سامانه هوشمند پایش مزارع نیشکر دهخدا
', unsafe_allow_html=True) -st.markdown('پلتفرم جامع مدیریت، پایش و تحلیل دادههای مزارع نیشکر با استفاده از تصاویر ماهوارهای و هوش مصنوعی
', unsafe_allow_html=True) +# Main header with animation +st.markdown('', unsafe_allow_html=True)
+st.markdown('
', unsafe_allow_html=True)
-# Create a modern navigation menu
+# Create a stunning navigation menu
selected = option_menu(
menu_title=None,
options=["داشبورد", "نقشه مزارع", "ورود اطلاعات", "تحلیل دادهها", "گزارشگیری", "تنظیمات"],
- icons=["speedometer2", "map", "pencil-square", "graph-up", "file-earmark-text", "gear"],
- menu_icon="cast",
+ icons=["speedometer2", "map", "pencil-square", "bar-chart", "file-text", "gear"],
+ menu_icon="leaf",
default_index=0,
orientation="horizontal",
styles={
- "container": {"padding": "0!important", "background-color": "transparent", "margin-bottom": "20px"},
- "icon": {"color": "#1a8754", "font-size": "18px"},
- "nav-link": {"font-size": "16px", "text-align": "center", "margin":"0px", "--hover-color": "#e9f7ef", "border-radius": "10px"},
- "nav-link-selected": {"background-color": "#1a8754", "color": "white", "font-weight": "600"},
+ "container": {"padding": "0!important", "background-color": "transparent", "margin-bottom": "25px"},
+ "icon": {"color": "#2ecc71", "font-size": "22px"},
+ "nav-link": {"font-size": "18px", "text-align": "center", "margin": "5px", "--hover-color": "#e9f7ef", "border-radius": "12px"},
+ "nav-link-selected": {"background": "linear-gradient(135deg, #2ecc71 0%, #27ae60 100%)", "color": "white", "font-weight": "700", "box-shadow": "0 10px 30px rgba(46, 204, 113, 0.4)"},
}
)
# Dashboard
if selected == "داشبورد":
- # Dashboard metrics
+ st.markdown('سامانه هوشمند پایش مزارع نیشکر دهخدا
', unsafe_allow_html=True) +st.markdown('پلتفرم جامع مدیریت، پایش و تحلیل دادههای مزارع نیشکر با هوش مصنوعی پیشرفته
', unsafe_allow_html=True) st.markdown('', unsafe_allow_html=True)
+ st.markdown("### نمای کلی مزارع", unsafe_allow_html=True)
+ st.markdown('
', unsafe_allow_html=True)
+
+ # Dashboard metrics with animation
col1, col2, col3, col4 = st.columns(4)
with col1:
- st.markdown('', unsafe_allow_html=True)
- st.markdown(f'
{len(farm_df)}
', unsafe_allow_html=True)
+ st.markdown('', unsafe_allow_html=True)
+ st.markdown(f'
', unsafe_allow_html=True)
with col2:
- active_farms = int(len(farm_df) * 0.85)
- st.markdown('{len(farm_df["Farm_ID"].unique())}
', unsafe_allow_html=True)
st.markdown('تعداد مزارع
', unsafe_allow_html=True)
st.markdown('', unsafe_allow_html=True)
+ active_farms = int(len(farm_df["Farm_ID"].unique()) * 0.85)
+ st.markdown('
', unsafe_allow_html=True)
st.markdown(f'
', unsafe_allow_html=True)
with col3:
- avg_height = 175
- st.markdown('{active_farms}
', unsafe_allow_html=True)
st.markdown('مزارع فعال
', unsafe_allow_html=True)
st.markdown('', unsafe_allow_html=True)
- st.markdown(f'
{avg_height} cm
', unsafe_allow_html=True)
+ avg_height = farm_df['CurrentHeight'].mean()
+ st.markdown('', unsafe_allow_html=True)
+ st.markdown(f'
', unsafe_allow_html=True)
with col4:
- avg_moisture = 68
- st.markdown('{avg_height:.1f} cm
', unsafe_allow_html=True)
st.markdown('میانگین ارتفاع
', unsafe_allow_html=True)
st.markdown('', unsafe_allow_html=True)
- st.markdown(f'
{avg_moisture}%
', unsafe_allow_html=True)
+ avg_moisture = farm_df['CurrentMoisture'].mean()
+ st.markdown('', unsafe_allow_html=True)
+ st.markdown(f'
', unsafe_allow_html=True)
- # Dashboard tabs
+ # Dashboard tabs with animation
tab1, tab2, tab3, tab4 = st.tabs(["نمای کلی", "نقشه مزارع", "نمودارها", "دادهها"])
with tab1:
- st.markdown("### توزیع واریتهها و سن محصول")
+ st.markdown('{avg_moisture:.1f}%
', unsafe_allow_html=True)
st.markdown('میانگین رطوبت
', unsafe_allow_html=True)
st.markdown('', unsafe_allow_html=True)
+ st.markdown("### توزیع واریتهها و سن م��صول", unsafe_allow_html=True)
col1, col2 = st.columns(2)
with col1:
- # Group farms by variety
- variety_counts = farm_df['واریته'].value_counts().reset_index()
- variety_counts.columns = ['واریته', 'تعداد']
-
- # Create a pie chart for varieties
+ variety_counts = farm_df['Variety'].value_counts().reset_index()
+ variety_counts.columns = ['Variety', 'Count']
fig = px.pie(
variety_counts,
- values='تعداد',
- names='واریته',
+ values='Count',
+ names='Variety',
title='توزیع واریتهها',
color_discrete_sequence=px.colors.sequential.Greens_r
)
fig.update_traces(textposition='inside', textinfo='percent+label')
fig.update_layout(
font=dict(family="Vazirmatn"),
- legend=dict(orientation="h", yanchor="bottom", y=-0.3, xanchor="center", x=0.5)
+ legend=dict(orientation="h", yanchor="bottom", y=-0.3, xanchor="center", x=0.5),
+ template="plotly_white",
+ height=400
)
- st.plotly_chart(fig, use_container_width=True)
+ st.plotly_chart(fig, use_container_width=True, config={'displayModeBar': False})
with col2:
- # Group farms by age
- age_counts = farm_df['سن'].value_counts().reset_index()
- age_counts.columns = ['سن', 'تعداد']
-
- # Create a pie chart for ages
+ age_counts = farm_df['Age'].value_counts().reset_index()
+ age_counts.columns = ['Age', 'Count']
fig = px.pie(
age_counts,
- values='تعداد',
- names='سن',
+ values='Count',
+ names='Age',
title='توزیع سن محصول',
color_discrete_sequence=px.colors.sequential.Blues_r
)
fig.update_traces(textposition='inside', textinfo='percent+label')
fig.update_layout(
font=dict(family="Vazirmatn"),
- legend=dict(orientation="h", yanchor="bottom", y=-0.3, xanchor="center", x=0.5)
+ legend=dict(orientation="h", yanchor="bottom", y=-0.3, xanchor="center", x=0.5),
+ template="plotly_white",
+ height=400
)
- st.plotly_chart(fig, use_container_width=True)
+ st.plotly_chart(fig, use_container_width=True, config={'displayModeBar': False})
st.markdown("### اطلاعات کلی مزارع")
- # Calculate total area
- total_area = farm_df['مساحت'].astype(float).sum()
+ total_area = farm_df['Area'].sum()
- # Create metrics
col1, col2, col3 = st.columns(3)
- col1.metric("تعداد کل مزارع", f"{len(farm_df)}")
- col2.metric("مساحت کل (هکتار)", f"{total_area:.2f}")
- col3.metric("تعداد کانالها", f"{farm_df['کانال'].nunique()}")
+ with col1:
+ st.markdown('
', unsafe_allow_html=True) + st.markdown('
', unsafe_allow_html=True) - # Add a lottie animation - st_lottie(lottie_farm, height=300, key="farm_animation") + st_lottie(lottie_farm, height=350, key="farm_animation", speed=1.2) + st.markdown('
', unsafe_allow_html=True)
with tab2:
- st.markdown("### نقشه مزارع")
+ st.markdown('', unsafe_allow_html=True)
+ st.markdown(f'
', unsafe_allow_html=True)
+ with col2:
+ st.markdown('{len(farm_df["Farm_ID"].unique())}
', unsafe_allow_html=True)
+ st.markdown('تعداد کل مزارع
', unsafe_allow_html=True)
+ st.markdown('', unsafe_allow_html=True)
+ st.markdown(f'
', unsafe_allow_html=True)
+ with col3:
+ st.markdown('{total_area:.2f}
', unsafe_allow_html=True)
+ st.markdown('مساحت کل (هکتار)
', unsafe_allow_html=True)
+ st.markdown('', unsafe_allow_html=True)
+ st.markdown(f'
', unsafe_allow_html=True)
- # Add a styled separator
- st.markdown('{farm_df["Channel"].nunique()}
', unsafe_allow_html=True)
+ st.markdown('تعداد کانالها
', unsafe_allow_html=True)
+ st.markdown('', unsafe_allow_html=True) + st.markdown('
', unsafe_allow_html=True) - # Add a lottie animation - st_lottie(lottie_farm, height=300, key="farm_animation") + st_lottie(lottie_farm, height=350, key="farm_animation", speed=1.2) + st.markdown('
', unsafe_allow_html=True)
+ st.markdown("### نقشه مزارع", unsafe_allow_html=True)
- # Create a map of all farms
if coordinates_df is not None and not coordinates_df.empty:
- # Create a base map
m = folium.Map(location=[31.45, 48.72], zoom_start=12, tiles='CartoDB positron')
-
- # Add markers for each farm
for _, farm in coordinates_df.iterrows():
- lat = farm['عرض جغرافیایی']
- lon = farm['طول جغرافیایی']
- name = farm['نام']
-
- # Get additional info from farm_df if available
- farm_info = farm_df[farm_df['مزرعه'] == name]
+ lat = farm['Latitude']
+ lon = farm['Longitude']
+ name = farm['Farm_ID']
+ farm_info = farm_df[farm_df['Farm_ID'] == name]
if not farm_info.empty:
- variety = farm_info['واریته'].iloc[0]
- age = farm_info['سن'].iloc[0]
- area = farm_info['مساحت'].iloc[0]
+ variety = farm_info['Variety'].iloc[0]
+ age = farm_info['Age'].iloc[0]
+ area = farm_info['Area'].iloc[0]
popup_text = f"""
-
-
مزرعه {name}
-واریته: {variety}
-سن: {age}
-مساحت: {area} هکتار
+
+
"""
else:
- popup_text = f"مزرعه {name}
+واریته: {variety}
+سن: {age}
+مساحت: {area} هکتار
مزرعه {name}
"
-
- # Add marker
+ popup_text = f"مزرعه {name}
"
folium.Marker(
[lat, lon],
popup=folium.Popup(popup_text, max_width=300),
tooltip=f"مزرعه {name}",
- icon=folium.Icon(color='green', icon='leaf')
+ icon=folium.Icon(color='#2ecc71', icon='leaf', prefix='fa')
).add_to(m)
-
- # Display the map
- st.markdown('', unsafe_allow_html=True)
+ st.markdown('
', unsafe_allow_html=True)
with tab3:
- st.markdown("### نمودار رشد هفتگی")
+ st.markdown('', unsafe_allow_html=True)
folium_static(m, width=1000, height=600)
st.markdown('
', unsafe_allow_html=True)
else:
- st.warning("دادههای مختصات در دسترس نیست.")
