Update app.py

app.py

@@ -1,125 +1,1701 @@
 import streamlit as st
-import folium
-from streamlit_folium import folium_static
-import ee
 import pandas as pd
-import altair as alt
-from concurrent.futures import ThreadPoolExecutor
 import numpy as np
-
-# احراز هویت Google Earth Engine
-service_account = 'dehkhodamap-e9f0da4ce9f6514021@ee-esmaeilkiani13877.iam.gserviceaccount.com'
-credentials = ee.ServiceAccountCredentials(service_account, 'ee-esmaeilkiani13877-cfdea6eaf411.json')
-ee.Initialize(credentials)
-
-# بارگذاری داده‌ها
-farms_data = pd.read_csv('farm_coordinates.csv')
-local_data = pd.read_csv('پایگاه داده (1).csv')
-
-# تابع دریافت NDVI
+import plotly.express as px
+import plotly.graph_objects as go
+from datetime import datetime, timedelta
+import calendar
+from PIL import Image
+import base64
+import io
+# تنظیمات صفحه
+st.set_page_config(
+    page_title="سامانه پایش مزارع نیشکر دهخدا",
+    page_icon="🌱",
+    layout="wide",
+    initial_sidebar_state="expanded"
+)
+# CSS برای فارسی‌سازی و بهبود ظاهر
+st.markdown("""
+<style>
+    @font-face {
+        font-family: 'IRANSans';
+        src: url('https://cdn.jsdelivr.net/gh/rastikerdar/[email protected]/dist/Sahel-FD.ttf') format('truetype');
+    }
+    
+    * {
+        font-family: 'IRANSans', 'Sahel', sans-serif !important;
+    }
+    
+    .main {
+        direction: rtl;
+        text-align: right;
+    }
+    
+    .stButton button {
+        background-color: #1e6b45;
+        color: white;
+        border-radius: 8px;
+        padding: 10px 24px;
+        transition: all 0.3s;
+    }
+    
+    .stButton button:hover {
+        background-color: #2a8c5c;
+        transform: translateY(-2px);
+        box-shadow: 0 4px 6px rgba(0,0,0,0.1);
+    }
+    
+    h1, h2, h3 {
+        color: #1e6b45;
+    }
+    
+    .card {
+        background-color: #f8f9fa;
+        border-radius: 10px;
+        padding: 20px;
+        box-shadow: 0 4px 6px rgba(0,0,0,0.1);
+        margin-bottom: 20px;
+    }
+    
+    .status-good {
+        background-color: rgba(0, 200, 83, 0.2);
+        color: #00694b;
+        padding: 5px 10px;
+        border-radius: 5px;
+        font-weight: bold;
+    }
+    
+    .status-medium {
+        background-color: rgba(255, 214, 0, 0.2);
+        color: #b7940a;
+        padding: 5px 10px;
+        border-radius: 5px;
+        font-weight: bold;
+    }
+    
+    .status-bad {
+        background-color: rgba(255, 61, 0, 0.2);
+        color: #c62828;
+        padding: 5px 10px;
+        border-radius: 5px;
+        font-weight: bold;
+    }
+    
+    .metric-card {
+        padding: 20px;
+        border-radius: 10px;
+        text-align: center;
+        box-shadow: 0 4px 6px rgba(0,0,0,0.1);
+        transition: transform 0.3s;
+    }
+    
+    .metric-card:hover {
+        transform: translateY(-5px);
+    }
+    
+    .metric-green {
+        background-color: rgba(0, 200, 83, 0.2);
+        border-left: 5px solid #00c853;
+    }
+    
+    .metric-yellow {
+        background-color: rgba(255, 214, 0, 0.2);
+        border-left: 5px solid #ffd600;
+    }
+    
+    .metric-red {
+        background-color: rgba(255, 61, 0, 0.2);
+        border-left: 5px solid #ff3d00;
+    }
+    
+    .metric-blue {
+        background-color: rgba(33, 150, 243, 0.2);
+        border-left: 5px solid #2196f3;
+    }
+    
+    .stTabs [data-baseweb="tab-list"] {
+        gap: 10px;
+    }
+    
+    .stTabs [data-baseweb="tab"] {
+        background-color: #f0f2f6;
+        border-radius: 8px 8px 0px 0px;
+        padding: 10px 20px;
+        margin-top: 5px;
+    }
+    
+    .stTabs [aria-selected="true"] {
+        background-color: #1e6b45 !important;
+        color: white !important;
+    }
+</style>
+""", unsafe_allow_html=True)
+# نمونه داده
 @st.cache_data
-def get_ndvi_image(farm_id, date):
-    farm = farms_data[farms_data['Farm_ID'] == farm_id]
-    geometry = ee.Geometry.Point([farm['Longitude'].values[0], farm['Latitude'].values[0]]).buffer(100)
-    date_range = ee.Date(date).advance(-3, 'day'), ee.Date(date).advance(3, 'day')
-    collection = ee.ImageCollection('COPERNICUS/S2') \
-        .filterDate(date_range[0], date_range[1]) \
-        .filterBounds(geometry) \
-        .select(['B4', 'B8']) \
-        .reduce(ee.Reducer.mean())
-    ndvi = collection.normalizedDifference(['B8_mean', 'B4_mean']).rename('NDVI')
-    return ndvi.clip(geometry)
-
-# تابع نمایش نقشه
-def show_ndvi_map(farm_id, date):
-    ndvi_image = get_ndvi_image(farm_id, date)
-    map_center = [farms_data[farms_data['Farm_ID'] == farm_id]['Latitude'].values[0],
-                  farms_data[farms_data['Farm_ID'] == farm_id]['Longitude'].values[0]]
-    map = folium.Map(location=map_center, zoom_start=15)
-    ndvi_vis = {'min': 0, 'max': 1, 'palette': ['red', 'yellow', 'green']}
-    map.add_child(folium.GeoJson(ndvi_image.geometry(), name='Farm Boundary'))
-    map.add_ee_layer(ndvi_image, ndvi_vis, 'NDVI')
-    folium.LayerControl().add_to(map)
-    return map
-
-# تابع تحلیل هفتگی
-def weekly_analysis(farm_id):
-    dates = pd.date_range(end='2023-12-24', periods=5, freq='7D')
-    ndvi_values = []
-    height_values = []
-    for date in dates:
-        ndvi_image = get_ndvi_image(farm_id, date)
-        ndvi_value = ndvi_image.reduceRegion(reducer=ee.Reducer.mean(), geometry=ndvi_image.geometry(), scale=10).get('NDVI').getInfo()
-        ndvi_values.append(ndvi_value if ndvi_value else 0)
-        local = local_data[(local_data['Farm_ID'] == farm_id) & (local_data['Date'] == str(date.date()))]
-        height = local['Average_Height'].mean() if not local.empty else 0
-        height_values.append(height)
-    
-    df = pd.DataFrame({'Date': dates, 'NDVI': ndvi_values, 'Height': height_values})
-    df['NDVI_Change'] = df['NDVI'].diff()
-    warnings = df[df['NDVI'] < 0.3].copy()
-    suggestions = ["بررسی سیستم آبیاری" if h < df['Height'].mean() else "استفاده از کود" for h in warnings['Height']]
-    warnings['Suggestions'] = suggestions
-    return df, warnings
-
-# تابع نمودار رشد
-def growth_chart(farm_id):
-    df, _ = weekly_analysis(farm_id)
-    ndvi_chart = alt.Chart(df).mark_line().encode(
-        x='Date:T', y='NDVI:Q', tooltip=['Date', 'NDVI']
-    ).properties(title='رشد NDVI هفتگی').interactive()
-    height_chart = alt.Chart(df).mark_line(color='green').encode(
-        x='Date:T', y='Height:Q', tooltip=['Date', 'Height']
-    ).properties(title='رشد ارتفاع هفتگی').interactive()
-    return ndvi_chart, height_chart
-
-# رابط کاربری Streamlit
-st.title("پایش مزارع نیشکر")
-
-# سایدبار
-st.sidebar.title("تنظیمات")
-farm_id = st.sidebar.selectbox("انتخاب مزرعه", farms_data['Farm_ID'].astype(str) + " - " + farms_data['Farm_Name'])
-farm_id = int(farm_id.split(" - ")[0])  # استخراج Farm_ID
-date = st.sidebar.date_input("انتخاب تاریخ")
-
-# تب‌ها
-tabs = st.tabs(["نقشه NDVI", "تحلیل هفتگی", "نمودار رشد", "ورود داده‌های محلی"])
-
-# تب نقشه NDVI
-with tabs[0]:
-    if st.button("نمایش نقشه"):
-        with st.spinner("در حال بارگذاری نقشه..."):
-            map = show_ndvi_map(farm_id, date)
-            folium_static(map)
-            st.write(f"وضعیت هواشناسی: ⛅ 18°C")  # مثال ساده
-
-# تب تحلیل هفتگی
-with tabs[1]:
-    if st.button("نمایش تحلیل هفتگی"):
-        df, warnings = weekly_analysis(farm_id)
-        st.write("تغییرات NDVI و ارتفاع:")
-        st.dataframe(df)
-        if not warnings.empty:
-            st.error("هشدارها:")
-            for _, row in warnings.iterrows():
-                st.write(f"تاریخ: {row['Date'].date()} - NDVI: {row['NDVI']:.2f} - پیشنهاد: {row['Suggestions']}")
-
-# تب نمودار رشد
-with tabs[2]:
-    if st.button("نمایش نمودار"):
-        ndvi_chart, height_chart = growth_chart(farm_id)
-        st.altair_chart(ndvi_chart, use_container_width=True)
-        st.altair_chart(height_chart, use_container_width=True)
-
-# تب ورود داده‌های محلی
-with tabs[3]:
-    day = st.selectbox("انتخاب روز", ["شنبه", "یکشنبه", "دوشنبه", "سه‌شنبه", "چهارشنبه", "پنج‌شنبه"])
-    cols = st.columns(5)
-    stations = [cols[i].number_input(f"ایستگاه {i+1}", min_value=0.0) for i in range(5)]
-    groundwater = [st.number_input(f"چاهک {i+1}", min_value=0.0) for i in range(2)]
-    moisture = st.number_input("رطوبت غلاف", min_value=0.0)
-    nitrogen = st.number_input("نیتروژن", min_value=0.0)
-    avg_height = np.mean(stations) if stations else 0
-    st.write(f"میانگین ارتفاع: {avg_height:.2f}")
-    if st.button("ذخیره داده‌ها"):
-        st.success("داده‌ها ذخیره شدند!")
