color": "زرد"},
+                {"range": "0.5 تا 0.7", "meaning": "پوشش گیاهی خوب", "color": "سبز روشن"},
+                {"range": "بیشتر از 0.7", "meaning": "پوشش گیاهی بسیار خوب", "color": "سبز تیره"}
+            ]
+        }
+    }
+
+    # نمایش روزهای هفته
+    days_of_week = ["شنبه", "یکشنبه", "دوشنبه", "سه‌شنبه", "چهارشنبه", "پنج‌شنبه"]
+    selected_day = st.selectbox("انتخاب روز هفته", days_of_week)
+
+    # فیلتر کردن مزارع بر اساس روز انتخاب شده
+    farms_of_day = df[df['روز'] == selected_day]
+
+    # نمایش جدول مزارع روز انتخاب شده
+    st.subheader(f"مزارع روز {selected_day}")
+    st.dataframe(farms_of_day)
+
+    # انتخاب مزرعه
+    selected_farm = st.sidebar.selectbox("انتخاب مزرعه", farms_of_day["مزرعه"].unique())
+    farm_info = farms_of_day[farms_of_day["مزرعه"] == selected_farm].iloc[0]
+    
+    # یافتن مختصات مزرعه انتخاب شده
+    farm_coordinate = farm_coords[farm_coords["name"] == selected_farm].iloc[0]
+    
+    # تعریف هندسه مزرعه با استفاده از طول و عرض جغرافیایی
+    farm_geometry = ee.Geometry.Point([farm_coordinate['longitude'], farm_coordinate['latitude']])
+    farm_coords_str = f"{farm_coordinate['longitude']},{farm_coordinate['latitude']}"
+    
+    # ایجاد یک بافر اطراف نقطه مرکزی مزرعه (مثلاً به شعاع 100 متر)
+    farm_geometry = farm_geometry.buffer(100)
+
+    # انتخاب شاخص
+    index_type = st.sidebar.selectbox("انتخاب شاخص گیاهی", list(band_selection.keys()))
+
+    # نمایش توضیحات شاخص
+    st.sidebar.markdown(f"### توضیحات {index_type}")
+    st.sidebar.markdown(index_info[index_type]["description"])
+    st.sidebar.markdown("### راهنمای تفسیر")
+    for range_info in index_info[index_type]["ranges"]:
+        st.sidebar.markdown(f"- **{range_info['range']}**: {range_info['meaning']} ({range_info['color']})")
+
+    if st.sidebar.button("نمایش نقشه و تحلیل"):
+        try:
+            # محاسبه تاریخ‌های مورد نیاز
+            end_date = date.today()
+            start_date = end_date - timedelta(days=10)  # 10 روز اخیر
+            date_list = [start_date + timedelta(days=x) for x in range(11)]
+
+            # دریافت تصاویر و محاسبه شاخص‌ها
+            with st.spinner('در حال پردازش اطلاعات...'):
+                index_values = {index: [] for index in band_selection.keys()}
+                
+                for single_date in date_list:
+                    date_str = single_date.strftime("%Y-%m-%d")
+                    next_date = (single_date + timedelta(days=1)).strftime("%Y-%m-%d")
+                    
+                    try:
+                        s2_collection = ee.ImageCollection("COPERNICUS/S2")\
+                            .filterDate(date_str, next_date)\
+                            .filterBounds(farm_geometry)\
+                            .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', 20))
+                        
+                        if s2_collection.size().getInfo() > 0:
+                            s2 = s2_collection.first()
+                            for index in band_selection.keys():
+                                value = get_safe_index_value(s2, index, band_selection, farm_geometry, date_str, farm_coords_str)
+                                index_values[index].append(value)
+                        else:
+                            for index in band_selection.keys():
+                                index_values[index].append(None)
+                    except Exception as e:
+                        st.error(f"خطا در پردازش تاریخ {date_str}: {str(e)}")
+                        for index in band_selection.keys():
+                            index_values[index].append(None)
+
+                # محاسبه میانگین هفتگی NDVI
+                weekly_ndvi = get_weekly_average_ndvi(farm_geometry, start_date.strftime("%Y-%m-%d"), end_date.strftime("%Y-%m-%d"), farm_coords_str)
+                st.sidebar.write(f"میانگین هفتگی NDVI: {weekly_ndvi:.2f}")
+
