Update app.py

app.py

@@ -1,253 +1,39 @@
 import streamlit as st
+import ee
+import folium
 import pandas as pd
 import numpy as np
-import folium
-from streamlit_folium import folium_static
-import ee
-import os
+import datetime
+import requests
 import json
-import time
-from datetime import datetime, timedelta
+import os
+from streamlit_folium import folium_static
+import matplotlib.pyplot as plt
 import plotly.express as px
 import plotly.graph_objects as go
-import altair as alt
-from streamlit_option_menu import option_menu
-from streamlit_lottie import st_lottie
-import requests
-import hydralit_components as hc
-from streamlit_extras.colored_header import colored_header
-from streamlit_extras.metric_cards import style_metric_cards
-from streamlit_extras.chart_container import chart_container
-from streamlit_extras.add_vertical_space import add_vertical_space
-from streamlit_card import card
-import pydeck as pdk
-import math
-from sklearn.linear_model import LinearRegression
+from datetime import datetime, timedelta
 
-# تنظیمات صفحه با تم سفارشی
+# Set page configuration
 st.set_page_config(
-    page_title="سامانه هوشمند پایش مزارع نیشکر دهخدا",
+    page_title="Sugarcane Monitoring System",
     page_icon="🌿",
     layout="wide",
     initial_sidebar_state="expanded"
 )
 
-# CSS سفارشی با طراحی سبز مدرن و انیمیشن‌ها
-st.markdown("""
-<style>
-    @import url('https://fonts.googleapis.com/css2?family=Vazirmatn:wght@100;200;300;400;500;600;700;800;900&display=swap');
-    
-    * {
-        font-family: 'Vazirmatn', sans-serif !important;
-    }
-    
-    /* استایل کلی صفحه */
-    .main {
-        background: linear-gradient(135deg, #f5f7fa 0%, #e4e9f2 100%);
-    }
-    
-    /* استایل هدر */
-    .main-header {
-        background: linear-gradient(90deg, #1a8754 0%, #115740 100%);
-        padding: 1.5rem;
-        border-radius: 12px;
-        box-shadow: 0 8px 32px rgba(0, 0, 0, 0.1);
-        margin-bottom: 2rem;
-        position: relative;
-        overflow: hidden;
-        animation: header-glow 3s infinite alternate;
-    }
-    
-    @keyframes header-glow {
-        0% { box-shadow: 0 8px 32px rgba(26, 135, 84, 0.1); }
-        100% { box-shadow: 0 8px 32px rgba(26, 135, 84, 0.3); }
-    }
-    
-    .main-header h1 {
-        color: white;
-        font-weight: 700;
-        margin: 0;
-        position: relative;
-        z-index: 1;
-    }
-    
-    .main-header p {
-        color: rgba(255, 255, 255, 0.8);
-        margin: 0;
-        position: relative;
-        z-index: 1;
-    }
-    
-    /* استایل منوی ناوبری */
-    .st-emotion-cache-1lcbz7b {
-        background-color: transparent !important;
-        padding: 0 !important;
-        margin-bottom: 20px !important;
-    }
-    
-    .st-emotion-cache-1j7d69d {
-        --hover-color: #e9f7ef !important;
-        border-radius: 10px !important;
-        font-size: 16px !important;
-        text-align: center !important;
-        margin: 0 !important;
-    }
-    
-    .st-emotion-cache-1j7d69d:hover {
-        background-color: #e9f7ef !important;
-    }
-    
-    .st-emotion-cache-1j7d69d[data-selected="true"] {
-        background-color: #1a8754 !important;
-        color: white !important;
-        font-weight: 600 !important;
-    }
-    
-    .st-emotion-cache-1m5q2i0 {
-        color: #1a8754 !important;
-        font-size: 18px !important;
-    }
-    
-    /* استایل کارت‌های متریک */
-    .metric-card {
-        background: white;
-        border-radius: 12px;
-        padding: 1.5rem;
-        box-shadow: 0 4px 20px rgba(0, 0, 0, 0.05);
-        transition: all 0.3s ease;
-        text-align: center;
-    }
-    
-    .metric-card:hover {
-        transform: translateY(-5px);
-        box-shadow: 0 8px 30px rgba(0, 0, 0, 0.1);
-    }
-    
-    .metric-card .metric-value {
-        font-size: 2.5rem;
-        font-weight: 700;
-        color: #1a8754;
-        margin-bottom: 0.5rem;
-    }
-    
-    .metric-card .metric-label {
-        font-size: 1rem;
-        color: #6c757d;
-    }
-    
-    /* استایل کانتینر نقشه */
-    .map-container {
-        border-radius: 12px;
-        overflow: hidden;
-        box-shadow: 0 4px 20px rgba(0, 0, 0, 0.05);
-    }
-    
-    /* استایل تب‌ها */
-    .stTabs [data-baseweb="tab-list"] {
-        gap: 8px;
-    }
-    
-    .stTabs [data-baseweb="tab"] {
-        border-radius: 4px 4px 0px 0px;
-        padding: 10px 16px;
-        background-color: #f8f9fa;
-    }
-    
-    .stTabs [aria-selected="true"] {
-        background-color: #1a8754 !important;
-        color: white !important;
-    }
-    
-    /* استایل سایدبار */
-    [data-testid="stSidebar"] {
-        background-color: #ffffff;
-        border-right: 1px solid #e9ecef;
-    }
-    
-    /* انیمیشن‌ها */
-    @keyframes fadeIn {
-        0% { opacity: 0; transform: translateY(20px); }
-        100% { opacity: 1; transform: translateY(0); }
-    }
-    
-    .animate-fadeIn {
-        animation: fadeIn 0.5s ease forwards;
-    }
-    
-    /* استایل دکمه‌ها */
-    .stButton>button {
-        border-radius: 50px;
-        padding: 0.5rem 1.5rem;
-        font-weight: 600;
-        transition: all 0.3s ease;
-        border: none;
-        background: linear-gradient(90deg, #1a8754 0%, #115740 100%);
-        color: white;
-    }
-    
-    .stButton>button:hover {
-        transform: translateY(-2px);
-        box-shadow: 0 4px 12px rgba(0, 0, 0, 0.1);
-        background: linear-gradient(90deg, #115740 0%, #1a8754 100%);
-    }
-    
-    /* استایل فوتر */
-    footer {
-        position: fixed;
-        left: 0;
-        bottom: 0;
-        width: 100%;
-        background-color: #1a8754;
-        color: white;
-        text-align: center;
-        padding: 10px 0;
-        font-family: 'Vazirmatn', sans-serif;
-    }
-</style>
-""", unsafe_allow_html=True)
-
-# تابع بارگذاری داده‌ها
-@st.cache_data
-def load_farm_data():
-    try:
-        df = pd.read_csv("کراپ_لاگ_کلی_ویرایش_شده.csv", encoding='utf-8-sig')
-        return df
-    except Exception as e:
-        st.error(f"خطا در بارگذاری داده‌های کراپ لاگ: {e}")
-        return pd.DataFrame()
-
-@st.cache_data
-def load_coordinates_data():
-    try:
-        coords_df = pd.read_csv("farm_coordinates.csv", encoding='utf-8-sig')
-        return coords_df
-    except Exception as e:
-        st.error(f"خطا در بارگذاری داده‌های مختصات: {e}")
-        return pd.DataFrame()
+# App title and description
+st.title("Sugarcane Monitoring System")
+st.markdown("### Monitoring sugarcane farms in Khuzestan, Iran")
 