+def generate_sample_data():
+    # ایجاد داده‌های مزارع
+    farm_data = {
+        'Farm_ID': [f'{i:02d}-{j:02d}' for i in range(1, 5) for j in range(20, 30)],
+        'Farm_Name': [f'مزرعه {i:02d}-{j:02d}' for i in range(1, 5) for j in range(20, 30)],
+        'Channel_ID': [f'کانال {(i-1)*10 + j%10 + 1}' for i in range(1, 5) for j in range(20, 30)],
+        'Administration_ID': [i for i in range(1, 5) for _ in range(10)],
+        'Administration_Name': [f'اداره {i}' for i in range(1, 5) for _ in range(10)],
+        'Production_Section': [1 if i <= 2 else 2 for i in range(1, 5) for _ in range(10)],
+        'Area': [np.random.randint(50, 200) for _ in range(40)],
+        'Variety': [np.random.choice(['CP69', 'CP73']) for _ in range(40)],
+        'Crop_Age': [np.random.randint(1, 5) for _ in range(40)]
+    }
+    
+    farms_df = pd.DataFrame(farm_data)
+    
+    # ایجاد داده‌های ارتفاع
+    height_data = []
+    today = datetime.now()
+    
+    # 5 هفته اخیر
+    for week in range(1, 6):
+        date = today - timedelta(days=(5-week)*7)
+        for farm_id in farms_df['Farm_ID']:
+            # مقادیر ایستگاه
+            stations = [np.random.randint(150, 220) for _ in range(5)]
+            # میانگین ارتفاع
+            avg_height = int(np.mean(stations))
+            
+            # آب زیرزمینی
+            groundwater = [np.random.randint(50, 100) for _ in range(2)]
+            
+            # رطوبت غلاف و نیتروژن
+            sheath_moisture = np.random.randint(60, 90)
+            nitrogen = np.random.randint(20, 40)
+            
+            height_data.append({
+                'Measurement_ID': f"{farm_id}-W{week}",
+                'Farm_ID': farm_id,
+                'Week': week,
+                'Measurement_Date': date.strftime('%Y-%m-%d'),
+                'Height': avg_height,
+                'Station1': stations[0],
+                'Station2': stations[1],
+                'Station3': stations[2],
+                'Station4': stations[3],
+                'Station5': stations[4],
+                'Groundwater1': groundwater[0],
+                'Groundwater2': groundwater[1],
+                'Sheath_Moisture': sheath_moisture,
+                'Nitrogen': nitrogen
+            })
+    
+    heights_df = pd.DataFrame(height_data)
+    
+    # ایجاد داده‌های گزارش هفتگی
+    weekly_report_data = []
+    
+    for farm_id in farms_df['Farm_ID']:
+        farm_heights = heights_df[heights_df['Farm_ID'] == farm_id].sort_values('Week')
+        
+        for week in range(1, 6):
+            current_week_data = farm_heights[farm_heights['Week'] == week]
+            if current_week_data.empty:
+                continue
+                
+            current_height = current_week_data['Height'].values[0]
+            
+            # محاسبه تغییر رشد نسبت به هفته قبل
+            if week > 1:
+                prev_week_data = farm_heights[farm_heights['Week'] == week-1]
+                if not prev_week_data.empty:
+                    prev_height = prev_week_data['Height'].values[0]
+                    growth_change = current_height - prev_height
+                else:
+                    growth_change = 0
+            else:
+                growth_change = 0
+            
+            # محاسبه متوسط ارتفاع تمام مزارع در این هفته
+            all_farms_this_week = heights_df[heights_df['Week'] == week]
+            avg_height_all_farms = all_farms_this_week['Height'].mean()
+            
+            # تعیین وضعیت بر اساس مقایسه با میانگین
+            if current_height > avg_height_all_farms + 5:
+                growth_status = 'خوب'
+            elif current_height < avg_height_all_farms - 5:
+                growth_status = 'ضعیف'
+            else:
+                growth_status = 'متوسط'
+                
+            weekly_report_data.append({
+                'Report_ID': f"{farm_id}-R{week}",
+                'Farm_ID': farm_id,
+                'Week': week,
+                'Average_Height': current_height,
+                'Growth_Change': growth_change,
+                'Growth_Status': growth_status,
+                'Regional_Average': int(avg_height_all_farms)
+            })
+    
+    weekly_report_df = pd.DataFrame(weekly_report_data)
+    
+    return farms_df, heights_df, weekly_report_df
+# دریافت داده‌ها
+farms_df, heights_df, weekly_report_df = generate_sample_data()
+# ترکیب داده‌ها برای استفاده راحت‌تر
+report_with_details = pd.merge(weekly_report_df, farms_df, on='Farm_ID')
+latest_week = heights_df['Week'].max()
+latest_reports = report_with_details[report_with_details['Week'] == latest_week]
+# مدیریت وضعیت برنامه
+if 'selected_tab' not in st.session_state:
+    st.session_state.selected_tab = "داشبورد"
+    
+if 'selected_day' not in st.session_state:
+    st.session_state.selected_day = "شنبه"
+# منوی کناری
+with st.sidebar:
+    st.image("https://via.placeholder.com/150x150.png?text=لوگو", width=150)
+    st.title("سامانه پایش مزارع نیشکر")
+    st.subheader("شرکت کشت و صنعت نیشکر دهخدا")
+    
+    menu = st.selectbox(
+        "انتخاب صفحه",
+        ["داشبورد", "ورود اطلاعات", "گزارش‌گیری", "تحلیل داده‌ها", "تنظیمات"]
+    )
+    
+    st.session_state.selected_tab = menu
+    
+    st.markdown("---")
+    st.markdown("### راهنمای وضعیت رشد")
+    
+    col1, col2 = st.columns(2)
+    with col1:
+        st.markdown('<div class="status-good">خوب</div>', unsafe_allow_html=True)
+        st.markdown('<div class="status-medium">متوسط</div>', unsafe_allow_html=True)
+        st.markdown('<div class="status-bad">ضعیف</div>', unsafe_allow_html=True)
+    
+    with col2:
+        st.write("بالاتر از میانگین")
+        st.write("نزدیک به میانگین")
+        st.write("پایین‌تر از میانگین")
+    
+    st.markdown("---")
+    st.info("نسخه آزمایشی 1.0")
+# بخش داشبورد
+if st.session_state.selected_tab == "داشبورد":
+    st.title("داشبورد پایش مزارع نیشکر")
+    
+    # خلاصه وضعیت
+    st.subheader("وضعیت کلی مزارع")
+    
+    # شمارش وضعیت‌های مختلف
+    status_counts = latest_reports['Growth_Status'].value_counts()
+    good_count = status_counts.get('خوب', 0)
+    medium_count = status_counts.get('متوسط', 0)
+    bad_count = status_counts.get('ضعیف', 0)
+    
+    col1, col2, col3, col4 = st.columns(4)
+    
+    with col1:
+        st.markdown('<div class="metric-card metric-green">'
+                   f'<h2>{good_count}</h2>'
+                   '<p>مزارع با وضعیت خوب</p>'
+                   '</div>', unsafe_allow_html=True)
+                   
+    with col2:
+        st.markdown('<div class="metric-card metric-yellow">'
+                   f'<h2>{medium_count}</h2>'
+                   '<p>مزارع با وضعیت متوسط</p>'
+                   '</div>', unsafe_allow_html=True)
+    
+    with col3:
+        st.markdown('<div class="metric-card metric-red">'
+                   f'<h2>{bad_count}</h2>'
+                   '<p>مزارع با وضعیت ضعیف</p>'
+                   '</div>', unsafe_allow_html=True)
+    
+    with col4:
+        avg_height = int(latest_reports['Average_Height'].mean())
+        st.markdown('<div class="metric-card metric-blue">'
+                   f'<h2>{avg_height} سانتی‌متر</h2>'
+                   '<p>میانگین ارتفاع هفته جاری</p>'
+                   '</div>', unsafe_allow_html=True)
+    
+    st.markdown("---")
+    
+    # نمودارها و گراف‌ها
+    col1, col2 = st.columns(2)
+    
+    with col1:
+        st.subheader("میانگین ارتفاع به تفکیک اداره")
+        
+        admin_heights = latest_reports.groupby('Administration_Name')['Average_Height'].mean().reset_index()
+        admin_heights['Average_Height'] = admin_heights['Average_Height'].astype(int)
+        
+        fig = px.bar(
+            admin_heights,
+            x='Administration_Name',
+            y='Average_Height',
+            color='Average_Height',
+            color_continuous_scale=[(0, "red"), (0.5, "yellow"), (1, "green")],
+            labels={'Administration_Name': 'اداره', 'Average_Height': 'میانگین ارتفاع (سانتی‌متر)'}
+        )
+        
+        fig.update_layout(
+            height=400,
+            xaxis_title="اداره",
+            yaxis_title="میانگین ارتفاع (سانتی‌متر)",
+            font=dict(family="IRANSans"),
+            plot_bgcolor='rgba(0,0,0,0)'
+        )
+        
+        st.plotly_chart(fig, use_container_width=True)
+    
+    with col2:
+        st.subheader("مقایسه واریته‌ها")
+        
+        variety_heights = latest_reports.groupby('Variety')['Average_Height'].mean().reset_index()
+        variety_heights['Average_Height'] = variety_heights['Average_Height'].astype(int)