+ st.warning("دادههای مختصات در دسترس نیست.", icon="⚠️")
+ st.markdown('', unsafe_allow_html=True)
+ st.markdown("### نمودار رشد هفتگی", unsafe_allow_html=True)
- # Create filters for variety and age
col1, col2 = st.columns(2)
with col1:
selected_variety = st.selectbox(
"انتخاب واریته",
- ["all"] + list(farm_df['واریته'].unique()),
- format_func=lambda x: "همه واریتهها" if x == "all" else x
+ ["all"] + list(farm_df['Variety'].unique()),
+ format_func=lambda x: "همه واریتهها" if x == "all" else x,
+ key="growth_variety",
+ help="واریته موردنظر را برای تحلیل انتخاب کنید"
)
with col2:
selected_age = st.selectbox(
"انتخاب سن",
- ["all"] + list(farm_df['سن'].unique()),
- format_func=lambda x: "همه سنین" if x == "all" else x
+ ["all"] + list(farm_df['Age'].unique()),
+ format_func=lambda x: "همه سنین" if x == "all" else x,
+ key="growth_age",
+ help="سن موردنظر را برای تحلیل انتخاب کنید"
)
- # Generate mock growth data
- growth_data = generate_mock_growth_data(farm_df, selected_variety, selected_age)
+ growth_data = generate_real_growth_data(selected_variety, selected_age)
- # Create tabs for average and individual growth charts
chart_tab1, chart_tab2 = st.tabs(["میانگین رشد", "رشد مزارع فردی"])
with chart_tab1:
- # Create average growth chart
avg_data = growth_data['average']
fig = go.Figure()
fig.add_trace(go.Scatter(
@@ -936,120 +1021,118 @@ if selected == "داشبورد":
y=avg_data['heights'],
mode='lines+markers',
name='میانگین رشد',
- line=dict(color='#1a8754', width=3),
- marker=dict(size=8, color='#1a8754')
+ line=dict(color='#2ecc71', width=4),
+ marker=dict(size=10, color='#2ecc71')
))
-
fig.update_layout(
title='میانگین رشد هفتگی',
xaxis_title='هفته',
yaxis_title='ارتفاع (سانتیمتر)',
- font=dict(family='Vazirmatn', size=14),
+ font=dict(family='Vazirmatn', size=16),
hovermode='x unified',
template='plotly_white',
- height=500
+ height=500,
+ plot_bgcolor='#f5faff',
+ paper_bgcolor='#f5faff'
)
-
- st.plotly_chart(fig, use_container_width=True)
+ st.plotly_chart(fig, use_container_width=True, config={'displayModeBar': False})
with chart_tab2:
- # Create individual growth chart
if growth_data['individual']:
fig = go.Figure()
-
- # Only show up to 5 farms to avoid clutter
- colors = ['#1a8754', '#1976d2', '#e65100', '#9c27b0', '#d32f2f']
+ colors = ['#2ecc71', '#3498db', '#e67e22', '#9b59b6', '#e74c3c']
for i, farm_data in enumerate(growth_data['individual'][:5]):
fig.add_trace(go.Scatter(
x=farm_data['weeks'],
y=farm_data['heights'],
mode='lines+markers',
name=f"مزرعه {farm_data['farm_id']}",
- line=dict(color=colors[i % len(colors)], width=2),
- marker=dict(size=6, color=colors[i % len(colors)])
+ line=dict(color=colors[i % len(colors)], width=3),
+ marker=dict(size=8, color=colors[i % len(colors)])
))
-
fig.update_layout(
title='رشد هفتگی مزارع فردی',
xaxis_title='هفته',
yaxis_title='ارتفاع (سانتیمتر)',
- font=dict(family='Vazirmatn', size=14),
+ font=dict(family='Vazirmatn', size=16),
hovermode='x unified',
template='plotly_white',
- height=500
+ height=500,
+ plot_bgcolor='#f5faff',
+ paper_bgcolor='#f5faff'
)
-
- st.plotly_chart(fig, use_container_width=True)
+ st.plotly_chart(fig, use_container_width=True, config={'displayModeBar': False})
else:
- st.warning("دادهای برای نمایش وجود ندارد.")
+ st.warning("دادهای برای نمایش وجود ندارد.", icon="⚠️")
+ st.markdown('
', unsafe_allow_html=True)
with tab4:
- st.markdown("### دادههای مزارع")
+ st.markdown('', unsafe_allow_html=True)
+ st.markdown("### دادههای مزارع", unsafe_allow_html=True)
- # Create a search box
- search_term = st.text_input("جستجو در دادهها", placeholder="نام مزرعه، واریته، سن و...")
+ search_term = st.text_input(
+ "جستجو در دادهها",
+ placeholder="نام مزرعه، واریته، سن و...",
+ help="عبارت موردنظر را برای جستجو وارد کنید"
+ )
- # Filter data based on search term
if search_term:
filtered_df = farm_df[
- farm_df['مزرعه'].astype(str).str.contains(search_term) |
- farm_df['واریته'].astype(str).str.contains(search_term) |
- farm_df['سن'].astype(str).str.contains(search_term) |
- farm_df['کانال'].astype(str).str.contains(search_term)
+ farm_df['Farm_ID'].astype(str).str.contains(search_term, case=False) |
+ farm_df['Variety'].astype(str).str.contains(search_term, case=False) |
+ farm_df['Age'].astype(str).str.contains(search_term, case=False) |
+ farm_df['Channel'].astype(str).str.contains(search_term, case=False)
]
else:
filtered_df = farm_df
- # Display data table with pagination
if not filtered_df.empty:
- # Add a download button
csv = filtered_df.to_csv(index=False).encode('utf-8')
st.download_button(
label="دانلود دادهها (CSV)",
data=csv,
file_name="farm_data.csv",
mime="text/csv",
+ key="download_data",
+ help="دادههای فیلترشده را دانلود کنید"
)
-
- # Display the data table
st.dataframe(
filtered_df,
use_container_width=True,
- height=400,
+ height=450,
hide_index=True
)
-
- st.info(f"نمایش {len(filtered_df)} مزرعه از {len(farm_df)} مزرعه")
+ st.info(f"نمایش {len(filtered_df)} مزرعه از {len(farm_df)} مزرعه", icon="ℹ️")
else:
- st.warning("هیچ دادهای یافت نشد.")
+ st.warning("هیچ دادهای یافت نشد.", icon="⚠️")
+ st.markdown('
', unsafe_allow_html=True)
# Map Page
elif selected == "نقشه مزارع":
- st.markdown("## نقشه مزارع با شاخصهای ماهوارهای")
+ st.markdown('', unsafe_allow_html=True)
+ st.markdown("## نقشه مزارع با شاخصهای ماهوارهای", unsafe_allow_html=True)
- # Create a layout with sidebar for controls
col1, col2 = st.columns([1, 3])
with col1:
- st.markdown('
', unsafe_allow_html=True)
+ st.markdown('
', unsafe_allow_html=True)
st.markdown("### تنظیمات نقشه")
- # Farm selection
selected_farm = st.selectbox(
"انتخاب مزرعه",
- options=coordinates_df['نام'].tolist(),
+ options=coordinates_df['Farm_ID'].tolist(),
index=0,
- format_func=lambda x: f"مزرعه {x}"
+ format_func=lambda x: f"مزرعه {x}",
+ help="مزرعه موردنظر را برای نمایش نقشه انتخاب کنید"
)
- # Date selection
selected_date = st.date_input(
"انتخاب تاریخ",
value=datetime.now(),
- format="YYYY-MM-DD"
+ format="YYYY-MM-DD",
+ help="تاریخی را برای تولید نقشه انتخاب کنید"
)
- # Layer type selection
selected_layer = st.selectbox(
"انتخاب شاخص",
options=["NDVI", "NDMI", "EVI", "NDWI"],
@@ -1058,20 +1141,19 @@ elif selected == "نقشه مزارع":
"NDMI": "شاخص رطوبت (NDMI)",
"EVI": "شاخص پیشرفته گیاهی (EVI)",
"NDWI": "شاخص آب (NDWI)"
- }[x]
+ }[x],
+ help="شاخص موردنظر را برای تحلیل انتخاب کنید"
)
- # Generate map button
generate_map = st.button(
"تولید نقشه",
type="primary",
- use_container_width=True
+ use_container_width=True,
+ help="نقشه را با تنظیمات انتخابشده تولید کنید"
)
- # Add a separator
- st.markdown('
', unsafe_allow_html=True) + st.markdown('
', unsafe_allow_html=True) - # Add index descriptions st.markdown("### راهنمای شاخصها") with st.expander("شاخص پوشش گیاهی (NDVI)", expanded=selected_layer == "NDVI"): @@ -1083,7 +1165,7 @@ elif selected == "نقشه مزارع": - **مقادیر پایین (-1.0 تا 0.2)**: پوشش گیاهی کم یا خاک لخت فرمول: NDVI = (NIR - RED) / (NIR + RED) - """) + """, unsafe_allow_html=True) with st.expander("شاخص رطوبت (NDMI)", expanded=selected_layer == "NDMI"): st.markdown(""" @@ -1094,7 +1176,7 @@ elif selected == "نقشه مزارع": - **مقادیر پایین (-1.0 تا 0.0)**: محتوای رطوبت کم فرمول: NDMI = (NIR - SWIR) / (NIR + SWIR) - """) + """, unsafe_allow_html=True) with st.expander("شاخص پیشرفته گیاهی (EVI)", expanded=selected_layer == "EVI"): st.markdown(""" @@ -1105,7 +1187,7 @@ elif selected == "نقشه مزارع": - **مقادیر پایین (0.0 تا 0.2)**: پوشش گیاهی کم فرمول: EVI = 2.5 * ((NIR - RED) / (NIR + 6*RED - 7.5*BLUE + 1)) - """) + """, unsafe_allow_html=True) with st.expander("شاخص آب (NDWI)", expanded=selected_layer == "NDWI"): st.markdown(""" @@ -1116,127 +1198,108 @@ elif selected == "نقشه مزارع": - **مقادیر پایین (-1.0 تا 0.0)**: محتوای آب کم یا خاک خشک فرمول: NDWI = (GREEN - NIR) / (GREEN + NIR) - """) + """, unsafe_allow_html=True) st.markdown('
', unsafe_allow_html=True)
with col2:
- # Create tabs for map and statistics
map_tab, stats_tab = st.tabs(["نقشه", "آمار و تحلیل"])
with map_tab:
- st.markdown('', unsafe_allow_html=True) + st.markdown('
', unsafe_allow_html=True) - # Add index descriptions st.markdown("### راهنمای شاخصها") with st.expander("شاخص پوشش گیاهی (NDVI)", expanded=selected_layer == "NDVI"): @@ -1083,7 +1165,7 @@ elif selected == "نقشه مزارع": - **مقادیر پایین (-1.0 تا 0.2)**: پوشش گیاهی کم یا خاک لخت فرمول: NDVI = (NIR - RED) / (NIR + RED) - """) + """, unsafe_allow_html=True) with st.expander("شاخص رطوبت (NDMI)", expanded=selected_layer == "NDMI"): st.markdown(""" @@ -1094,7 +1176,7 @@ elif selected == "نقشه مزارع": - **مقادیر پایین (-1.0 تا 0.0)**: محتوای رطوبت کم فرمول: NDMI = (NIR - SWIR) / (NIR + SWIR) - """) + """, unsafe_allow_html=True) with st.expander("شاخص پیشرفته گیاهی (EVI)", expanded=selected_layer == "EVI"): st.markdown(""" @@ -1105,7 +1187,7 @@ elif selected == "نقشه مزارع": - **مقادیر پایین (0.0 تا 0.2)**: پوشش گیاهی کم فرمول: EVI = 2.5 * ((NIR - RED) / (NIR + 6*RED - 7.5*BLUE + 1)) - """) + """, unsafe_allow_html=True) with st.expander("شاخص آب (NDWI)", expanded=selected_layer == "NDWI"): st.markdown(""" @@ -1116,127 +1198,108 @@ elif selected == "نقشه مزارع": - **مقادیر پایین (-1.0 تا 0.0)**: محتوای آب کم یا خاک خشک فرمول: NDWI = (GREEN - NIR) / (GREEN + NIR) - """) + """, unsafe_allow_html=True) st.markdown('
', unsafe_allow_html=True)
-
+ st.markdown('
', unsafe_allow_html=True)
if generate_map or 'last_map' not in st.session_state:
- with st.spinner('در حال تولید نقشه...'):
- # Create the map
+ with st.spinner(''):
m = create_ee_map(
selected_farm,
selected_date.strftime('%Y-%m-%d'),
selected_layer
)
-
if m:
st.session_state.last_map = m
- folium_static(m, width=800, height=600)
-
- # Add a success message
- st.success(f"نقشه {selected_layer} برای مزرعه {selected_farm} با موفقیت تولید شد.")