-@st.cache_data
-def load_day_data():
-    try:
-        day_df = pd.read_csv("پایگاه داده (1).csv", encoding='utf-8-sig')
-        return day_df
-    except Exception as e:
-        st.error(f"خطا در بارگذاری داده‌های روز: {e}")
-        return pd.DataFrame()
-
-# تابع بارگذاری انیمیشن
-@st.cache_data
-def load_lottie_url(url: str):
-    r = requests.get(url)
-    if r.status_code != 200:
-        return None
-    return r.json()
-
-# مقداردهی اولیه Earth Engine
+# Load service account credentials for Earth Engine
 @st.cache_resource
-def initialize_earth_engine():
-    try:
-        service_account = 'dehkhodamap-e9f0da4ce9f6514021@ee-esmaeilkiani13877.iam.gserviceaccount.com'
-        credentials_dict = {
+def initialize_ee():
+    service_account = 'dehkhodamap-e9f0da4ce9f6514021@ee-esmaeilkiani13877.iam.gserviceaccount.com'
+    
+    # Create a temporary credentials file
+    credentials_path = 'credentials.json'
+    with open(credentials_path, 'w') as f:
+        json_content = {
             "type": "service_account",
             "project_id": "ee-esmaeilkiani13877",
             "private_key_id": "cfdea6eaf4115cb6462626743e4b15df85fd0c7f",
@@ -260,1116 +46,737 @@ def initialize_earth_engine():
             "client_x509_cert_url": "https://www.googleapis.com/robot/v1/metadata/x509/dehkhodamap-e9f0da4ce9f6514021%40ee-esmaeilkiani13877.iam.gserviceaccount.com",
             "universe_domain": "googleapis.com"
         }
-        credentials_file = 'ee-esmaeilkiani13877-cfdea6eaf411.json'
-        with open(credentials_file, 'w') as f:
-            json.dump(credentials_dict, f)
-        credentials = ee.ServiceAccountCredentials(service_account, credentials_file)
-        ee.Initialize(credentials)
-        os.remove(credentials_file)
-        return True
-    except Exception as e:
-        st.error(f"خطا در اتصال به Earth Engine: {e}")
-        return False
-
-# تابع ایجاد نقشه Earth Engine
-def create_ee_map(farm_id, date_str, layer_type="NDVI"):
-    try:
-        farm_row = coordinates_df[coordinates_df['مزرعه'] == farm_id].iloc[0]
-        lat, lon = farm_row['عرض جغرافیایی'], farm_row['طول جغرافیایی']
-        m = folium.Map(location=[lat, lon], zoom_start=14, tiles='CartoDB positron')
-        date_obj = datetime.strptime(date_str, '%Y-%m-%d')
-        start_date = (date_obj - timedelta(days=5)).strftime('%Y-%m-%d')
-        end_date = (date_obj + timedelta(days=5)).strftime('%Y-%m-%d')
-        region = ee.Geometry.Point([lon, lat]).buffer(1500)
-        s2 = ee.ImageCollection('COPERNICUS/S2_SR') \
-            .filterDate(start_date, end_date) \
-            .filterBounds(region) \
-            .sort('CLOUDY_PIXEL_PERCENTAGE') \
-            .first()
-        if layer_type == "NDVI":
-            index = s2.normalizedDifference(['B8', 'B4']).rename('NDVI')
-            viz_params = {'min': -0.2, 'max': 0.8, 'palette': ['#ff0000', '#ff4500', '#ffd700', '#32cd32', '#006400']}
-            legend_title = 'شاخص پوشش گیاهی (NDVI)'
-        elif layer_type == "NDMI":
-            index = s2.normalizedDifference(['B8', 'B11']).rename('NDMI')
-            viz_params = {'min': -0.5, 'max': 0.5, 'palette': ['#8b0000', '#ff8c00', '#00ced1', '#00b7eb', '#00008b']}
-            legend_title = 'شاخص رطوبت (NDMI)'
-        elif layer_type == "EVI":
-            nir = s2.select('B8')
-            red = s2.select('B4')
-            blue = s2.select('B2')