+        
+        fig = px.bar(
+            variety_heights,
+            x='Variety',
+            y='Average_Height',
+            color='Variety',
+            color_discrete_sequence=["#00c853", "#2196f3"],
+            labels={'Variety': 'واریته', 'Average_Height': 'میانگین ارتفاع (سانتی‌متر)'}
+        )
+        
+        fig.update_layout(
+            height=400,
+            xaxis_title="واریته",
+            yaxis_title="میانگین ارتفاع (سانتی‌متر)",
+            font=dict(family="IRANSans"),
+            plot_bgcolor='rgba(0,0,0,0)'
+        )
+        
+        st.plotly_chart(fig, use_container_width=True)
+    
+    # روند ارتفاع هفتگی
+    st.subheader("روند میانگین ارتفاع هفتگی")
+    
+    weekly_avg = report_with_details.groupby('Week')['Average_Height'].mean().reset_index()
+    weekly_avg['Average_Height'] = weekly_avg['Average_Height'].astype(int)
+    
+    fig = px.line(
+        weekly_avg,
+        x='Week',
+        y='Average_Height',
+        markers=True,
+        line_shape='spline',
+        labels={'Week': 'هفته', 'Average_Height': 'میانگین ارتفاع (سانتی‌متر)'}
+    )
+    
+    fig.update_traces(line=dict(width=3, color="#1e6b45"), marker=dict(size=10))
+    
+    fig.update_layout(
+        height=400,
+        xaxis_title="هفته",
+        yaxis_title="میانگین ارتفاع (سانتی‌متر)",
+        font=dict(family="IRANSans"),
+        plot_bgcolor='rgba(0,0,0,0)'
+    )
+    
+    st.plotly_chart(fig, use_container_width=True)
+    
+    # مزارع با بیشترین و کمترین رشد
+    st.markdown("---")
+    st.subheader("مزارع با بیشترین و کمترین رشد")
+    
+    col1, col2 = st.columns(2)
+    
+    # مزارع با بیشترین رشد
+    with col1:
+        st.markdown("#### بیشترین رشد هفتگی")
+        top_growth = report_with_details[report_with_details['Week'] == latest_week].sort_values('Growth_Change', ascending=False).head(5)
+        
+        for _, row in top_growth.iterrows():
+            growth_color = "green" if row['Growth_Change'] > 0 else "red"
+            st.markdown(f"""
+            <div style="border: 1px solid #eee; padding: 10px; border-radius: 5px; margin-bottom: 10px;">
+                <h4 style="margin: 0;">{row['Farm_Name']} (اداره {row['Administration_ID']})</h4>
+                <p style="margin: 5px 0;">ارتفاع: {row['Average_Height']} سانتی‌متر</p>
+                <p style="color: {growth_color}; font-weight: bold; margin: 0;">
+                    تغییر: {'+' if row['Growth_Change'] > 0 else ''}{row['Growth_Change']} سانتی‌متر
+                </p>
+            </div>
+            """, unsafe_allow_html=True)
+    
+    # مزارع با کمترین رشد
+    with col2:
+        st.markdown("#### کمترین رشد هفتگی")
+        bottom_growth = report_with_details[report_with_details['Week'] == latest_week].sort_values('Growth_Change').head(5)
+        
+        for _, row in bottom_growth.iterrows():
+            growth_color = "green" if row['Growth_Change'] > 0 else "red"
+            st.markdown(f"""
+            <div style="border: 1px solid #eee; padding: 10px; border-radius: 5px; margin-bottom: 10px;">
+                <h4 style="margin: 0;">{row['Farm_Name']} (اداره {row['Administration_ID']})</h4>
+                <p style="margin: 5px 0;">ارتفاع: {row['Average_Height']} سانتی‌متر</p>
+                <p style="color: {growth_color}; font-weight: bold; margin: 0;">
+                    تغییر: {'+' if row['Growth_Change'] > 0 else ''}{row['Growth_Change']} سانتی‌متر
+                </p>
+            </div>
+            """, unsafe_allow_html=True)
+    
+    # نقشه مزارع
+    st.markdown("---")
+    st.subheader("نقشه وضعیت مزارع")
+    st.markdown("(این نقشه به صورت نمادین نشان داده شده است. در نسخه عملیاتی با اطلاعات جغرافیایی دقیق پیاده‌سازی می‌شود.)")
+    
+    # ایجاد نقشه نمادین با plotly
+    farm_status = latest_reports[['Farm_ID', 'Farm_Name', 'Administration_ID', 'Growth_Status']]
+    
+    # ایجاد مختصات فرضی برای مزارع
+    np.random.seed(42)  # برای تکرارپذیری
+    x_coords = np.random.uniform(0, 10, len(farm_status))
+    y_coords = np.random.uniform(0, 10, len(farm_status))
+    
+    farm_status['x'] = x_coords
+    farm_status['y'] = y_coords
+    
+    # تعیین رنگ بر اساس وضعیت
+    color_map = {
+        'خوب': '#00c853',
+        'متوسط': '#ffd600',
+        'ضعیف': '#ff3d00'
+    }
+    
+    farm_status['color'] = farm_status['Growth_Status'].map(color_map)
+    
+    fig = go.Figure()
+    
+    for status in ['خوب', 'متوسط', 'ضعیف']:
+        subset = farm_status[farm_status['Growth_Status'] == status]
+        
+        fig.add_trace(go.Scatter(
+            x=subset['x'],
+            y=subset['y'],
+            mode='markers',
+            marker=dict(
+                size=15,
+                color=color_map[status],
+                line=dict(width=1, color='white')
+            ),
+            text=subset['Farm_Name'] + '<br>اداره ' + subset['Administration_ID'].astype(str),
+            hoverinfo='text',
+            name=status
+        ))
+    
+    fig.update_layout(
+        height=500,
+        plot_bgcolor='rgba(240, 240, 240, 0.8)',
+        font=dict(family="IRANSans"),
+        showlegend=True,
+        xaxis=dict(showgrid=False, zeroline=False, showticklabels=False),
+        yaxis=dict(showgrid=False, zeroline=False, showticklabels=False)
+    )
+    
+    st.plotly_chart(fig, use_container_width=True)
+# بخش ورود اطلاعات
+elif st.session_state.selected_tab == "ورود اطلاعات":
+    st.title("ورود اطلاعات روزانه")
+    
+    # انتخاب روز هفته
+    days_of_week = ["شنبه", "یکشنبه", "دوشنبه", "سه‌شنبه", "چهارشنبه", "پنجشنبه"]
+    selected_day = st.selectbox("انتخاب روز", days_of_week, index=days_of_week.index(st.session_state.selected_day))
+    st.session_state.selected_day = selected_day
+    
+    # انتخاب اداره
+    selected_admin = st.selectbox("انتخاب اداره", sorted(farms_df['Administration_ID'].unique()))
+    
+    # فیلتر مزارع براساس اداره انتخاب شده
+    filtered_farms = farms_df[farms_df['Administration_ID'] == selected_admin]
+    
+    st.subheader(f"ورود داده‌های روز {selected_day} - اداره {selected_admin}")
+    
+    # ایجاد ستون‌های جدول
+    cols = st.columns((3, 1, 1, 1, 1, 1, 1, 1, 1, 1))
+    fields = ['مزرعه', 'ایستگاه 1', 'ایستگاه 2', 'ایستگاه 3', 'ایستگاه 4', 'ایستگاه 5', 'چاهک 1', 'چاهک 2', 'رطوبت غلاف', 'نیتروژن']
+    
+    # عنوان ستون‌ها
+    for col, field_name in zip(cols, fields):
+        col.markdown(f"**{field_name}**")
+    
+    # ایجاد حقول ورودی برای هر مزرعه
+    farm_data = {}
+    
+    for _, farm in filtered_farms.iterrows():
+        farm_id = farm['Farm_ID']
+        farm_name = farm['Farm_Name']
+        
+        cols = st.columns((3, 1, 1, 1, 1, 1, 1, 1, 1, 1))
+        
+        cols[0].write(farm_name)
+        
+        station_values = []
+        
+        # ایستگاه‌های ارتفاع
+        for i in range(1, 6):
+            key = f"{farm_id}_station_{i}_{selected_day}"
+            value = cols[i].number_input("", min_value=0, max_value=300, step=1, key=key, label_visibility="collapsed")
+            station_values.append(value)
+        
+        # چاهک‌های آب
+        for i in range(1, 3):
+            key = f"{farm_id}_groundwater_{i}_{selected_day}"
+            value = cols[5+i].number_input("", min_value=0, max_value=300, step=1, key=key, label_visibility="collapsed")
+        
+        # رطوبت غلاف
+        key = f"{farm_id}_moisture_{selected_day}"
+        moisture = cols[7].number_input("", min_value=0, max_value=100, step=1, key=key, label_visibility="collapsed")
+        
+        # نیتروژن
+        key = f"{farm_id}_nitrogen_{selected_day}"
+        nitrogen = cols[8].number_input("", min_value=0, max_value=100, step=1, key=key, label_visibility="collapsed")
+        
+        # محاسبه میانگین ارتفاع
+        avg_height = 0
+        valid_stations = [s for s in station_values if s > 0]
+        if valid_stations:
+            avg_height = int(sum(valid_stations) / len(valid_stations))
+        
+        # نمایش میانگین
+        cols[9].markdown(f"<div style='text-align: center; font-weight: bold;'>{avg_height if avg_height > 0 else '-'}</div>", unsafe_allow_html=True)
+        
+        # ذخیره داده‌ها برای ثبت نهایی
+        farm_data[farm_id] = {
+            'stations': station_values,
+            'avg_height': avg_height,
+            'moisture': moisture,
+            'nitrogen': nitrogen
+        }
+    
+    # دکمه ذخیره‌سازی
+    if st.button("ذخیره اطلاعات", key="save_daily_data"):
+        st.success("اطلاعات با موفقیت ذخیره شد. در نسخه عملیاتی، این داده‌ها در پایگاه داده ذخیره می‌شوند.")