+                # محاسبه بیشترین و کمترین رشد در 10 روز اخیر
+                ndvi_values = index_values['NDVI']
+                ndvi_changes = [ndvi_values[i+1] - ndvi_values[i] for i in range(len(ndvi_values)-1) if ndvi_values[i] is not None and ndvi_values[i+1] is not None]
+                if ndvi_changes:
+                    max_growth = max(ndvi_changes)
+                    min_growth = min(ndvi_changes)
+                    max_growth_date = date_list[ndvi_changes.index(max_growth) + 1]
+                    min_growth_date = date_list[ndvi_changes.index(min_growth) + 1]
+                    st.sidebar.write(f"بیشترین رشد: {max_growth:.2f} در تاریخ {max_growth_date.strftime('%Y-%m-%d')}")
+                    st.sidebar.write(f"کمترین رشد: {min_growth:.2f} در تاریخ {min_growth_date.strftime('%Y-%m-%d')}")
+
+                # نمایش نمودارها
+                st.subheader("روند تغییرات شاخص‌ها در 10 روز اخیر")
+                fig = make_subplots(rows=len(band_selection), cols=1, shared_xaxes=True, vertical_spacing=0.05)
+                for i, (index, values) in enumerate(index_values.items(), start=1):
+                    fig.add_trace(go.Scatter(x=date_list, y=values, name=index, mode='lines+markers'), row=i, col=1)
+                    fig.update_yaxes(title_text=index, row=i, col=1)
+                fig.update_layout(height=200*len(band_selection), width=800, title_text="روند تغییرات شاخص‌ها", showlegend=False)
+                st.plotly_chart(fig)
+
+                # نمایش نقشه NDVI
+                st.subheader("نقشه NDVI")
+                Map = geemap.Map(center=[farm_coordinate['latitude'], farm_coordinate['longitude']], zoom=15)
+                
+                # محاسبه NDVI برای آخرین تصویر
+                last_image = s2_collection.sort('system:time_start', False).first()
+                if last_image:
+                    ndvi = last_image.normalizedDifference(['B8', 'B4']).rename('NDVI')
+                    
+                    # تنظیمات نمایش NDVI
+                    vis_params = {
+                        'min': 0,
+                        'max': 1,
+                        'palette': ['red', 'yellow', 'green']
+                    }
+                    
+                    # اضافه کردن لایه NDVI به نقشه
+                    Map.addLayer(ndvi.clip(farm_geometry.buffer(500)), vis_params, 'NDVI')
+                
+                # اضافه کردن نشانگر مزرعه
+                Map.add_marker(location=[farm_coordinate['latitude'], farm_coordinate['longitude']], popup=farm_info['مزرعه'])
+                
+                # نمایش نقشه
+                Map.to_streamlit(height=400)
+
+                # نمایش نقشه حرارتی
+                st.subheader("نقشه حرارتی وضعیت مزارع")
+                heatmap_fig = create_heatmap(df, index_type)
+                st.plotly_chart(heatmap_fig)
+
+                # مقایسه بین مزارع
+                st.subheader("مقایسه بین مزارع")
+                farm1 = st.selectbox("انتخاب مزرعه اول", farms_of_day["مزرعه"].unique())
+                farm2 = st.selectbox("انتخاب مزرعه دوم", farms_of_day["مزرعه"].unique())
+                comparison_fig = create_comparison_chart(df, farm1, farm2, index_type)
+                st.plotly_chart(comparison_fig)
+
+                # تولید گزارش PDF
+                st.subheader("دریافت گزارش PDF")
+                if st.button("تولید گزارش PDF"):
+                    pdf_report = generate_pdf_report(farm_info, index_values, calculate_lai(index_values['NDVI']), date_list)
+                    st.download_button(
+                        label="دانلود گزارش PDF",
+                        data=pdf_report,
+                        file_name=f"گزارش_{farm_info['مزرعه']}.pdf",
+                        mime="application/pdf"
+                    )
+
+        except Exception as e:
+            st.error(f"خطا در پردازش اطلاعات: {str(e)}")
+
+if __name__ == "__main__":
+    main()