+ folium_static(m, width=900, height=600)
+ st.success(f"نقشه {selected_layer} برای مزرعه {selected_farm} با موفقیت تولید شد.", icon="✅")
else:
- st.error("خطا در تولید نقشه. لطفاً دوباره تلاش کنید.")
+ st.error("خطا در تولید نقشه. لطفاً دوباره تلاش کنید.", icon="❌")
elif 'last_map' in st.session_state:
- folium_static(st.session_state.last_map, width=800, height=600)
-
+ folium_static(st.session_state.last_map, width=900, height=600)
st.markdown('
', unsafe_allow_html=True)
-
- # Add a note about the map
st.info("""
**نکته:** این نقشه بر اساس تصاویر ماهوارهای Sentinel-2 تولید شده است.
برای دقت بیشتر، تاریخی را انتخاب کنید که ابرناکی کمتری داشته باشد.
- """)
+ """, icon="ℹ️")
with stats_tab:
if 'last_map' in st.session_state:
- # Calculate statistics for the selected farm and layer
stats = calculate_farm_stats(selected_farm, selected_layer)
- # Display statistics in cards
col1, col2, col3, col4 = st.columns(4)
with col1:
- st.markdown('', unsafe_allow_html=True)
- st.markdown(f'
{stats["mean"]}
', unsafe_allow_html=True)
+ st.markdown('', unsafe_allow_html=True)
+ st.markdown(f'
', unsafe_allow_html=True)
with col2:
- st.markdown('{stats["mean"]:.2f}
', unsafe_allow_html=True)
st.markdown(f'میانگین {selected_layer}
', unsafe_allow_html=True)
st.markdown('', unsafe_allow_html=True)
- st.markdown(f'
{stats["max"]}
', unsafe_allow_html=True)
+ st.markdown('', unsafe_allow_html=True)
+ st.markdown(f'
', unsafe_allow_html=True)
with col3:
- st.markdown('{stats["max"]:.2f}
', unsafe_allow_html=True)
st.markdown(f'حداکثر {selected_layer}
', unsafe_allow_html=True)
st.markdown('', unsafe_allow_html=True)
- st.markdown(f'
{stats["min"]}
', unsafe_allow_html=True)
+ st.markdown('', unsafe_allow_html=True)
+ st.markdown(f'
', unsafe_allow_html=True)
with col4:
- st.markdown('{stats["min"]:.2f}
', unsafe_allow_html=True)
st.markdown(f'حداقل {selected_layer}
', unsafe_allow_html=True)
st.markdown('', unsafe_allow_html=True)
- st.markdown(f'
', unsafe_allow_html=True)
# Data Entry Page
elif selected == "ورود اطلاعات":
- st.markdown("## ورود اطلاعات روزانه مزارع")
+ st.markdown('{stats["std_dev"]}
', unsafe_allow_html=True)
+ st.markdown('', unsafe_allow_html=True)
+ st.markdown(f'
', unsafe_allow_html=True)
- # Create a histogram of values
fig = px.histogram(
x=stats["histogram_data"],
nbins=20,
title=f"توزیع مقادیر {selected_layer} در مزرعه {selected_farm}",
labels={"x": f"مقدار {selected_layer}", "y": "فراوانی"},
- color_discrete_sequence=["#1a8754"]
+ color_discrete_sequence=["#2ecc71"]
)
-
fig.update_layout(
- font=dict(family="Vazirmatn"),
+ font=dict(family="Vazirmatn", size=14),
template="plotly_white",
- bargap=0.1
+ bargap=0.1,
+ plot_bgcolor='#f5faff',
+ paper_bgcolor='#f5faff',
+ height=400
)
+ st.plotly_chart(fig, use_container_width=True, config={'displayModeBar': False})
- st.plotly_chart(fig, use_container_width=True)
-
- # Add a time series analysis
- st.markdown("### تحلیل زمانی")
-
- # Generate mock time series data
dates = pd.date_range(end=selected_date, periods=30, freq='D')
- values = np.random.normal(stats["mean"], stats["std_dev"] / 2, 30)
+ values = [stats["mean"] + np.random.normal(0, stats["std_dev"] / 2) for _ in range(30)]
values = np.clip(values, stats["min"], stats["max"])
- # Create a time series chart
fig = px.line(
x=dates,
y=values,
title=f"روند تغییرات {selected_layer} در 30 روز گذشته",
labels={"x": "تاریخ", "y": f"مقدار {selected_layer}"},
- markers=True
+ markers=True,
+ line_shape="spline"
)
-
fig.update_layout(
- font=dict(family="Vazirmatn"),
+ font=dict(family="Vazirmatn", size=14),
template="plotly_white",
- hovermode="x unified"
+ hovermode="x unified",
+ plot_bgcolor='#f5faff',
+ paper_bgcolor='#f5faff',
+ height=400
)
+ st.plotly_chart(fig, use_container_width=True, config={'displayModeBar': False})
- st.plotly_chart(fig, use_container_width=True)
-
- # Add a comparison with other farms
- st.markdown("### مقایسه با سایر مزارع")
+ farm_names = coordinates_df['Farm_ID'].tolist()[:5]
+ comparison_values = [stats["mean"] + np.random.uniform(-0.2, 0.2) for _ inrange(len(farm_names))]
- # Generate mock comparison data
- farm_names = coordinates_df['نام'].tolist()[:5] # Get 5 farm names for comparison
- comparison_values = [stats["mean"] + np.random.uniform(-0.2, 0.2) for _ in range(len(farm_names))]
-
- # Create a comparison bar chart
fig = px.bar(
x=farm_names,
y=comparison_values,
@@ -1245,250 +1308,208 @@ elif selected == "نقشه مزارع":
color=comparison_values,
color_continuous_scale="Viridis"
)
-
fig.update_layout(
- font=dict(family="Vazirmatn"),
+ font=dict(family="Vazirmatn", size=14),
template="plotly_white",
- coloraxis_showscale=False
+ coloraxis_showscale=False,
+ plot_bgcolor='#f5faff',
+ paper_bgcolor='#f5faff',
+ height=400
)
-
- st.plotly_chart(fig, use_container_width=True)
+ st.plotly_chart(fig, use_container_width=True, config={'displayModeBar': False})
else:
- st.warning("لطفاً ابتدا یک نقشه تولید کنید.")
+ st.warning("لطفاً ابتدا یک نقشه تولید کنید.", icon="⚠️")
+ st.markdown('{stats["std_dev"]:.2f}
', unsafe_allow_html=True)
st.markdown(f'انحراف معیار
', unsafe_allow_html=True)
st.markdown('', unsafe_allow_html=True)
+ st.markdown("## ورود اطلاعات روزانه مزارع", unsafe_allow_html=True)
- # Create tabs for manual entry and file upload
tab1, tab2 = st.tabs(["ورود دستی", "آپلود فایل"])
with tab1:
- # Create filters for week and day
col1, col2 = st.columns(2)
with col1:
selected_week = st.selectbox(
"انتخاب هفته",
options=[str(i) for i in range(1, 23)],
- format_func=lambda x: f"هفته {x}"
+ format_func=lambda x: f"هفته {x}",
+ help="هفته موردنظر را برای ورود اطلاعات انتخاب کنید"
)
with col2:
- selected_day = st.selectbox(
- "انتخاب روز",
- options=["شنبه", "یکشنبه", "دوشنبه", "سهشنبه", "چهارشنبه", "پنجشنبه"]
- )
+ days = day_df['Day'].unique().tolist()
+ selected_day = st.selectbox("انتخاب روز", options=days, help="روز موردنظر را برای ورود اطلاعات انتخاب کنید")
- # Filter farms by selected day
- filtered_farms = farm_df[farm_df['روز'] == selected_day]
+ filtered_farms = farm_df[farm_df['Week'] == int(selected_week)]
+ filtered_farms = filtered_farms[filtered_farms['Farm_ID'].isin(day_df[day_df['Day'] == selected_day]['Farm_ID'])]
if filtered_farms.empty:
- st.warning(f"هیچ مزرعهای برای روز {selected_day} در پایگاه داده وجود ندارد.")