+        
+        # نمایش خلاصه داده‌های ثبت شده
+        st.subheader("خلاصه داده‌های ثبت شده:")
+        
+        summary_data = []
+        for farm_id, data in farm_data.items():
+            if data['avg_height'] > 0:  # فقط مزارعی که داده داشته‌اند
+                farm_info = filtered_farms[filtered_farms['Farm_ID'] == farm_id].iloc[0]
+                summary_data.append({
+                    'مزرعه': farm_info['Farm_Name'],
+                    'میانگین ارتفاع': data['avg_height'],
+                    'رطوبت غلاف': data['moisture'],
+                    'نیتروژن': data['nitrogen']
+                })
+        
+        if summary_data:
+            summary_df = pd.DataFrame(summary_data)
+            st.dataframe(summary_df)
+        else:
+            st.info("هیچ داده‌ای برای نمایش وجود ندارد.")
+# بخش گزارش‌گیری
+elif st.session_state.selected_tab == "گزارش‌گیری":
+    st.title("گزارش‌های هفتگی")
+    
+    # انتخاب نوع گزارش
+    report_type = st.radio(
+        "نوع گزارش",
+        ["گزارش به تفکیک مزرعه", "گزارش به تفکیک اداره", "گزارش به تفکیک کانال", "مزارع با وضعیت ضعیف"]
+    )
+    
+    st.markdown("---")
+    
+    if report_type == "گزارش به تفکیک مزرعه":
+        st.subheader("گزارش هفتگی به تفکیک مزرعه")
+        
+        # انتخاب اداره
+        selected_admin = st.selectbox("انتخاب اداره", sorted(farms_df['Administration_ID'].unique()), key="admin_select_farm_report")
+        
+        # فیلتر مزارع براساس اداره انتخاب شده
+        filtered_farms = farms_df[farms_df['Administration_ID'] == selected_admin]
+        
+        # انتخاب مزرعه
+        selected_farm_id = st.selectbox(
+            "انتخاب مزرعه",
+            filtered_farms['Farm_ID'].tolist(),
+            format_func=lambda x: filtered_farms[filtered_farms['Farm_ID'] == x]['Farm_Name'].iloc[0]
+        )
+        
+        # فیلتر داده‌های گزارش براساس مزرعه انتخاب شده
+        farm_reports = weekly_report_df[weekly_report_df['Farm_ID'] == selected_farm_id].sort_values('Week')
+        
+        if not farm_reports.empty:
+            # اطلاعات مزرعه
+            farm_info = filtered_farms[filtered_farms['Farm_ID'] == selected_farm_id].iloc[0]
+            
+            col1, col2, col3 = st.columns(3)
+            col1.metric("واریته", farm_info['Variety'])
+            col2.metric("سن کشت", f"{farm_info['Crop_Age']} سال")
+            col3.metric("مساحت", f"{farm_info['Area']} هکتار")
+            
+            st.markdown("---")
+            
+            # نمایش گراف روند رشد
+            st.subheader("روند رشد هفتگی")
+            
+            fig = go.Figure()
+            
+            # افزودن خط میانگین منطقه
+            fig.add_trace(go.Scatter(
+                x=farm_reports['Week'],
+                y=farm_reports['Regional_Average'],
+                mode='lines+markers',
+                name='میانگین منطقه',
+                line=dict(color='gray', width=2, dash='dot'),
+                marker=dict(size=8)
+            ))
+            
+            # افزودن خط ارتفاع مزرعه
+            fig.add_trace(go.Scatter(
+                x=farm_reports['Week'],
+                y=farm_reports['Average_Height'],
+                mode='lines+markers',
+                name='ارتفاع مزرعه',
+                line=dict(color='#1e6b45', width=3),
+                marker=dict(size=10)
+            ))
+            
+            fig.update_layout(
+                height=400,
+                xaxis_title="هفته",
+                yaxis_title="ارتفاع (سانتی‌متر)",
+                font=dict(family="IRANSans"),
+                plot_bgcolor='rgba(0,0,0,0)'
+            )
+            
+            st.plotly_chart(fig, use_container_width=True)
+            
+            # نمایش جدول داده‌ها
+            st.subheader("داده‌های هفتگی")
+            
+            report_table = pd.DataFrame({
+                'هفته': farm_reports['Week'],
+                'تاریخ': farm_reports['Regional_Average'].apply(lambda x: f"هفته {x}"),
+                'ارتفاع': farm_reports['Average_Height'],
+                'میانگین منطقه': farm_reports['Regional_Average'],
+                'تغییرات': farm_reports['Growth_Change'],
+                'وضعیت': farm_reports['Growth_Status']
+            })
+            
+            # تبدیل ستون وضعیت به صورت HTML با رنگ متناسب
+            def status_with_color(status):
+                colors = {'خوب': '#00c853', 'متوسط': '#ffd600', 'ضعیف': '#ff3d00'}
+                return f'<span style="color: {colors.get(status, "black")};">{status}</span>'
+            
+            report_table['وضعیت'] = report_table['وضعیت'].apply(status_with_color)
+            
+            st.markdown(report_table.to_html(escape=False, index=False), unsafe_allow_html=True)
+            
+            # توصیه‌های کارشناسی
+            st.markdown("---")
+            st.subheader("توصیه‌های کارشناسی")
+            
+            latest_report = farm_reports.iloc[-1]
+            latest_status = latest_report['Growth_Status']
+            
+            if latest_status == 'خوب':
+                st.success("وضعیت رشد مزرعه مطلوب است. ادامه برنامه فعلی توصیه می‌شود.")
+            elif latest_status == 'متوسط':
+                st.warning("وضعیت رشد مزرعه متوسط است. بررسی وضعیت آبیاری و تغذیه توصیه می‌شود.")
+            else:
+                st.error("وضعیت رشد مزرعه ضعیف است. مشکلات احتمالی:")
+                st.markdown("""
+                - بررسی سیستم آبیاری و عدم گرفتگی
+                - بررسی وضعیت تغذیه و نیاز به کود
+                - بررسی آفات و بیماری‌های احتمالی
+                - بررسی وضعیت زهکشی مزرعه
+                """)
+        else:
+            st.warning("اطلاعاتی برای این مزرعه ثبت نشده است.")
+    
+    elif report_type == "گزارش به تفکیک اداره":
+        st.subheader("گزارش هفتگی به تفکیک اداره")
+        
+        # محاسبه میانگین ارتفاع به تفکیک اداره و هفته
+        admin_weekly_avg = report_with_details.groupby(['Administration_ID', 'Administration_Name', 'Week'])['Average_Height'].mean().reset_index()
+        admin_weekly_avg['Average_Height'] = admin_weekly_avg['Average_Height'].astype(int)
+        
+        # نمودار مقایسه‌ای ادارات
+        fig = px.line(
+            admin_weekly_avg,
+            x='Week',
+            y='Average_Height',
+            color='Administration_Name',
+            markers=True,
+            labels={'Week': 'هفته', 'Average_Height': 'میانگین ارتفاع (سانتی‌متر)', 'Administration_Name': 'اداره'}
+        )
+        
+        fig.update_traces(line=dict(width=3), marker=dict(size=8))
+        
+        fig.update_layout(
+            height=500,
+            xaxis_title="هفته",
+            yaxis_title="میانگین ارتفاع (سانتی‌متر)",
+            font=dict(family="IRANSans"),
+            plot_bgcolor='rgba(0,0,0,0)'
+        )
+        
+        st.plotly_chart(fig, use_container_width=True)
+        
+        # آخرین هفته
+        latest_week_data = admin_weekly_avg[admin_weekly_avg['Week'] == latest_week]
+        
+        # جدول مقایسه آخرین هفته
+        st.subheader(f"مقایسه ادارات در هفته {latest_week}")
+        
+        comparison_table = latest_week_data[['Administration_Name', 'Average_Height']].sort_values('Average_Height', ascending=False)
+        comparison_table.columns = ['اداره', 'میانگین ارتفاع (سانتی‌متر)']
+        
+        st.table(comparison_table)
+        
+        # رتبه‌بندی ادارات
+        st.subheader("رتبه‌بندی ادارات")
+        
+        # حساب کردن میانگین رشد هر اداره
+        admin_growth = report_with_details.groupby(['Administration_ID', 'Administration_Name', 'Week'])['Growth_Change'].mean().reset_index()
+        admin_growth_latest = admin_growth[admin_growth['Week'] == latest_week].sort_values('Growth_Change', ascending=False)
+        
+        # نمایش به صورت نمودار میله‌ای
+        fig = px.bar(
+            admin_growth_latest,
+            x='Administration_Name',
+            y='Growth_Change',
+            color='Growth_Change',
+            color_continuous_scale=[(0, "red"), (0.5, "yellow"), (1, "green")],
+            labels={'Administration_Name': 'اداره', 'Growth_Change': 'میانگین تغییرات رشد (سانتی‌متر)'}
+        )
+        
+        fig.update_layout(
+            height=400,
+            xaxis_title="اداره",
+            yaxis_title="میانگین تغییرات رشد (سانتی‌متر)",
+            font=dict(family="IRANSans"),
+            plot_bgcolor='rgba(0,0,0,0)'
+        )
+        
+        st.plotly_chart(fig, use_container_width=True)
+    
+    elif report_type == "گزارش به تفکیک کانال":
+        st.subheader("گزارش هفتگی به تفکیک کانال")
+        
+        # انتخاب اداره
+        selected_admin = st.selectbox("انتخاب اداره", sorted(farms_df['Administration_ID'].unique()), key="admin_select_channel")
+        
+        # فیلتر کانال‌های اداره انتخاب شده
+        filtered_channels = farms_df[farms_df['Administration_ID'] == selected_admin]['Channel_ID'].unique()
+        
+        # محاسبه میانگین ارتفاع به تفکیک کانال و هفته
+        channel_data = pd.merge(report_with_details, farms_df[['Farm_ID', 'Channel_ID']], on='Farm_ID')
+        channel_weekly_avg = channel_data.groupby(['Channel_ID', 'Week'])['Average_Height'].mean().reset_index()
+        channel_weekly_avg['Average_Height'] = channel_weekly_avg['Average_Height'].astype(int)
+        
+        # فیلتر کانال‌های اداره انتخاب شده
+        filtered_channel_data = channel_weekly_avg[channel_weekly_avg['Channel_ID'].isin(filtered_channels)]
+        
+        # نمودار مقایسه‌ای کانال‌ها
+        fig = px.line(
+            filtered_channel_data,
+            x='Week',
+            y='Average_Height',
+            color='Channel_ID',
+            markers=True,
+            labels={'Week': 'هفته', 'Average_Height': 'میانگین ارتفاع (سانتی‌متر)', 'Channel_ID': 'کانال'}
+        )
+        
+        fig.update_traces(line=dict(width=2), marker=dict(size=6))
+        
+        fig.update_layout(
+            height=500,
+            xaxis_title="هفته",
+            yaxis_title="میانگین ارتفاع (سانتی‌متر)",
+            font=dict(family="IRANSans"),
+            plot_bgcolor='rgba(0,0,0,0)'
+        )
+        
+        st.plotly_chart(fig, use_container_width=True)
+        
+        # آخرین هفته
+        latest_channel_data = filtered_channel_data[filtered_channel_data['Week'] == latest_week]
+        
+        # جدول مقایسه آخرین هفته
+        st.subheader(f"مقایسه کانال‌ها در هفته {latest_week}")
+        
+        comparison_table = latest_channel_data[['Channel_ID', 'Average_Height']].sort_values('Average_Height', ascending=False)
+        comparison_table.columns = ['کانال', 'میانگین ارتفاع (سانتی‌متر)']
+        
+        st.table(comparison_table)
+        
+        # نمودار میله‌ای مقایسه کانال‌ها
+        fig = px.bar(
+            comparison_table,
+            x='کانال',
+            y='میانگین ارتفاع (سانتی‌متر)',
+            color='میانگین ارتفاع (سانتی‌متر)',
+            color_continuous_scale=[(0, "red"), (0.5, "yellow"), (1, "green")],
+        )
+        
+        fig.update_layout(
+            height=400,
+            xaxis_title="کانال",
+            yaxis_title="میانگین ارتفاع (سانتی‌متر)",
+            font=dict(family="IRANSans"),
+            plot_bgcolor='rgba(0,0,0,0)'
+        )
+        
+        st.plotly_chart(fig, use_container_width=True)
+    
+    elif report_type == "مزارع با وضعیت ضعیف":
+        st.subheader("گزارش مزارع با وضعیت ضعیف")
+        
+        # فیلتر مزارع با وضعیت ضعیف در آخرین هفته
+        weak_farms = report_with_details[(report_with_details['Week'] == latest_week) & 
+                                         (report_with_details['Growth_Status'] == 'ضعیف')]
+        
+        if weak_farms.empty:
+            st.success("خوشبختانه هیچ مزرعه‌ای در وضعیت ضعیف وجود ندارد.")
+        else:
+            # تعداد مزارع ضعیف به تفکیک اداره
+            weak_by_admin = weak_farms.groupby('Administration_Name').size().reset_index(name='تعداد')
+            
+            col1, col2 = st.columns(2)
+            
+            with col1:
+                # نمودار دایره‌ای توزیع مزارع ضعیف
+                fig = px.pie(
+                    weak_by_admin,
+                    values='تعداد',
+                    names='Administration_Name',
+                    title='توزیع مزارع ضعیف بین ادارات'
+                )
+                
+                fig.update_traces(textinfo='percent+label')
+                
+                fig.update_layout(
+                    height=350,
+                    font=dict(family="IRANSans"),
+                )
+                
+                st.plotly_chart(fig, use_container_width=True)
+            
+            with col2:
+                # نمودار توزیع واریته‌ها
+                weak_by_variety = weak_farms.groupby('Variety').size().reset_index(name='تعداد')
+                
+                fig = px.pie(
+                    weak_by_variety,
+                    values='تعداد',
+                    names='Variety',
+                    title='توزیع واریته‌ها در مزارع ضعیف'
+                )
+                
+                fig.update_traces(textinfo='percent+label')
+                
+                fig.update_layout(
+                    height=350,
+                    font=dict(family="IRANSans"),
+                )
+                
+                st.plotly_chart(fig, use_container_width=True)
+            
+            # جدول مزارع ضعیف
+            st.subheader("لیست مزارع با وضعیت ضعیف")
+            
+            weak_farms_table = weak_farms[['Farm_Name', 'Administration_Name', 'Channel_ID', 'Average_Height', 'Regional_Average', 'Growth_Change', 'Variety', 'Crop_Age']]
+            weak_farms_table.columns = ['نام مزرعه', 'اداره', 'کانال', 'ارتفاع فعلی', 'میانگین منطقه', 'تغییر رشد', 'واریته', 'سن کشت']
+            
+            st.dataframe(weak_farms_table.sort_values('ارتفاع فعلی'), use_container_width=True)
+            
+            # تحلیل و پیشنهادات
+            st.markdown("---")
+            st.subheader("تحلیل عوامل مؤثر")
+            
+            # مقایسه سن کشت
+            avg_age_weak = weak_farms['Crop_Age'].mean()
+            avg_age_all = farms_df['Crop_Age'].mean()
+            
+            is_age_factor = avg_age_weak > avg_age_all + 0.5
+            
+            # مقایسه واریته‌ها
+            variety_impact = weak_farms['Variety'].value_counts(normalize=True).idxmax()
+            
+            # مقایسه کانال‌ها
+            channel_counts = weak_farms['Channel_ID'].value_counts()
+            problematic_channels = channel_counts[channel_counts > 2].index.tolist()
+            
+            col1, col2 = st.columns(2)
+            
+            with col1:
+                st.markdown("#### عوامل احتمالی")
+                
+                factors = []
+                
+                if is_age_factor:
+                    factors.append("سن کشت بالا")
+                
+                if len(weak_by_variety) == 1:
+                    factors.append(f"واریته ({variety_impact})")
+                
+                if problematic_channels:
+                    channels_str = "، ".join(problematic_channels[:3])
+                    factors.append(f"کانال‌های مشکل‌دار ({channels_str})")
+                
+                if not factors:
+                    factors.append("عوامل متفرقه")
+                
+                for factor in factors:
+                    st.markdown(f"- {factor}")
+            
+            with col2:
+                st.markdown("#### اقدامات پیشنهادی")
+                
+                st.markdown("""
+                - بازدید و بررسی میدانی مزارع ضعیف
+                - بررسی وضعیت آبیاری و زهکشی
+                - بررسی نیاز کودی و تغذیه
+                - بررسی آفات و بیماری‌های احتمالی
+                - برنامه‌ریزی برای جایگزینی مزارع با سن بالا
+                """)
+# بخش تحلیل داده‌ها
+elif st.session_state.selected_tab == "تحلیل داده‌ها":
+    st.title("تحلیل پیشرفته داده‌ها")
+    
+    # انتخاب نوع تحلیل
+    analysis_type = st.selectbox(
+        "انتخاب نوع تحلیل",
+        ["تحلیل واریته‌ها", "تحلیل عوامل مؤثر بر رشد", "پیش‌بینی روند آینده", "مقایسه بخش‌های تولیدی"]
+    )
+    
+    st.markdown("---")
+    
+    if analysis_type == "تحلیل واریته‌ها":
+        st.subheader("مقایسه واریته‌های مختلف")
+        
+        # تحلیل واریته‌ها در هفته‌های مختلف
+        variety_weekly = report_with_details.groupby(['Variety', 'Week'])['Average_Height'].mean().reset_index()
+        variety_weekly['Average_Height'] = variety_weekly['Average_Height'].round().astype(int)
+        
+        # نمودار مقایسه‌ای واریته‌ها
+        fig = px.line(
+            variety_weekly,
+            x='Week',
+            y='Average_Height',
+            color='Variety',
+            markers=True,
+            labels={'Week': 'هفته', 'Average_Height': 'میانگین ارتفاع (سانتی‌متر)', 'Variety': 'واریته'}
+        )
+        
+        fig.update_traces(line=dict(width=3), marker=dict(size=10))
+        
+        fig.update_layout(
+            height=500,
+            xaxis_title="هفته",
+            yaxis_title="میانگین ارتفاع (سانتی‌متر)",
+            font=dict(family="IRANSans"),
+            plot_bgcolor='rgba(0,0,0,0)'
+        )
+        
+        st.plotly_chart(fig, use_container_width=True)
+        
+        # تحلیل رشد تجمعی واریته‌ها
+        variety_growth = report_with_details.groupby(['Variety', 'Week'])['Growth_Change'].mean().reset_index()
+        
+        # محاسبه رشد تجمعی
+        varieties = variety_growth['Variety'].unique()
+        
+        growth_data = []
+        
+        for variety in varieties:
+            variety_data = variety_growth[variety_growth['Variety'] == variety].sort_values('Week')
+            cumulative_growth = 0
+            
+            for _, row in variety_data.iterrows():
+                week = row['Week']
+                growth = row['Growth_Change']
+                cumulative_growth += growth
+                
+                growth_data.append({
+                    'Variety': variety,
+                    'Week': week,
+                    'Cumulative_Growth': cumulative_growth
+                })
+        
+        cumulative_growth_df = pd.DataFrame(growth_data)
+        