+ st.warning(f"هیچ مزرعهای برای هفته {selected_week} و روز {selected_day} در پایگاه داده وجود ندارد.", icon="⚠️")
else:
- # Create a data editor
st.markdown("### ورود دادههای مزارع")
- # Initialize data if not already in session state
data_key = f"data_{selected_week}_{selected_day}"
if data_key not in st.session_state:
st.session_state[data_key] = pd.DataFrame({
- 'مزرعه': filtered_farms['مزرعه'],
- 'ایستگاه 1': [0] * len(filtered_farms),
- 'ایستگاه 2': [0] * len(filtered_farms),
- 'ایستگاه 3': [0] * len(filtered_farms),
- 'ایستگاه 4': [0] * len(filtered_farms),
- 'ایستگاه 5': [0] * len(filtered_farms),
- 'چاهک 1': [0] * len(filtered_farms),
- 'چاهک 2': [0] * len(filtered_farms),
- 'رطوبت غلاف': [0] * len(filtered_farms),
- 'نیتروژن': [0] * len(filtered_farms),
- 'میانگین ارتفاع': [0] * len(filtered_farms)
+ 'Farm_ID': filtered_farms['Farm_ID'],
+ 'Station1': [0] * len(filtered_farms),
+ 'Station2': [0] * len(filtered_farms),
+ 'Station3': [0] * len(filtered_farms),
+ 'Station4': [0] * len(filtered_farms),
+ 'Station5': [0] * len(filtered_farms),
+ 'Well1': [0] * len(filtered_farms),
+ 'Well2': [0] * len(filtered_farms),
+ 'CurrentMoisture': [0] * len(filtered_farms),
+ 'CurrentNitrogen': [0] * len(filtered_farms),
+ 'CurrentHeight': [0] * len(filtered_farms)
})
- # Create a data editor
edited_df = st.data_editor(
st.session_state[data_key],
use_container_width=True,
num_rows="fixed",
column_config={
- "مزرعه": st.column_config.TextColumn("مزرعه", disabled=True),
- "ایستگاه 1": st.column_config.NumberColumn("ایستگاه 1", min_value=0, max_value=300, step=1),
- "ایستگاه 2": st.column_config.NumberColumn("ایستگاه 2", min_value=0, max_value=300, step=1),
- "ایستگاه 3": st.column_config.NumberColumn("ایستگاه 3", min_value=0, max_value=300, step=1),
- "ایستگاه 4": st.column_config.NumberColumn("ایستگاه 4", min_value=0, max_value=300, step=1),
- "ایستگاه 5": st.column_config.NumberColumn("ایستگاه 5", min_value=0, max_value=300, step=1),
- "چاهک 1": st.column_config.NumberColumn("چاهک 1", min_value=0, max_value=300, step=1),
- "چاهک 2": st.column_config.NumberColumn("چاهک 2", min_value=0, max_value=300, step=1),
- "رطوبت غلاف": st.column_config.NumberColumn("رطوبت غلاف", min_value=0, max_value=100, step=1),
- "نیتروژن": st.column_config.NumberColumn("نیتروژن", min_value=0, max_value=100, step=1),
- "میانگین ارتفاع": st.column_config.NumberColumn("میانگین ارتفاع", disabled=True),
+ "Farm_ID": st.column_config.TextColumn("مزرعه", disabled=True),
+ "Station1": st.column_config.NumberColumn("ایستگاه 1", min_value=0, max_value=400, step=1, help="ارتفاع ایستگاه 1 را وارد کنید"),
+ "Station2": st.column_config.NumberColumn("ایستگاه 2", min_value=0, max_value=400, step=1, help="ارتفاع ایستگاه 2 را وارد کنید"),
+ "Station3": st.column_config.NumberColumn("ایستگاه 3", min_value=0, max_value=400, step=1, help="ارتفاع ایستگاه 3 را وارد کنید"),
+ "Station4": st.column_config.NumberColumn("ایستگاه 4", min_value=0, max_value=400, step=1, help="ارتفاع ایستگاه 4 را وارد کنید"),
+ "Station5": st.column_config.NumberColumn("ایستگاه 5", min_value=0, max_value=400, step=1, help="ارتفاع ایستگاه 5 را وارد کنید"),
+ "Well1": st.column_config.NumberColumn("چاهک 1", min_value=0, max_value=200, step=1, help="مقدار چاهک 1 را وارد کنید"),
+ "Well2": st.column_config.NumberColumn("چاهک 2", min_value=0, max_value=200, step=1, help="مقدار چاهک 2 را وارد کنید"),
+ "CurrentMoisture": st.column_config.NumberColumn("رطوبت", min_value=0, max_value=100, step=0.1, help="رطوبت فعلی را وارد کنید"),
+ "CurrentNitrogen": st.column_config.NumberColumn("نیتروژن", min_value=0, max_value=5, step=0.01, help="نیتروژن فعلی را وارد کنید"),
+ "CurrentHeight": st.column_config.NumberColumn("میانگین ارتفاع", disabled=True, help="میانگین ارتفاع بهطور خودکار محاسبه میشود")
},
hide_index=True
)
- # Calculate average height
for i in range(len(edited_df)):
stations = [
- edited_df.iloc[i]['ایستگاه 1'],
- edited_df.iloc[i]['ایستگاه 2'],
- edited_df.iloc[i]['ایستگاه 3'],
- edited_df.iloc[i]['ایستگاه 4'],
- edited_df.iloc[i]['ایستگاه 5']
+ edited_df.iloc[i]['Station1'],
+ edited_df.iloc[i]['Station2'],
+ edited_df.iloc[i]['Station3'],
+ edited_df.iloc[i]['Station4'],
+ edited_df.iloc[i]['Station5']
]
valid_stations = [s for s in stations if s > 0]
if valid_stations:
- edited_df.iloc[i, edited_df.columns.get_loc('میانگین ارتفاع')] = round(sum(valid_stations) / len(valid_stations), 1)
+ edited_df.iloc[i, edited_df.columns.get_loc('CurrentHeight')] = round(sum(valid_stations) / len(valid_stations), 1)
- # Update session state
st.session_state[data_key] = edited_df
- # Save button
- if st.button("ذخیره اطلاعات", type="primary", use_container_width=True):
- # This would normally save to a database
- # For demo purposes, we'll just show a success message
-
- # Add data to heights_df
+ if st.button("ذخیره اطلاعات", type="primary", use_container_width=True, help="دادهها را ذخیره کنید"):
new_data = edited_df.copy()
- new_data['Farm_ID'] = new_data['مزرعه']
new_data['Week'] = int(selected_week)
new_data['Measurement_Date'] = (datetime.now() - timedelta(weeks=(22 - int(selected_week)))).strftime('%Y-%m-%d')
- new_data['Height'] = new_data['میانگین ارتفاع']
- new_data['Station1'] = new_data['ایستگاه 1']
- new_data['Station2'] = new_data['ایستگاه 2']
- new_data['Station3'] = new_data['ایستگاه 3']
- new_data['Station4'] = new_data['ایستگاه 4']
- new_data['Station5'] = new_data['ایستگاه 5']
- new_data['Groundwater1'] = new_data['چاهک 1']
- new_data['Groundwater2'] = new_data['چاهک 2']
- new_data['Sheath_Moisture'] = new_data['رطوبت غلاف']
- new_data['Nitrogen'] = new_data['نیتروژن']
+ new_data['Variety'] = new_data['Farm_ID'].map(farm_df.set_index('Farm_ID')['Variety'])
+ new_data['Age'] = new_data['Farm_ID'].map(farm_df.set_index('Farm_ID')['Age'])
+ new_data['Area'] = new_data['Farm_ID'].map(farm_df.set_index('Farm_ID')['Area'])
+ new_data['Channel'] = new_data['Farm_ID'].map(farm_df.set_index('Farm_ID')['Channel'])
+ new_data['Administration'] = new_data['Farm_ID'].map(farm_df.set_index('Farm_ID')['Administration'])
- # Merge with farm_df to get additional info
- new_data = new_data.merge(
- farm_df[['مزرعه', 'واریته', 'سن', 'مساحت', 'کانال', 'اداره']],
- left_on='Farm_ID',
- right_on='مزرعه',
- how='left'
- )
-
- # Rename columns
- new_data = new_data.rename(columns={
- 'واریته': 'Variety',
- 'سن': 'Age',
- 'مساحت': 'Area',
- 'کانال': 'Channel',
- 'اداره': 'Administration'
- })
-
- # Add to heights_df
st.session_state.heights_df = pd.concat([st.session_state.heights_df, new_data], ignore_index=True)
-
- # Show success message
- st.success(f"دادههای هفته {selected_week} برای روز {selected_day} با موفقیت ذخیره شدند.")
+ st.success(f"دادههای هفته {selected_week} برای روز {selected_day} با موفقیت ذخیره شدند.", icon="✅")
st.balloons()
with tab2:
st.markdown("### آپلود فایل اکسل")
- # Create a file uploader
- uploaded_file = st.file_uploader("فایل اکسل خود را آپلود کنید", type=["xlsx", "xls", "csv"])
+ uploaded_file = st.file_uploader(
+ "فایل اکسل یا CSV خود را آپلود کنید",
+ type=["xlsx", "xls", "csv"],
+ help="فایل دادههای مزارع را آپلود کنید"
+ )
if uploaded_file is not None:
try:
- # Read the file
if uploaded_file.name.endswith('.csv'):
df = pd.read_csv(uploaded_file)
else:
df = pd.read_excel(uploaded_file)
-
- # Display the data
st.dataframe(df, use_container_width=True)
- # Save button
- if st.button("ذخیره فایل", type="primary"):
- # This would normally save to a database
- # For demo purposes, we'll just show a success message
- st.success("فایل با موفقیت ذخیره شد.")
+ if st.button("ذخیره فایل", type="primary", use_container_width=True, help="فایل را ذخیره کنید"):
+ st.session_state.heights_df = pd.concat([st.session_state.heights_df, df], ignore_index=True)
+ st.success("فایل با موفقیت ذخیره شد.", icon="✅")
st.balloons()
except Exception as e:
- st.error(f"خطا در خواندن فایل: {e}")
+ st.error(f"خطا در خواندن فایل: {e}", icon="❌")
- # Add instructions
st.markdown("### راهنمای فرمت فایل")
st.markdown("""
- فایل اکسل باید شامل ستونهای زیر باشد:
+ فایل اکسل یا CSV باید شامل ستونهای زیر باشد:
- - مزرعه
- - ایستگاه 1 تا 5
- - چاهک 1 و 2
- - رطوبت غلاف
- - نیتروژن
+ - Farm_ID
+ - Station1 تا Station5
+ - Well1 و Well2
+ - CurrentMoisture (رطوبت)
+ - CurrentNitrogen
میتوانید از [این فایل نمونه](https://example.com/sample.xlsx) به عنوان الگو استفاده کنید.