+        # نمودار رشد تجمعی
+        st.subheader("رشد تجمعی واریته‌ها")
+        
+        fig = px.line(
+            cumulative_growth_df,
+            x='Week',
+            y='Cumulative_Growth',
+            color='Variety',
+            markers=True,
+            labels={'Week': 'هفته', 'Cumulative_Growth': 'رشد تجمعی (سانتی‌متر)', 'Variety': 'واریته'}
+        )
+        
+        fig.update_traces(line=dict(width=3), marker=dict(size=10))
+        
+        fig.update_layout(
+            height=500,
+            xaxis_title="هفته",
+            yaxis_title="رشد تجمعی (سانتی‌متر)",
+            font=dict(family="IRANSans"),
+            plot_bgcolor='rgba(0,0,0,0)'
+        )
+        
+        st.plotly_chart(fig, use_container_width=True)
+        
+        # تحلیل واریته‌ها بر اساس شاخص‌های دیگر
+        st.subheader("شاخص‌های رشد به تفکیک واریته")
+        
+        # میانگین تغییر رشد هفتگی
+        avg_growth_by_variety = report_with_details.groupby('Variety')['Growth_Change'].mean().reset_index()
+        avg_growth_by_variety['Growth_Change'] = avg_growth_by_variety['Growth_Change'].round(2)
+        
+        # نسبت وضعیت‌های مختلف
+        status_by_variety = report_with_details.groupby(['Variety', 'Growth_Status']).size().unstack(fill_value=0)
+        
+        # محاسبه درصد‌ها
+        status_by_variety['Total'] = status_by_variety.sum(axis=1)
+        
+        for status in ['خوب', 'متوسط', 'ضعیف']:
+            if status in status_by_variety.columns:
+                status_by_variety[f'Percent_{status}'] = (status_by_variety[status] / status_by_variety['Total'] * 100).round(1)
+        
+        # ترکیب داده‌ها
+        variety_metrics = pd.merge(avg_growth_by_variety, status_by_variety.reset_index(), on='Variety')
+        
+        col1, col2 = st.columns(2)
+        
+        with col1:
+            st.markdown("#### میانگین تغییر رشد هفتگی")
+            
+            fig = px.bar(
+                avg_growth_by_variety,
+                x='Variety',
+                y='Growth_Change',
+                color='Growth_Change',
+                color_continuous_scale=[(0, "red"), (0.5, "yellow"), (1, "green")],
+                labels={'Variety': 'واریته', 'Growth_Change': 'میانگین تغییر هفتگی (سانتی‌متر)'}
+            )
+            
+            fig.update_layout(
+                height=350,
+                xaxis_title="واریته",
+                yaxis_title="میانگین تغییر هفتگی (سانتی‌متر)",
+                font=dict(family="IRANSans"),
+                plot_bgcolor='rgba(0,0,0,0)'
+            )
+            
+            st.plotly_chart(fig, use_container_width=True)
+        
+        with col2:
+            st.markdown("#### وضعیت رشد واریته‌ها")
+            
+            status_data = []
+            
+            for variety in varieties:
+                variety_data = status_by_variety.loc[variety]
+                
+                for status in ['خوب', 'متوسط', 'ضعیف']:
+                    if status in status_by_variety.columns:
+                        status_data.append({
+                            'Variety': variety,
+                            'Status': status,
+                            'Percent': variety_data[f'Percent_{status}'] if f'Percent_{status}' in variety_data.index else 0
+                        })
+            
+            status_df = pd.DataFrame(status_data)
+            
+            fig = px.bar(
+                status_df,
+                x='Variety',
+                y='Percent',
+                color='Status',
+                color_discrete_map={'خوب': '#00c853', 'متوسط': '#ffd600', 'ضعیف': '#ff3d00'},
+                labels={'Variety': 'واریته', 'Percent': 'درصد', 'Status': 'وضعیت'}
+            )
+            
+            fig.update_layout(
+                height=350,
+                xaxis_title="واریته",
+                yaxis_title="درصد",
+                font=dict(family="IRANSans"),
+                plot_bgcolor='rgba(0,0,0,0)',
+                barmode='stack'
+            )
+            
+            st.plotly_chart(fig, use_container_width=True)
+        
+        # تحلیل تأثیر سن کشت بر واریته‌ها
+        st.subheader("تأثیر سن کشت بر واریته‌ها")
+        
+        age_variety_height = report_with_details[report_with_details['Week'] == latest_week].groupby(['Variety', 'Crop_Age'])['Average_Height'].mean().reset_index()
+        
+        fig = px.scatter(
+            age_variety_height,
+            x='Crop_Age',
+            y='Average_Height',
+            color='Variety',
+            size='Average_Height',
+            trendline='ols',
+            labels={'Crop_Age': 'سن کشت (سال)', 'Average_Height': 'میانگین ارتفاع (سانتی‌متر)', 'Variety': 'واریته'}
+        )
+        
+        fig.update_layout(
+            height=500,
+            xaxis_title="سن کشت (سال)",
+            yaxis_title="میانگین ارتفاع (سانتی‌متر)",
+            font=dict(family="IRANSans"),
+            plot_bgcolor='rgba(0,0,0,0)'
+        )
+        
+        st.plotly_chart(fig, use_container_width=True)
+    
+    elif analysis_type == "تحلیل عوامل مؤثر بر رشد":
+        st.subheader("بررسی عوامل مؤثر بر رشد مزارع")
+        
+        # عامل سن کشت
+        st.markdown("#### تأثیر سن کشت بر ارتفاع")
+        
+        age_height = report_with_details[report_with_details['Week'] == latest_week].groupby('Crop_Age')['Average_Height'].mean().reset_index()
+        
+        fig = px.bar(
+            age_height,
+            x='Crop_Age',
+            y='Average_Height',
+            color='Average_Height',
+            color_continuous_scale=[(0, "red"), (0.5, "yellow"), (1, "green")],
+            labels={'Crop_Age': 'سن کشت (سال)', 'Average_Height': 'میانگین ارتفاع (سانتی‌متر)'}
+        )
+        
+        fig.update_layout(
+            height=400,
+            xaxis_title="سن کشت (سال)",
+            yaxis_title="میانگین ارتفاع (سانتی‌متر)",
+            font=dict(family="IRANSans"),
+            plot_bgcolor='rgba(0,0,0,0)'
+        )
+        
+        st.plotly_chart(fig, use_container_width=True)
+        
+        # تحلیل توزیع وضعیت‌ها بر اساس سن کشت
+        age_status = report_with_details[report_with_details['Week'] == latest_week].groupby(['Crop_Age', 'Growth_Status']).size().reset_index(name='Count')
+        
+        fig = px.bar(
+            age_status,
+            x='Crop_Age',
+            y='Count',
+            color='Growth_Status',
+            color_discrete_map={'خوب': '#00c853', 'متوسط': '#ffd600', 'ضعیف': '#ff3d00'},
+            labels={'Crop_Age': 'سن کشت (سال)', 'Count': 'تعداد مزارع', 'Growth_Status': 'وضعیت'}
+        )
+        
+        fig.update_layout(
+            height=400,
+            xaxis_title="سن کشت (سال)",
+            yaxis_title="تعداد مزارع",
+            font=dict(family="IRANSans"),
+            plot_bgcolor='rgba(0,0,0,0)',
+            barmode='stack'
+        )
+        
+        st.plotly_chart(fig, use_container_width=True)
+        
+        # تحلیل رابطه بین مساحت و رشد
+        st.markdown("#### تأثیر مساحت بر رشد")
+        
+        area_height = report_with_details[report_with_details['Week'] == latest_week]
+        
+        fig = px.scatter(
+            area_height,
+            x='Area',
+            y='Average_Height',
+            color='Growth_Status',
+            size='Growth_Change',
+            color_discrete_map={'خوب': '#00c853', 'متوسط': '#ffd600', 'ضعیف': '#ff3d00'},
+            labels={'Area': 'مساحت (هکتار)', 'Average_Height': 'میانگین ارتفاع (سانتی‌متر)', 'Growth_Status': 'وضعیت', 'Growth_Change': 'تغییر رشد'}
+        )
+        
+        fig.update_layout(
+            height=500,
+            xaxis_title="مساحت (هکتار)",
+            yaxis_title="میانگین ارتفاع (سانتی‌متر)",
+            font=dict(family="IRANSans"),
+            plot_bgcolor='rgba(0,0,0,0)'
+        )
+        
+        st.plotly_chart(fig, use_container_width=True)
+        
+        # تحلیل اهمیت عوامل مختلف
+        st.markdown("#### مقایسه اهمیت عوامل مختلف")
+        
+        st.info("این بخش به صورت نمادین ارائه شده است و در نسخه عملیاتی با تحلیل واقعی و الگوریتم‌های یادگیری ماشین تکمیل می‌شود.")
+        
+        factors = ['سن کشت', 'واریته', 'مساحت', 'اداره/کانال']
+        importance = [75, 60, 30, 45]
+        
+        fig = px.bar(
+            x=factors,
+            y=importance,
+            labels={'x': 'عامل', 'y': 'میزان اهمیت (درصد)'},
+            color=importance,
+            color_continuous_scale=[(0, "#2196f3"), (1, "#1e6b45")]
+        )
+        
+        fig.update_layout(
+            height=400,
+            xaxis_title="عامل مؤثر",
+            yaxis_title="میزان اهمیت (درصد)",
+            font=dict(family="IRANSans"),
+            plot_bgcolor='rgba(0,0,0,0)'
+        )
+        
+        st.plotly_chart(fig, use_container_width=True)
+    
+    elif analysis_type == "پیش‌بینی روند آینده":
+        st.subheader("پیش‌بینی روند رشد آینده")
+        
+        st.info("این بخش به صورت نمادین ارائه شده است و در نسخه عملیاتی با الگوریتم‌های پیش‌بینی واقعی مانند ARIMA، رگرسیون یا شبکه‌های عصبی پیاده‌سازی می‌شود.")