- """)
+ """, unsafe_allow_html=True)
- # Add a drag and drop area
st.markdown("""
-
-
', unsafe_allow_html=True)
# Data Analysis Page
elif selected == "تحلیل دادهها":
- st.markdown("## تحلیل هوشمند دادهها")
+ st.markdown('', unsafe_allow_html=True)
+ st.markdown("## تحلیل هوشمند دادهها", unsafe_allow_html=True)
- # Add a lottie animation
col1, col2 = st.columns([1, 2])
with col1:
- st_lottie(lottie_analysis, height=200, key="analysis_animation")
+ st_lottie(lottie_analysis, height=250, key="analysis_animation", speed=1.2)
with col2:
st.markdown("""
-
+
""", unsafe_allow_html=True)
- # Create tabs for different analyses
tab1, tab2, tab3, tab4 = st.tabs(["تحلیل رشد", "مقایسه واریتهها", "تحلیل رطوبت", "پیشبینی"])
with tab1:
st.markdown("### تحلیل رشد مزارع")
- # Create filters
col1, col2 = st.columns(2)
with col1:
selected_variety = st.selectbox(
"انتخاب واریته",
- ["all"] + list(farm_df['واریته'].unique()),
+ ["all"] + list(farm_df['Variety'].unique()),
format_func=lambda x: "همه واریتهها" if x == "all" else x,
- key="growth_variety"
+ key="growth_variety",
+ help="واریته موردنظر را برای تحلیل رشد انتخاب کنید"
)
with col2:
selected_age = st.selectbox(
"انتخاب سن",
- ["all"] + list(farm_df['سن'].unique()),
+ ["all"] + list(farm_df['Age'].unique()),
format_func=lambda x: "همه سنین" if x == "all" else x,
- key="growth_age"
+ key="growth_age",
+ help="سن موردنظر را برای تحلیل رشد انتخاب کنید"
)
- # Generate mock growth data
- growth_data = generate_mock_growth_data(farm_df, selected_variety, selected_age)
+ growth_data = generate_real_growth_data(selected_variety, selected_age)
- # Create a growth chart
if growth_data['individual']:
- # Prepare data for chart
chart_data = []
for farm_data in growth_data['individual']:
for i, week in enumerate(farm_data['weeks']):
@@ -1502,7 +1523,6 @@ elif selected == "تحلیل دادهها":
chart_df = pd.DataFrame(chart_data)
- # Create a line chart with Altair
chart = alt.Chart(chart_df).mark_line(point=True).encode(
x=alt.X('Week:Q', title='هفته'),
y=alt.Y('Height:Q', title='ارتفاع (سانتیمتر)'),
@@ -1510,32 +1530,30 @@ elif selected == "تحلیل دادهها":
tooltip=['Farm', 'Week', 'Height', 'Variety', 'Age']
).properties(
width='container',
- height=400,
+ height=450,
title='روند رشد مزارع بر اساس هفته'
).interactive()
st.altair_chart(chart, use_container_width=True)
- # Add a growth rate analysis
st.markdown("### تحلیل نرخ رشد")
- # Calculate growth rates
growth_rates = []
for farm_data in growth_data['individual']:
heights = farm_data['heights']
for i in range(1, len(heights)):
- growth_rate = heights[i] - heights[i-1]
- growth_rates.append({
- 'Farm': farm_data['farm_id'],
- 'Week': farm_data['weeks'][i],
- 'Growth Rate': growth_rate,
- 'Variety': farm_data['variety'],
- 'Age': farm_data['age']
- })
+ if heights[i] > 0 and heights[i-1] > 0:
+ growth_rate = heights[i] - heights[i-1]
+ growth_rates.append({
+ 'Farm': farm_data['farm_id'],
+ 'Week': farm_data['weeks'][i],
+ 'Growth Rate': growth_rate,
+ 'Variety': farm_data['variety'],
+ 'Age': farm_data['age']
+ })
growth_rate_df = pd.DataFrame(growth_rates)
- # Create a bar chart for growth rates
chart = alt.Chart(growth_rate_df).mark_bar().encode(
x=alt.X('Week:O', title='هفته'),
y=alt.Y('mean(Growth Rate):Q', title='نرخ رشد (سانتیمتر در هفته)'),
@@ -1543,73 +1561,62 @@ elif selected == "تحلیل دادهها":
tooltip=['Farm', 'Week', 'mean(Growth Rate)']
).properties(
width='container',
- height=400,
+ height=450,
title='نرخ رشد هفتگی مزارع'
).interactive()
st.altair_chart(chart, use_container_width=True)
else:
- st.warning("دادهای برای نمایش وجود ندارد.")
+ st.warning("دادهای برای نمایش وجود ندارد.", icon="⚠️")
with tab2:
st.markdown("### مقایسه واریتهها")
- # Group farms by variety and age
- variety_age_groups = farm_df.groupby(['واریته', 'سن']).size().reset_index(name='تعداد')
+ variety_age_groups = farm_df.groupby(['Variety', 'Age']).size().reset_index(name='Count')
- # Create a heatmap
fig = px.density_heatmap(
variety_age_groups,
- x='واریته',
- y='سن',
- z='تعداد',
+ x='Variety',
+ y='Age',
+ z='Count',
title='توزیع مزارع بر اساس واریته و سن',
color_continuous_scale='Viridis'
)
-
fig.update_layout(
- font=dict(family="Vazirmatn"),
+ font=dict(family="Vazirmatn", size=14),
template="plotly_white",
xaxis_title="واریته",
- yaxis_title="سن"
+ yaxis_title="سن",
+ plot_bgcolor='#f5faff',
+ paper_bgcolor='#f5faff',
+ height=450
)
+ st.plotly_chart(fig, use_container_width=True, config={'displayModeBar': False})
- st.plotly_chart(fig, use_container_width=True)
-
- # Generate mock variety comparison data
- varieties = farm_df['واریته'].unique()
+ variety_heights = farm_df.groupby('Variety')['CurrentHeight'].apply(list).to_dict()
- # Generate random heights for each variety
- variety_heights = {variety: np.random.normal(150, 20, 100) for variety in varieties}
-
- # Create a box plot
fig = go.Figure()
-
- for variety in varieties:
+ for variety, heights in variety_heights.items():
fig.add_trace(go.Box(
- y=variety_heights[variety],
+ y=heights,
name=variety,
boxpoints='outliers',
marker_color=f'hsl({hash(variety) % 360}, 70%, 50%)'
))
-
fig.update_layout(
title='مقایسه ارتفاع بر اساس واریته',
yaxis_title='ارتفاع (سانتیمتر)',
- font=dict(family="Vazirmatn"),
+ font=dict(family="Vazirmatn", size=14),
template="plotly_white",
- boxmode='group'
+ boxmode='group',
+ plot_bgcolor='#f5faff',
+ paper_bgcolor='#f5faff',
+ height=450
)
+ st.plotly_chart(fig, use_container_width=True, config={'displayModeBar': False})
- st.plotly_chart(fig, use_container_width=True)
-
- # Add a statistical comparison
- st.markdown("### مقایسه آماری واریتهها")
-
- # Calculate statistics for each variety
variety_stats = {}
- for variety in varieties:
- heights = variety_heights[variety]
+ for variety, heights in variety_heights.items():
variety_stats[variety] = {
'میانگین': np.mean(heights),
'میانه': np.median(heights),
@@ -1617,26 +1624,22 @@ elif selected == "تحلیل دادهها":
'حداقل': np.min(heights),
'حداکثر': np.max(heights)
}
-
- # Create a dataframe
variety_stats_df = pd.DataFrame(variety_stats).T
-
- # Display the statistics
st.dataframe(variety_stats_df, use_container_width=True)
with tab3:
st.markdown("### تحلیل رطوبت مزارع")
- # Generate mock moisture data
- farms = farm_df['مزرعه'].unique()[:10] # Get 10 farms
+ farms = farm_df['Farm_ID'].unique()[:10]
dates = pd.date_range(end=datetime.now(), periods=30, freq='D')
moisture_data = []
for farm in farms:
- base_moisture = np.random.uniform(50, 80)
+ farm_data = farm_df[farm_df['Farm_ID'] == farm]
for date in dates:
- moisture = base_moisture + np.random.normal(0, 5)
- moisture = max(0, min(100, moisture)) # Clip to 0-100
+ week_data = farm_data[farm_data['Week'] == (date.isocalendar()[1] % 23 + 1)]
+ moisture = week_data['CurrentMoisture'].mean() if not week_data.empty else np.random.uniform(50, 80)
+ moisture = max(0, min(100, moisture))
moisture_data.append({
'Farm': farm,
'Date': date,
@@ -1645,7 +1648,6 @@ elif selected == "تحلیل دادهها":
moisture_df = pd.DataFrame(moisture_data)
- # Create a line chart
fig = px.line(
moisture_df,
x='Date',
@@ -1654,34 +1656,30 @@ elif selected == "تحلیل دادهها":
title='روند رطوبت مزارع در 30 روز گذشته',
labels={'Date': 'تاریخ', 'Moisture': 'رطوبت (%)', 'Farm': 'مزرعه'}
)
-
fig.update_layout(
- font=dict(family="Vazirmatn"),
+ font=dict(family="Vazirmatn", size=14),
template="plotly_white",
- hovermode="x unified"
+ hovermode="x unified",
+ plot_bgcolor='#f5faff',
+ paper_bgcolor='#f5faff',
+ height=450
)
+ st.plotly_chart(fig, use_container_width=True, config={'displayModeBar': False})
- st.plotly_chart(fig, use_container_width=True)
-
- # Add a correlation analysis
st.markdown("### همبستگی رطوبت و ارتفاع")
- # Generate mock correlation data
correlation_data = []
for farm in farms:
- for _ in range(20): # 20 data points per farm
- moisture = np.random.uniform(40, 90)
- # Height is correlated with moisture with some noise
- height = 100 + moisture * 1.5 + np.random.normal(0, 20)
+ farm_data = farm_df[farm_df['Farm_ID'] == farm]
+ for _, row in farm_data.iterrows():
correlation_data.append({
'Farm': farm,
- 'Moisture': moisture,
- 'Height': height
+ 'Moisture': row['CurrentMoisture'],
+ 'Height': row['CurrentHeight']
})
correlation_df = pd.DataFrame(correlation_data)
- # Create a scatter plot
fig = px.scatter(
correlation_df,
x='Moisture',
@@ -1691,770 +1689,199 @@ elif selected == "تحلیل دادهها":
labels={'Moisture': 'رطوبت (%)', 'Height': 'ارتفاع (سانتیمتر)', 'Farm': 'مزرعه'},
trendline='ols'
)
-
fig.update_layout(
- font=dict(family="Vazirmatn"),
- template="plotly_white"
+ font=dict(family="Vazirmatn", size=14),
+ template="plotly_white",
+ plot_bgcolor='#f5faff',
+ paper_bgcolor='#f5faff',
+ height=450
)
+ st.plotly_chart(fig, use_container_width=True, config={'displayModeBar': False})
- st.plotly_chart(fig, use_container_width=True)
-
- # Calculate correlation coefficient
correlation = correlation_df['Moisture'].corr(correlation_df['Height'])
-
- st.info(f"ضریب همبستگی بین رطوبت و ارتفاع: {correlation:.2f}")
+ st.info(f"ضریب همبستگی بین رطوبت و ارتفاع: {correlation:.2f}", icon="ℹ️")
with tab4:
st.markdown("### پیشبینی رشد مزارع")
- # Create a farm selector
selected_farm_for_prediction = st.selectbox(
"انتخاب مزرعه",
- options=farm_df['مزرعه'].tolist(),
- format_func=lambda x: f"مزرعه {x}"
+ options=farm_df['Farm_ID'].tolist(),
+ format_func=lambda x: f"مزرعه {x}",
+ help="مزرعه موردنظر را برای پیشبینی رشد انتخاب کنید"
)
- # Generate mock historical data
- weeks = list(range(1, 16)) # Historical data for weeks 1-15
- heights = [50 + i * 10 + np.random.normal(0, 5) for i in range(len(weeks))]
-
- # Create a dataframe
- historical_df = pd.DataFrame({
- 'Week': weeks,
- 'Height': heights
- })
-
- # Predict future weeks (16-22)
- future_weeks = list(range(16, 23))
-
- # Linear regression for prediction
- from sklearn.linear_model import LinearRegression
-
- model = LinearRegression()
- model.fit(np.array(weeks).reshape(-1, 1), heights)
-
- future_heights = model.predict(np.array(future_weeks).reshape(-1, 1))
-
- # Add prediction intervals
- lower_bound = future_heights - 15
- upper_bound = future_heights + 15
-
- # Create a dataframe for future predictions
- future_df = pd.DataFrame({
- 'Week': future_weeks,
- 'Height': future_heights,
- 'Lower': lower_bound,
- 'Upper': upper_bound
- })
+ farm_data = farm_df[farm_df['Farm_ID'] == selected_farm_for_prediction]
+ historical_weeks = farm_data['Week'].values
+ historical_heights = farm_data['CurrentHeight'].values
- # Create a combined chart
- fig = go.Figure()
-
- # Historical data
- fig.add_trace(go.Scatter(
- x=historical_df['Week'],
- y=historical_df['Height'],
- mode='lines+markers',
- name='دادههای تاریخی',
- line=dict(color='#1a8754', width=3),
- marker=dict(size=8, color='#1a8754')
- ))
-
- # Predicted data
- fig.add_trace(go.Scatter(
- x=future_df['Week'],
- y=future_df['Height'],
- mode='lines+markers',
- name='پیشبینی',
- line=dict(color='#ff9800', width=3, dash='dash'),
- marker=dict(size=8, color='#ff9800')
- ))
-
- # Prediction interval
- fig.add_trace(go.Scatter(
- x=future_df['Week'].tolist() + future_df['Week'].tolist()[::-1],
- y=future_df['Upper'].tolist() + future_df['Lower'].tolist()[::-1],
- fill='toself',
- fillcolor='rgba(255, 152, 0, 0.2)',
- line=dict(color='rgba(255, 152, 0, 0)'),
- hoverinfo='skip',
- showlegend=False
- ))
-
- fig.update_layout(
- title=f'پیشبینی رشد مزرعه {selected_farm_for_prediction}',
- xaxis_title='هفته',
- yaxis_title='ارتفاع (سانتیمتر)',
- font=dict(family='Vazirmatn', size=14),
- hovermode='x unified',
- template='plotly_white',
- height=500,
- legend=dict(
- orientation="h",
- yanchor="bottom",
- y=1.02,
- xanchor="right",
- x=1
- )
- )
-
- # Add vertical line to separate historical and predicted data
- fig.add_vline(x=15.5, line_width=1, line_dash="dash", line_color="gray")
-
- st.plotly_chart(fig, use_container_width=True)
-
- # Add prediction details
- st.markdown("### جزئیات پیشبینی")
-
- col1, col2 = st.columns(2)
-
- with col1:
- st.metric(
- label="ارتفاع فعلی",
- value=f"{heights[-1]:.1f} cm",
- delta=f"{heights[-1] - heights[-2]:.1f} cm"
- )
-
- with col2:
- st.metric(
- label="ارتفاع پیشبینی شده (هفته 22)",
- value=f"{future_heights[-1]:.1f} cm",
- delta=f"{future_heights[-1] - heights[-1]:.1f} cm"
+ if len(historical_weeks) > 1 and len(historical_heights) > 1:
+ model = LinearRegression()
+ model.fit(historical_weeks.reshape(-1, 1), historical_heights)
+
+ future_weeks = np.array(range(max(historical_weeks) + 1, 30)).reshape(-1, 1)
+ future_heights = model.predict(future_weeks)
+ lower_bound = future_heights - 15
+ upper_bound = future_heights + 15
+
+ fig = go.Figure()
+ fig.add_trace(go.Scatter(
+ x=historical_weeks,
+ y=historical_heights,
+ mode='lines+markers',
+ name='دادههای تاریخی',
+ line=dict(color='#2ecc71', width=4),
+ marker=dict(size=10, color='#2ecc71')
+ ))
+ fig.add_trace(go.Scatter(
+ x=future_weeks.flatten(),
+ y=future_heights,
+ mode='lines',
+ name='پیشبینی',
+ line=dict(color='#3498db', width=3, dash='dash')
+ ))
+ fig.add_trace(go.Scatter(
+ x=future_weeks.flatten(),
+ y=lower_bound,
+ mode='lines',
+ name='حد پایین',
+ line=dict(color='#e74c3c', width=2, dash='dot'),
+ showlegend=True
+ ))
+ fig.add_trace(go.Scatter(
+ x=future_weeks.flatten(),
+ y=upper_bound,
+ mode='lines',
+ name='حد بالا',
+ line=dict(color='#e74c3c', width=2, dash='dot'),
+ fill='tonexty',
+ showlegend=True
+ ))
+ fig.update_layout(
+ title=f'پیشبینی رشد مزرعه {selected_farm_for_prediction}',
+ xaxis_title='هفته',
+ yaxis_title='ارتفاع (سانتیمتر)',
+ font=dict(family='Vazirmatn', size=16),
+ hovermode='x unified',
+ template='plotly_white',
+ height=500,
+ plot_bgcolor='#f5faff',
+ paper_bgcolor='#f5faff'
)
-
- # Add a prediction table
- prediction_table = pd.DataFrame({
- 'هفته': future_weeks,
- 'ارتفاع پیشبینی شده': [f"{h:.1f}" for h in future_heights],
- 'حد پایین': [f"{l:.1f}" for l in lower_bound],
- 'حد بالا': [f"{u:.1f}" for u in upper_bound]
- })
-
- st.dataframe(prediction_table, use_container_width=True, hide_index=True)
-
- # Add factors affecting growth
- st.markdown("### عوامل مؤثر بر رشد")
-
- # Create a radar chart for factors
- factors = ['رطوبت', 'نیتروژن', 'دما', 'آبیاری', 'نور']
- factor_values = [85, 70, 60, 90, 75]
-
- fig = go.Figure()
-
- fig.add_trace(go.Scatterpolar(
- r=factor_values,
- theta=factors,
- fill='toself',
- name='عوامل مؤثر',
- line_color='#1a8754'
- ))
-
- fig.update_layout(
- polar=dict(
- radialaxis=dict(
- visible=True,
- range=[0, 100]
- )
- ),
- showlegend=False,
- font=dict(family='Vazirmatn'),
- height=400
- )
-
- st.plotly_chart(fig, use_container_width=True)
+ st.plotly_chart(fig, use_container_width=True, config={'displayModeBar': False})
+ else:
+ st.warning("دادههای کافی برای پیشبینی وجود ندارد.", icon="⚠️")
+ st.markdown('
', unsafe_allow_html=True)
-# Reporting Page
+# Report Generation Page
elif selected == "گزارشگیری":
- st.markdown("## گزارشگیری پیشرفته")
-
- # Add a lottie animation
- col1, col2 = st.columns([1, 2])
-
- with col1:
- st_lottie(lottie_report, height=200, key="report_animation")
-
- with col2:
- st.markdown("""
- تحلیل پیشرفته دادههای مزارع
در این بخش میتوانید تحلیلهای پیشرفته روی دادههای مزارع انجام دهید و روندها و الگوهای مختلف را بررسی کنید.
-
- """, unsafe_allow_html=True)
-
- # Create date range selector
- col1, col2 = st.columns(2)
-
- with col1:
- start_date = st.date_input(
- "تاریخ شروع",
- value=datetime.now() - timedelta(days=30),
- format="YYYY-MM-DD"
- )
-
- with col2:
- end_date = st.date_input(
- "تاریخ پایان",
- value=datetime.now(),
- format="YYYY-MM-DD"
- )
+ st.markdown('گزارشگیری پیشرفته
-در این بخش میتوانید گزارشهای مختلف از وضعیت مزارع تهیه کنید و آنها را به صورت PDF یا Excel دانلود کنید.