+        
+        # روند کلی ارتفاع
+        weekly_avg = report_with_details.groupby('Week')['Average_Height'].mean().reset_index()
+        weekly_avg['Average_Height'] = weekly_avg['Average_Height'].astype(int)
+        
+        # پیش‌بینی ساده خطی
+        weeks = weekly_avg['Week'].values
+        heights = weekly_avg['Average_Height'].values
+        
+        # پیش‌بینی ساده 3 هفته آینده
+        future_weeks = np.array([latest_week + 1, latest_week + 2, latest_week + 3])
+        
+        # تابع ساده برای ایجاد پیش‌بینی نمادین
+        def simple_predict(weeks, heights, future_weeks):
+            if len(weeks) >= 2:
+                slope = (heights[-1] - heights[-2]) / (weeks[-1] - weeks[-2])
+                last_height = heights[-1]
+                last_week = weeks[-1]
+                
+                predictions = [last_height + slope * (w - last_week) for w in future_weeks]
+                
+                # اضافه کردن کمی نویز
+                predictions = [p + np.random.randint(-3, 4) for p in predictions]
+                
+                return predictions
+            return [heights[-1]] * len(future_weeks)
+        
+        future_heights = simple_predict(weeks, heights, future_weeks)
+        
+        # ترکیب داده‌های واقعی و پیش‌بینی
+        all_weeks = np.concatenate((weeks, future_weeks))
+        all_heights = np.concatenate((heights, future_heights))
+        
+        prediction_df = pd.DataFrame({
+            'Week': all_weeks,
+            'Average_Height': all_heights,
+            'Type': ['واقعی' if w <= latest_week else 'پیش‌بینی' for w in all_weeks]
+        })
+        
+        # نمودار پیش‌بینی
+        fig = px.line(
+            prediction_df,
+            x='Week',
+            y='Average_Height',
+            color='Type',
+            markers=True,
+            color_discrete_map={'واقعی': '#1e6b45', 'پیش‌بینی': '#2196f3'},
+            labels={'Week': 'هفته', 'Average_Height': 'میانگین ارتفاع (سانتی‌متر)', 'Type': 'نوع داده'}
+        )
+        
+        fig.update_traces(line=dict(width=3), marker=dict(size=10))
+        
+        fig.add_vline(x=latest_week, line_dash="dash", line_color="gray")
+        
+        fig.update_layout(
+            height=500,
+            xaxis_title="هفته",
+            yaxis_title="میانگین ارتفاع (سانتی‌متر)",
+            font=dict(family="IRANSans"),
+            plot_bgcolor='rgba(0,0,0,0)'
+        )
+        
+        st.plotly_chart(fig, use_container_width=True)
+        
+        # پیش‌بینی به تفکیک اداره
+        st.subheader("پیش‌بینی به تفکیک اداره")
+        
+        admin_weekly_avg = report_with_details.groupby(['Administration_ID', 'Administration_Name', 'Week'])['Average_Height'].mean().reset_index()
+        admin_weekly_avg['Average_Height'] = admin_weekly_avg['Average_Height'].astype(int)
+        
+        admins = admin_weekly_avg['Administration_Name'].unique()
+        
+        admin_predictions = []
+        
+        for admin in admins:
+            admin_data = admin_weekly_avg[admin_weekly_avg['Administration_Name'] == admin].sort_values('Week')
+            
+            weeks = admin_data['Week'].values
+            heights = admin_data['Average_Height'].values
+            
+            future_heights = simple_predict(weeks, heights, future_weeks)
+            
+            for w, h in zip(future_weeks, future_heights):
+                admin_predictions.append({
+                    'Week': w,
+                    'Administration_Name': admin,
+                    'Average_Height': h,
+                    'Type': 'پیش‌بینی'
+                })
+        
+        admin_prediction_df = pd.DataFrame(admin_predictions)
+        
+        # ترکیب با داده‌های واقعی
+        admin_weekly_avg['Type'] = 'واقعی'
+        combined_admin_df = pd.concat([admin_weekly_avg, admin_prediction_df])
+        
+        # نمودار پیش‌بینی به تفکیک اداره
+        fig = px.line(
+            combined_admin_df,
+            x='Week',
+            y='Average_Height',
+            color='Administration_Name',
+            line_dash='Type',
+            markers=True,
+            labels={'Week': 'هفته', 'Average_Height': 'میانگین ارتفاع (سانتی‌متر)', 'Administration_Name': 'اداره', 'Type': 'نوع داده'}
+        )
+        
+        fig.update_traces(line=dict(width=2), marker=dict(size=8))
+        
+        fig.add_vline(x=latest_week, line_dash="dash", line_color="gray")
+        
+        fig.update_layout(
+            height=500,
+            xaxis_title="هفته",
+            yaxis_title="میانگین ارتفاع (سانتی‌متر)",
+            font=dict(family="IRANSans"),
+            plot_bgcolor='rgba(0,0,0,0)'
+        )
+        
+        st.plotly_chart(fig, use_container_width=True)
+        
+        # خلاصه پیش‌بینی‌ها
+        st.subheader("خلاصه پیش‌بینی‌ها برای هفته آینده")
+        
+        next_week_prediction = admin_prediction_df[admin_prediction_df['Week'] == latest_week + 1][['Administration_Name', 'Average_Height']]
+        next_week_prediction.columns = ['اداره', 'پیش‌بینی ارتفاع (سانتی‌متر)']
+        next_week_prediction = next_week_prediction.sort_values('پیش‌بینی ارتفاع (سانتی‌متر)', ascending=False)
+        
+        st.table(next_week_prediction)
+    
+    elif analysis_type == "مقایسه بخش‌های تولیدی":
+        st.subheader("مقایسه بخش‌های تولیدی")
+        
+        # داده‌های بخش‌های تولیدی
+        section_data = report_with_details.copy()
+        section_data['Production_Section'] = section_data['Administration_ID'].apply(lambda x: 1 if x <= 2 else 2)
+        section_data['Production_Section_Name'] = section_data['Production_Section'].apply(lambda x: f'بخش {x}')
+        
+        # میانگین ارتفاع به تفکیک بخش و هفته
+        section_weekly_avg = section_data.groupby(['Production_Section_Name', 'Week'])['Average_Height'].mean().reset_index()
+        section_weekly_avg['Average_Height'] = section_weekly_avg['Average_Height'].astype(int)
+        
+        # نمودار مقایسه‌ای
+        fig = px.line(
+            section_weekly_avg,
+            x='Week',
+            y='Average_Height',
+            color='Production_Section_Name',
+            markers=True,
+            line_shape='spline',
+            labels={'Week': 'هفته', 'Average_Height': 'میانگین ارتفاع (سانتی‌متر)', 'Production_Section_Name': 'بخش ت��لیدی'}
+        )
+        
+        fig.update_traces(line=dict(width=3), marker=dict(size=10))
+        
+        fig.update_layout(
+            height=500,
+            xaxis_title="هفته",
+            yaxis_title="میانگین ارتفاع (سانتی‌متر)",
+            font=dict(family="IRANSans"),
+            plot_bgcolor='rgba(0,0,0,0)'
+        )
+        
+        st.plotly_chart(fig, use_container_width=True)
+        
+        # مقایسه تغییرات رشد
+        section_growth = section_data.groupby(['Production_Section_Name', 'Week'])['Growth_Change'].mean().reset_index()
+        section_growth['Growth_Change'] = section_growth['Growth_Change'].round(2)
+        
+        # نمودار تغییرات
+        fig = px.bar(
+            section_growth,
+            x='Week',
+            y='Growth_Change',
+            color='Production_Section_Name',
+            barmode='group',
+            labels={'Week': 'هفته', 'Growth_Change': 'میانگین تغییر رشد (سانتی‌متر)', 'Production_Section_Name': 'بخش تولیدی'}
+        )
+        
+        fig.update_layout(
+            height=400,
+            xaxis_title="هفته",
+            yaxis_title="میانگین تغییر رشد (سانتی‌متر)",
+            font=dict(family="IRANSans"),
+            plot_bgcolor='rgba(0,0,0,0)'
+        )
+        
+        st.plotly_chart(fig, use_container_width=True)
+        
+        # مقایسه توزیع وضعیت‌ها
+        section_status = section_data[section_data['Week'] == latest_week].groupby(['Production_Section_Name', 'Growth_Status']).size().reset_index(name='Count')
+        
+        # محاسبه درصدها
+        section_total = section_status.groupby('Production_Section_Name')['Count'].sum().reset_index()
+        section_status = pd.merge(section_status, section_total, on='Production_Section_Name', suffixes=('', '_Total'))
+        section_status['Percent'] = (section_status['Count'] / section_status['Count_Total'] * 100).round(1)
+        
+        # نمودار توزیع
+        fig = px.bar(
+            section_status,
+            x='Production_Section_Name',
+            y='Percent',
+            color='Growth_Status',
+            color_discrete_map={'خوب': '#00c853', 'متوسط': '#ffd600', 'ضعیف': '#ff3d00'},
+            labels={'Production_Section_Name': 'بخش تولیدی', 'Percent': 'درصد', 'Growth_Status': 'وضعیت'},
+            barmode='stack'
+        )
+        
+        fig.update_layout(
+            height=400,
+            xaxis_title="بخش تولیدی",
+            yaxis_title="درصد",
+            font=dict(family="IRANSans"),
+            plot_bgcolor='rgba(0,0,0,0)'
+        )
+        
+        st.plotly_chart(fig, use_container_width=True)
+        
+        # مقایسه مزارع برتر هر بخش
+        st.subheader("مزارع برتر هر بخش")