-', unsafe_allow_html=True)
+ st.markdown("## گزارشگیری", unsafe_allow_html=True)
- # Create report type selector
- report_type = st.selectbox(
- "نوع گزارش",
- options=["گزارش کلی", "گزارش رشد", "گزارش رطوبت", "گزارش مقایسهای واریتهها"]
+ report_week = st.selectbox(
+ "انتخاب هفته برای گزارش",
+ options=[str(i) for i in range(1, 23)],
+ help="هفته موردنظر را برای گزارش انتخاب کنید"
+ )
+ report_day = st.selectbox(
+ "انتخاب روز برای گزارش",
+ options=day_df['Day'].unique().tolist(),
+ help="روز موردنظر را برای گزارش انتخاب کنید"
)
- # Generate report button
- if st.button("تولید گزارش", type="primary", use_container_width=True):
- with st.spinner('در حال تولید گزارش...'):
- time.sleep(2) # Simulate report generation
-
- # Display report based on type
- if report_type == "گزارش کلی":
- st.markdown("### گزارش کلی وضعیت مزارع")
-
- # Summary metrics
- col1, col2, col3, col4 = st.columns(4)
-
- with col1:
- st.metric("تعداد کل مزارع", len(farm_df))
-
- with col2:
- st.metric("میانگین ارتفاع", f"{np.random.uniform(150, 200):.1f} cm")
-
- with col3:
- st.metric("میانگین رطوبت", f"{np.random.uniform(60, 80):.1f}%")
-
- with col4:
- st.metric("میانگین نیتروژن", f"{np.random.uniform(40, 60):.1f}%")
-
- # Farm distribution chart
- farm_counts = farm_df['اداره'].value_counts()
- fig = px.pie(
- values=farm_counts.values,
- names=farm_counts.index,
- title='توزیع مزارع بر اساس اداره',
- color_discrete_sequence=px.colors.sequential.Greens_r
- )
- fig.update_traces(textposition='inside', textinfo='percent+label')
- fig.update_layout(font=dict(family="Vazirmatn"))
- st.plotly_chart(fig, use_container_width=True)
-
- # Growth trend
- weeks = list(range(1, 23))
- heights = [100 + i * 5 + np.random.normal(0, 10) for i in range(len(weeks))]
-
- fig = px.line(
- x=weeks,
- y=heights,
- title='روند رشد کلی مزارع',
- labels={'x': 'هفته', 'y': 'ارتفاع (سانتیمتر)'}
- )
- fig.update_layout(font=dict(family="Vazirmatn"))
- st.plotly_chart(fig, use_container_width=True)
-
- # Top 5 farms table
- top_farms = pd.DataFrame({
- 'مزرعه': ['مزرعه ' + str(i) for i in range(1, 6)],
- 'ارتفاع': [round(np.random.uniform(180, 220), 1) for _ in range(5)],
- 'رطوبت': [round(np.random.uniform(60, 80), 1) for _ in range(5)],
- 'نیتروژن': [round(np.random.uniform(40, 60), 1) for _ in range(5)]
- })
-
- st.markdown("### 5 مزرعه برتر")
- st.dataframe(top_farms, use_container_width=True, hide_index=True)
-
- elif report_type == "گزارش رشد":
- st.markdown("### گزارش رشد مزارع")
-
- # Growth metrics
- col1, col2, col3 = st.columns(3)
-
- with col1:
- st.metric("میانگین رشد هفتگی", f"{np.random.uniform(10, 15):.1f} cm")
-
- with col2:
- st.metric("حداکثر رشد هفتگی", f"{np.random.uniform(20, 25):.1f} cm")
-
- with col3:
- st.metric("حداقل رشد هفتگی", f"{np.random.uniform(5, 10):.1f} cm")
-
- # Growth trend for multiple farms
- weeks = list(range(1, 23))
- farms = ['مزرعه 1', 'مزرعه 2', 'مزرعه 3', 'مزرعه 4', 'مزرعه 5']
-
- fig = go.Figure()
-
- for farm in farms:
- heights = [100 + i * 5 + np.random.normal(0, 10) for i in range(len(weeks))]
- fig.add_trace(go.Scatter(
- x=weeks,
- y=heights,
- mode='lines+markers',
- name=farm
- ))
-
- fig.update_layout(
- title='روند رشد مزارع',
- xaxis_title='هفته',
- yaxis_title='ارتفاع (سانتیمتر)',
- font=dict(family="Vazirmatn"),
- legend_title='مزرعه',
- hovermode="x unified"
- )
-
- st.plotly_chart(fig, use_container_width=True)
-
- # Growth rate distribution
- growth_rates = np.random.normal(12, 3, 1000)
-
- fig = px.histogram(
- x=growth_rates,
- nbins=30,
- title='توزیع نرخ رشد هفتگی',
- labels={'x': 'نرخ رشد (س��نتیمتر در هفته)', 'y': 'فراوانی'},
- color_discrete_sequence=['#1a8754']
- )
- fig.update_layout(font=dict(family="Vazirmatn"))
- st.plotly_chart(fig, use_container_width=True)
-
- # Factors affecting growth
- st.markdown("### عوامل مؤثر بر رشد")
-
- factors = ['رطوبت', 'نیتروژن', 'دما', 'آبیاری', 'نور']
- correlations = [0.8, 0.7, 0.5, 0.9, 0.6]
-
- fig = px.bar(
- x=factors,
- y=correlations,
- title='همبستگی عوامل مختلف با نرخ رشد',
- labels={'x': 'عامل', 'y': 'ضریب همبستگی'},
- color=correlations,
- color_continuous_scale='Viridis'
- )
- fig.update_layout(font=dict(family="Vazirmatn"))
- st.plotly_chart(fig, use_container_width=True)
-
- elif report_type == "گزارش رطوبت":
- st.markdown("### گزارش رطوبت مزارع")
-
- # Moisture metrics
- col1, col2, col3 = st.columns(3)
-
- with col1:
- st.metric("میانگین رطوبت", f"{np.random.uniform(60, 70):.1f}%")
-
- with col2:
- st.metric("حداکثر رطوبت", f"{np.random.uniform(80, 90):.1f}%")
-
- with col3:
- st.metric("حداقل رطوبت", f"{np.random.uniform(40, 50):.1f}%")
-
- # Moisture trend
- dates = pd.date_range(start=start_date, end=end_date)
- moisture_levels = [np.random.uniform(50, 80) for _ in range(len(dates))]
-
- fig = px.line(
- x=dates,
- y=moisture_levels,
- title='روند رطوبت مزارع',
- labels={'x': 'تاریخ', 'y': 'رطوبت (%)'}
- )
- fig.update_layout(font=dict(family="Vazirmatn"))
- st.plotly_chart(fig, use_container_width=True)
-
- # Moisture distribution
- fig = px.histogram(
- x=moisture_levels,
- nbins=30,
- title='توزیع رطوبت مزارع',
- labels={'x': 'رطوبت (%)', 'y': 'فراوانی'},
- color_discrete_sequence=['#1a8754']
- )
- fig.update_layout(font=dict(family="Vazirmatn"))
- st.plotly_chart(fig, use_container_width=True)
-
- # Moisture vs Growth scatter plot
- growth_levels = [h + np.random.normal(0, 10) for h in moisture_levels]
-
- fig = px.scatter(
- x=moisture_levels,
- y=growth_levels,
- title='رابطه بین رطوبت و رشد',
- labels={'x': 'رطوبت (%)', 'y': 'رشد (سانتیمتر)'},
- trendline='ols'
- )
- fig.update_layout(font=dict(family="Vazirmatn"))
- st.plotly_chart(fig, use_container_width=True)
-
- # Moisture recommendations
- st.markdown("### توصیههای مدیریت رطوبت")
-
- recommendations = [
- "افزایش دفعات آبیاری در مزارع با رطوبت پایین",
- "بهبود سیستم زهکشی در مزارع با رطوبت بالا",
- "استفاده از مالچ برای حفظ رطوبت خاک",
- "تنظیم زمان آبیاری بر اساس شرایط آب و هوایی",
- "پایش مداوم رطوبت خاک با استفاده از سنسورها"
- ]
-
- for rec in recommendations:
- st.markdown(f"- {rec}")
-
- elif report_type == "گزارش مقایسهای واریتهها":
- st.markdown("### گزارش مقایسهای واریتههای نیشکر")
-
- # Generate mock data for varieties
- varieties = ['CP57-614', 'CP69-1062', 'CP73-21', 'SP70-1143', 'IRC99-02']
- heights = [np.random.uniform(180, 220) for _ in varieties]
- sugar_contents = [np.random.uniform(12, 16) for _ in varieties]
- growth_rates = [np.random.uniform(10, 15) for _ in varieties]
-
- # Variety comparison chart
- fig = go.Figure(data=[
- go.Bar(name='ارتفاع (cm)', x=varieties, y=heights),
- go.Bar(name='محتوای قند (%)', x=varieties, y=sugar_contents),
- go.Bar(name='رشد (cm/هفته)', x=varieties, y=growth_rates)
- ])
-
- fig.update_layout(
- title='مقایسه واریتههای نیشکر',
- xaxis_title='واریته',
- yaxis_title='مقدار',
- barmode='group',
- font=dict(family="Vazirmatn")
- )
-
- st.plotly_chart(fig, use_container_width=True)
-
- # Variety performance table
- variety_data = pd.DataFrame({
- 'واریته': varieties,
- 'ارتفاع (cm)': [round(h, 1) for h in heights],
- 'محتوای قند (%)': [round(s, 1) for s in sugar_contents],
- ' رشد(cm/هفته)': [round(g, 1) for g in growth_rates],
- 'مقاومت به آفات': [np.random.choice(['کم', 'متوسط', 'زیاد']) for _ in varieties],
- 'نیاز آبی': [np.random.choice(['کم', 'متوسط', 'زیاد']) for _ in varieties]
- })
-
- st.dataframe(variety_data, use_container_width=True, hide_index=True)
-
- # Radar chart for variety comparison
- categories = ['ارتفاع', 'محتوای قند', 'رشد', 'مقاومت به آفات', 'بهرهوری آب']
-
- fig = go.Figure()
-
- for variety in varieties:
- values = [
- heights[varieties.index(variety)] / max(heights) * 100,
- sugar_contents[varieties.index(variety)] / max(sugar_contents) * 100,
- growth_rates[varieties.index(variety)] / max(growth_rates) * 100,
- np.random.uniform(60, 100),
- np.random.uniform(60, 100)
- ]
-
- fig.add_trace(go.Scatterpolar(
- r=values,
- theta=categories,
- fill='toself',
- name=variety
- ))
-
- fig.update_layout(
- polar=dict(
- radialaxis=dict(
- visible=True,
- range=[0, 100]
- )
- ),
- title='مقایسه واریتهها',
- font=dict(family="Vazirmatn"),
- showlegend=True
- )
-
- st.plotly_chart(fig, use_container_width=True)
-
- # Variety recommendations
- st.markdown("### توصیههای کشت واریتهها")
-
- recommendations = [
- f"واریته {np.random.choice(varieties)} برای مناطق با آب و هوای گرم و مرطوب مناسبتر است.",
- f"برای افزایش عملکرد تولید شکر، کشت واریته {np.random.choice(varieties)} توصیه میشود.",
- f"در مناطق با محدودیت آب، استفاده از واریته {np.random.choice(varieties)} به دلیل نیاز آبی کمتر مناسب است.",
- f"برای مقاومت بهتر در برابر آفات، واریته {np.random.choice(varieties)} پیشنهاد میشود.",
- "تنوع در کشت واریتهها میتواند به کاهش ریسکهای مرتبط با آفات و بیماریها کمک کند."
- ]
-
- for rec in recommendations:
- st.markdown(f"- {rec}")
-
- # Add download buttons
- col1, col2 = st.columns(2)
-
- with col1:
- st.download_button(
- label="دانلود گزارش (PDF)",
- data=b"This is a mock PDF report", # This would be the actual PDF content
- file_name="farm_report.pdf",
- mime="application/pdf",
- )
-
- with col2:
- st.download_button(
- label="دانلود دادهها (Excel)",
- data=b"This is a mock Excel file", # This would be the actual Excel content
- file_name="farm_data.xlsx",
- mime="application/vnd.openxmlformats-officedocument.spreadsheetml.sheet",
- )
+ report_df = st.session_state.heights_df[
+ (st.session_state.heights_df['Week'] == int(report_week)) &
+ (st.session_state.heights_df['Farm_ID'].isin(day_df[day_df['Day'] == report_day]['Farm_ID']))
+ ]
+
+ if not report_df.empty:
+ st.markdown(f"### گزارش هفته {report_week} - روز {report_day}")
+ st.dataframe(report_df, use_container_width=True)
+
+ csv = report_df.to_csv(index=False).encode('utf-8')
+ st.download_button(
+ label="دانلود گزارش (CSV)",
+ data=csv,
+ file_name=f"report_week_{report_week}_day_{report_day}.csv",
+ mime="text/csv",
+ key="download_report",
+ help="گزارش را به صورت فایل CSV دانلود کنید"
+ )
+
+ st_lottie(lottie_report, height=250, key="report_animation", speed=1.2)
+ else:
+ st.warning(f"دادهای برای هفته {report_week} و روز {report_day} یافت نشد.", icon="⚠️")
+ st.markdown('
', unsafe_allow_html=True)
# Settings Page
elif selected == "تنظیمات":
- st.markdown("## تنظیمات سیستم")
+ st.markdown('', unsafe_allow_html=True)
+ st.markdown("## تنظیمات سامانه", unsafe_allow_html=True)
- # Create tabs for different settings
- tab1, tab2, tab3, tab4 = st.tabs(["تنظیمات کاربری", "تنظیمات سیستم", "مدیریت دادهها", "پشتیبانگیری"])
+ st.markdown("""
+
', unsafe_allow_html=True)
-# Add a footer
+# Footer
st.markdown("""
-
+
+ """, unsafe_allow_html=True)
- with tab1:
- st.markdown("### تنظیمات کاربری")
-
- # User profile
- st.markdown("#### پروفایل کاربری")
-
- col1, col2 = st.columns(2)
-
- with col1:
- user_name = st.text_input("نام کاربری", value="کاربر نمونه")
-
- with col2:
- user_email = st.text_input("ایمیل", value="user@example.com")
-
- user_role = st.selectbox(
- "نقش کاربری",
- options=["مدیریت مطالعات", "پرسنل", "اپراتور"],
- index=1
- )
-
- # Password change
- st.markdown("#### تغییر رمز عبور")
-
- col1, col2 = st.columns(2)
-
- with col1:
- current_password = st.text_input("رمز عبور فعلی", type="password")
-
- with col2:
- new_password = st.text_input("رمز عبور جدید", type="password")
-
- confirm_password = st.text_input("تکرار رمز عبور جدید", type="password")
-
- if st.button("تغییر رمز عبور", type="primary"):
- # This would normally check the current password and update with the new one
- st.success("رمز عبور با موفقیت تغییر کرد.")
-
- # Notification settings
- st.markdown("#### تنظیمات اعلانها")
-
- email_notifications = st.checkbox("دریافت اعلانها از طریق ایمیل", value=True)
- sms_notifications = st.checkbox("دریافت اعلانها از طریق پیامک", value=False)
-
- notification_frequency = st.radio(
- "تناوب دریافت اعلانها",
- options=["روزانه", "هفتگی", "ماهانه"],
- index=1
- )
+ st.markdown("### بهروزرسانی دادهها")
- with tab2:
- st.markdown("### تنظیمات سیستم")
-
- # System language
- system_language = st.selectbox(
- "زبان سیستم",
- options=["فارسی", "English", "العربية"],
- index=0
- )
-
- # Date format
- date_format = st.selectbox(
- "فرمت تاریخ",
- options=["YYYY/MM/DD", "DD/MM/YYYY", "MM/DD/YYYY"],
- index=0
- )
-
- # Theme settings
- st.markdown("#### تنظیمات ظاهری")
-
- theme = st.radio(
- "تم",
- options=["روشن", "تیره", "سیستم"],
- index=2
- )
-
- primary_color = st.color_picker("رنگ اصلی", value="#1a8754")
-
- # Map settings
- st.markdown("#### تنظیمات نقشه")
-
- default_map_view = st.selectbox(
- "نمای پیشفرض نقشه",
- options=["نقشه", "ماهواره", "ترکیبی"],
- index=0
- )
-
- default_map_layer = st.selectbox(
- "لایه پیشفرض نقشه",
- options=["NDVI", "NDMI", "EVI", "NDWI"],
- index=0
- )
-
- # AI model settings
- st.markdown("#### تنظیمات مدل هوش مصنوعی")
-
- ai_model = st.selectbox(
- "مدل هوش مصنوعی",
- options=["GPT-3", "GPT-4", "BERT"],
- index=1
- )
-
- model_update_frequency = st.selectbox(
- "تناوب بهروزرسانی مدل",
- options=["روزانه", "هفتگی", "ماهانه"],
- index=1
- )
-
- # Save settings button
- if st.button("ذخیره تنظیمات", type="primary"):
- st.success("تنظیمات با موفقیت ذخیره شدند.")
+ if st.button("بارگذاری مجدد دادهها", type="primary", use_container_width=True, help="دادهها را دوباره بارگذاری کنید"):
+ st.session_state.heights_df = load_farm_data()
+ st.success("دادهها با موفقیت بهروزرسانی شدند.", icon="✅")
- with tab3:
- st.markdown("### مدیریت دادهها")
-
- # Data import
- st.markdown("#### ورود داده")
-
- uploaded_file = st.file_uploader("آپلود فایل داده", type=["csv", "xlsx"])
-
- if uploaded_file is not None:
- st.success(f"فایل {uploaded_file.name} با موفقیت آپلود شد.")
-
- if st.button("وارد کردن دادهها"):
- # This would normally process and import the data
- st.info("در حال پردازش و وارد کردن دادهها...")
- time.sleep(2)
- st.success("دادهها با موفقیت وارد شدند.")
-
- # Data export
- st.markdown("#### خروجی داده")
-
- export_format = st.selectbox(
- "فرمت خروجی",
- options=["CSV", "Excel", "JSON"],
- index=1
- )
-
- if st.button("دریافت خروجی"):
- # This would normally generate and provide the export file
- st.info("در حال آمادهسازی فایل خروجی...")
- time.sleep(2)
- st.success("فایل خروجی آماده دانلود است.")
- st.download_button(
- label="دانلود فایل خروجی",
- data=b"This is a mock export file", # This would be the actual file content
- file_name=f"farm_data_export.{export_format.lower()}",
- mime="application/octet-stream",
- )
-
- # Data cleanup
- st.markdown("#### پاکسازی دادهها")
-
- cleanup_options = st.multiselect(
- "گزینههای پاکسازی",
- options=["حذف دادههای تکراری", "حذف دادههای ناقص", "نرمالسازی دادهها"],
- default=["حذف دادههای تکراری"]
- )
-
- if st.button("اجرای پاکسازی"):
- # This would normally perform the selected cleanup operations
- st.info("در حال اجرای عملیات پاکسازی...")
- time.sleep(2)
- st.success("عملیات پاکسازی با موفقیت انجام شد.")
-
- # Data visualization settings
- st.markdown("#### تنظیمات نمایش داده")
-
- chart_theme = st.selectbox(
- "تم نمودارها",
- options=["پیشفرض", "روشن", "تیره", "رنگی"],
- index=0
- )
-
- show_data_labels = st.checkbox("نمایش برچسبهای داده", value=True)
-
- if st.button("اعمال تنظیمات نمایش"):
- st.success("تنظیمات نمایش داده با موفقیت اعمال شدند.")
+ st.markdown("### تنظیمات ظاهری")
- with tab4:
- st.markdown("### پشتیبانگیری و بازیابی")
-
- # Backup creation
- st.markdown("#### ایجاد نسخه پشتیبان")
-
- backup_type = st.radio(
- "نوع پشتیبانگیری",
- options=["پشتیبان کامل", "پشتیبان افزایشی"],
- index=0
- )
-
- include_images = st.checkbox("شامل تصاویر", value=True)
- include_user_data = st.checkbox("شامل دادههای کاربران", value=True)
-
- if st.button("ایجاد نسخه پشتیبان", type="primary"):
- # This would normally create a backup
- st.info("در حال ایجاد نسخه پشتیبان...")
- progress_bar = st.progress(0)
- for i in range(100):
- time.sleep(0.05)
- progress_bar.progress(i + 1)
- st.success("نسخه پشتیبان با موفقیت ایجاد شد.")
-
- # Backup restoration
- st.markdown("#### بازیاب�� از نسخه پشتیبان")
-
- backup_file = st.file_uploader("آپلود فایل پشتیبان", type=["zip", "bak"])
-
- if backup_file is not None:
- st.warning("هشدار: بازیابی از نسخه پشتیبان ممکن است دادههای فعلی را بازنویسی کند.")
- if st.button("شروع بازیابی"):
- # This would normally restore from the backup
- st.info("در حال بازیابی از نسخه پشتیبان...")
- progress_bar = st.progress(0)
- for i in range(100):
- time.sleep(0.05)
- progress_bar.progress(i + 1)
- st.success("بازیابی از نسخه پشتیبان با موفقیت انجام شد.")
-
- # Automatic backup settings
- st.markdown("#### تنظیمات پشتیبانگیری خودکار")
-
- auto_backup = st.checkbox("فعالسازی پشتیبانگیری خودکار", value=True)
-
- if auto_backup:
- backup_frequency = st.selectbox(
- "تناوب پشتیبانگیری",
- options=["روزانه", "هفتگی", "ماهانه"],
- index=1
- )
-
- backup_time = st.time_input("زمان پشتیبانگیری", value=datetime.now().replace(hour=1, minute=0, second=0, microsecond=0))
-
- retain_backups = st.number_input("تعداد نسخههای پشتیبان برای نگهداری", min_value=1, value=7)
-
- # Save backup settings
- if st.button("ذخیره تنظیمات پشتیبانگیری"):
- st.success("تنظیمات پشتیبانگیری با موفقیت ذخیره شدند.")
+ theme = st.radio(
+ "انتخاب تم",
+ options=["سبز براق (پیشفرض)", "آبی کریستالی", "طلایی کلاسیک"],
+ format_func=lambda x: x,
+ help="تم موردنظر را برای رابط کاربری انتخاب کنید"
+ )
+
+ if theme == "آبی کریستالی":
+ st.markdown("""
+
+ """, unsafe_allow_html=True)
+ elif theme == "طلایی کلاسیک":
+ st.markdown("""
+
+ """, unsafe_allow_html=True)
+
+ st.markdown("### اطلاعات تماس")
+ st.markdown("""
+ تنظیمات پیشرفته
+در این بخش میتوانید تنظیمات کلی سامانه، از جمله بهروزرسانی دادهها و پیکربندیهای ظاهری را مدیریت کنید.
+
+
+ """, unsafe_allow_html=True)
+ st.markdown('برای پشتیبانی یا مشکلات فنی، با ما تماس بگیرید:
+ایمیل: support@dehkhoda.com
+تلفن: +98 21 12345678
+