+        
+        col1, col2 = st.columns(2)
+        
+        for section_id, section_col in [(1, col1), (2, col2)]:
+            with section_col:
+                st.markdown(f"#### بخش {section_id}")
+                
+                top_farms = section_data[(section_data['Week'] == latest_week) & (section_data['Production_Section'] == section_id)].nlargest(5, 'Average_Height')
+                
+                for _, farm in top_farms.iterrows():
+                    st.markdown(f"""
+                    <div style="border: 1px solid #eee; padding: 10px; border-radius: 5px; margin-bottom: 10px;">
+                        <h4 style="margin: 0;">{farm['Farm_Name']}</h4>
+                        <p style="margin: 5px 0;">ارتفاع: {farm['Average_Height']} سانتی‌متر</p>
+                        <p style="margin: 0;">اداره {farm['Administration_ID']} - {farm['Channel_ID']}</p>
+                    </div>
+                    """, unsafe_allow_html=True)
+# بخش تنظیمات
+elif st.session_state.selected_tab == "تنظیمات":
+    st.title("تنظیمات سیستم")
+    
+    # زبانه‌های تنظیمات
+    settings_tab = st.selectbox(
+        "بخش تنظیمات",
+        ["تنظیمات عمومی", "مدیریت کاربران", "معیارهای ارزیابی", "پشتیبان‌گیری و بازیابی"]
+    )
+    
+    st.markdown("---")
+    
+    if settings_tab == "تنظیمات عمومی":
+        st.subheader("تنظیمات عمومی برنامه")
+        
+        col1, col2 = st.columns(2)
+        
+        with col1:
+            st.markdown("#### تنظیمات نمایش")
+            
+            theme = st.selectbox("تم برنامه", ["روشن", "تیره", "خودکار"])
+            date_format = st.selectbox("قالب نمایش تاریخ", ["شمسی", "میلادی"])
+            language = st.selectbox("زبان", ["فارسی", "انگلیسی"])
+            
+            st.checkbox("نمایش راهنمای کاربری در شروع برنامه", value=True)
+            st.checkbox("فعال‌سازی نم��یش هشدارها", value=True)
+        
+        with col2:
+            st.markdown("#### تنظیمات گزارش‌گیری")
+            
+            default_admin = st.selectbox("اداره پیش‌فرض", [f"اداره {i}" for i in range(1, 5)])
+            rows_per_page = st.slider("تعداد ردیف در هر صفحه", 10, 100, 25, 5)
+            
+            st.checkbox("فعال‌سازی گزارش‌های خودکار هفتگی", value=True)
+            st.checkbox("ارسال گزارش از طریق ایمیل", value=False)
+            
+            report_email = st.text_input("ایمیل دریافت گزارش‌ها")
+        
+        st.markdown("---")
+        
+        col1, col2 = st.columns(2)
+        
+        with col1:
+            st.markdown("#### تنظیمات پیشرفته")
+            
+            st.number_input("حداکثر روزهای نمایش تاریخچه", value=60, min_value=7, max_value=365)
+            st.number_input("فاصله به‌روزرسانی خودکار (دقیقه)", value=30, min_value=5, max_value=120)
+        
+        if st.button("ذخیره تنظیمات"):
+            st.success("تنظیمات با موفقیت ذخیره شد.")
+    
+    elif settings_tab == "مدیریت کاربران":
+        st.subheader("مدیریت کاربران سیستم")
+        
+        # نمونه کاربران
+        users = [
+            {"id": 1, "username": "admin", "name": "مدیر سیستم", "role": "مدیر", "active": True},
+            {"id": 2, "username": "supervisor1", "name": "ناظر اداره 1", "role": "ناظر", "active": True},
+            {"id": 3, "username": "supervisor2", "name": "ناظر اداره 2", "role": "ناظر", "active": True},
+            {"id": 4, "username": "operator1", "name": "اپراتور 1", "role": "اپراتور", "active": True},
+            {"id": 5, "username": "operator2", "name": "اپراتور 2", "role": "اپراتور", "active": False}
+        ]
+        
+        users_df = pd.DataFrame(users)
+        
+        # فیلتر کاربران
+        role_filter = st.selectbox("نمایش بر اساس نقش", ["همه", "مدیر", "ناظر", "اپراتور"])
+        
+        if role_filter != "همه":
+            filtered_users = users_df[users_df["role"] == role_filter]
+        else:
+            filtered_users = users_df
+        
+        # نمایش کاربران
+        for _, user in filtered_users.iterrows():
+            col1, col2, col3 = st.columns([3, 2, 1])
+            
+            with col1:
+                st.write(f"**{user['name']}** ({user['username']})")
+            
+            with col2:
+                st.write(f"نقش: {user['role']}")
+            
+            with col3:
+                status = "فعال" if user["active"] else "غیرفعال"
+                status_color = "green" if user["active"] else "red"
+                st.markdown(f"<span style='color: {status_color};'>{status}</span>", unsafe_allow_html=True)
+            
+            st.markdown("---")
+        
+        # افزودن کاربر جدید
+        st.subheader("افزودن کاربر جدید")
+        
+        col1, col2 = st.columns(2)
+        
+        with col1:
+            new_username = st.text_input("نام کاربری")
+            new_name = st.text_input("نام و نام خانوادگی")
+        
+        with col2:
+            new_role = st.selectbox("نقش", ["مدیر", "ناظر", "اپراتور"])
+            new_password = st.text_input("رمز عبور", type="password")
+        
+        if st.button("افزودن کاربر"):
+            if new_username and new_name and new_password:
+                st.success(f"کاربر {new_name} با موفقیت اضافه شد.")
+            else:
+                st.error("لطفاً تمام فیلدها را پر کنید.")
+    
+    elif settings_tab == "معیارهای ارزیابی":
+        st.subheader("تنظیم معیارهای ارزیابی")
+        
+        # معیارهای ارتفاع
+        st.markdown("#### معیارهای ارتفاع")
+        
+        col1, col2 = st.columns(2)
+        
+        with col1:
+            st.number_input("حداقل ارتفاع مطلوب (سانتی‌متر)", value=180, step=5)
+            st.number_input("حداقل تغییر رشد هفتگی مطلوب (سانتی‌متر)", value=5, step=1)
+        
+        with col2:
+            st.number_input("ارتفاع بحرانی (سانتی‌متر)", value=150, step=5)
+            st.number_input("تغییر رشد هفتگی بحرانی (سانتی‌متر)", value=0, step=1)
+        
+        # معیارهای شرایط محیطی
+        st.markdown("#### معیارهای شرایط محیطی")
+        
+        col1, col2 = st.columns(2)
+        
+        with col1:
+            st.number_input("حداقل رطوبت غلاف مطلوب (%)", value=70, step=5)
+            st.number_input("حداکثر عمق آب زی��زمینی مطلوب (سانتی‌متر)", value=80, step=5)
+        
+        with col2:
+            st.number_input("حداقل نیتروژن مطلوب (%)", value=30, step=5)
+        
+        # معیارهای مقایسه‌ای
+        st.markdown("#### معیارهای مقایسه‌ای")
+        
+        comparison_method = st.radio(
+            "روش مقایسه برای تعیین وضعیت",
+            ["مقایسه با میانگین کل", "مقایسه با میانگین اداره", "مقایسه با مقادیر مطلق"]
+        )
+        
+        if comparison_method == "مقایسه با میانگین کل":
+            st.slider("آستانه انحراف از میانگین (سانتی‌متر)", 0, 20, 5)
+        elif comparison_method == "مقایسه با میانگین اداره":
+            st.slider("آستانه انحراف از میانگین اداره (سانتی‌متر)", 0, 20, 5)
+        
+        if st.button("ذخیره معیارها"):
+            st.success("معیارهای ارزیابی با موفقیت ذخیره شد.")
+    
+    elif settings_tab == "پشتیبان‌گیری و بازیابی":
+        st.subheader("پشتیبان‌گیری و بازیابی داده‌ها")
+        
+        # پشتیبان‌گیری
+        st.markdown("#### پشتیبان‌گیری")
+        
+        backup_type = st.radio("نوع پشتیبان‌گیری", ["پشتیبان کامل", "فقط داده‌های ارتفاع", "فقط تنظیمات"])
+        
+        col1, col2 = st.columns(2)
+        
+        with col1:
+            st.checkbox("فشرده‌سازی فایل پشتیبان", value=True)
+        
+        with col2:
+            st.checkbox("پشتیبان‌گیری خودکار هفتگی", value=True)
+        
+        if st.button("ایجاد فایل پشتیبان"):
+            # ایجاد فایل CSV پشتیبان
+            if backup_type == "پشتیبان کامل" or backup_type == "فقط داده‌های ارتفاع":
+                buffer = io.StringIO()
+                heights_df.to_csv(buffer, index=False)
+                buffer.seek(0)
+                
+                # تبدیل به دانلود
+                st.download_button(
+                    label="دانلود فایل پشتیبان",
+                    data=buffer,
+                    file_name="height_data_backup.csv",
+                    mime="text/csv"
+                )
+            else:
+                st.success("فایل پشتیبان تنظیمات با موفقیت ایجاد شد.")
+        
+        # بازیابی
+        st.markdown("---")
+        st.markdown("#### بازیابی داده‌ها")
+        
+        upload_file = st.file_uploader("انتخاب فایل پشتیبان", type=["csv", "zip"])
+        
+        if upload_file is not None:
+            if st.button("بازیابی داده‌ها"):
+                st.success("داده‌ها با موفقیت بازیابی شد.")
+                st.warning("توجه: این عملیات در نسخه عملیاتی، داده‌های فعلی را با داده‌های پشتیبان جایگزین می‌کند.")
+# نمایش مکان‌نما
+st.markdown("""
+<div style="position: fixed; bottom: 20px; right: 20px; background-color: #1e6b45; color: white; padding: 10px 15px; border-radius: 50px; font-size: 14px; box-shadow: 0 4px 8px rgba(0,0,0,0.1); z-index: 1000;">
+    آخرین به‌روزرسانی: همین حالا
+</div>
+""", unsafe_allow_html=True)