-            index = nir.subtract(red).multiply(2.5).divide(nir.add(red.multiply(6)).subtract(blue.multiply(7.5)).add(1)).rename('EVI')
-            viz_params = {'min': 0, 'max': 1, 'palette': ['#d73027', '#f46d43', '#fdae61', '#fee08b', '#4caf50']}
-            legend_title = 'شاخص پیشرفته گیاهی (EVI)'
-        elif layer_type == "NDWI":
-            index = s2.normalizedDifference(['B3', 'B8']).rename('NDWI')
-            viz_params = {'min': -0.5, 'max': 0.5, 'palette': ['#00008b', '#00b7eb', '#add8e6', '#fdae61', '#d73027']}
-            legend_title = 'شاخص آب (NDWI)'
-        map_id_dict = ee.Image(index).getMapId(viz_params)
-        folium.TileLayer(
-            tiles=map_id_dict['tile_fetcher'].url_format,
-            attr='Google Earth Engine',
-            name=layer_type,
-            overlay=True,
-            control=True
-        ).add_to(m)
-        folium.Marker(
-            [lat, lon], 
-            popup=f'مزرعه {farm_id}', 
-            tooltip=f'مزرعه {farm_id}',
-            icon=folium.Icon(color='green', icon='leaf')
-        ).add_to(m)
-        folium.Circle(
-            [lat, lon],
-            radius=1500,
-            color='green',
-            fill=True,
-            fill_color='green',
-            fill_opacity=0.1
-        ).add_to(m)
-        folium.LayerControl().add_to(m)
-        legend_html = '''
-        <div style="position: fixed; 
-                    bottom: 50px; right: 50px; 
-                    border: 2px solid grey; z-index: 9999; 
-                    background-color: white;
-                    padding: 10px;
-                    border-radius: 5px;
-                    direction: rtl;
-                    font-family: 'Vazirmatn', sans-serif;">
-            <div style="font-size: 14px; font-weight: bold; margin-bottom: 5px;">''' + legend_title + '''</div>
-            <div style="display: flex; align-items: center; margin-bottom: 5px;">
-                <div style="background: ''' + viz_params['palette'][0] + '''; width: 20px; height: 20px; margin-left: 5px;"></div>
-                <span>کم</span>
-            </div>
-            <div style="display: flex; align-items: center; margin-bottom: 5px;">
-                <div style="background: ''' + viz_params['palette'][2] + '''; width: 20px; height: 20px; margin-left: 5px;"></div>
-                <span>متوسط</span>
-            </div>
-            <div style="display: flex; align-items: center;">
-                <div style="background: ''' + viz_params['palette'][-1] + '''; width: 20px; height: 20px; margin-left: 5px;"></div>
-                <span>زیاد</span>
-            </div>
-        </div>
-        '''
-        m.get_root().html.add_child(folium.Element(legend_html))
-        return m
-    except Exception as e:
-        st.error(f"خطا در ایجاد نقشه: {e}")
-        return None
+        json.dump(json_content, f)
+    
+    # Authenticate and initialize
+    credentials = ee.ServiceAccountCredentials(service_account, credentials_path)
+    ee.Initialize(credentials)
+    
+    # Remove the temporary file after initialization
+    os.remove(credentials_path)
+    
+    return True
 
-# تابع محاسبه آمار مزرعه
-def calculate_farm_stats(farm_id, layer_type="NDVI"):
-    farm_data = farm_df[farm_df['مزرعه'] == farm_id]
-    if layer_type == "NDVI":
-        stats = {
-            'mean': farm_data['ارتفاع هفته جاری مزرعه'].mean() if not farm_data.empty else 0,
-            'min': farm_data['ارتفاع هفته جاری مزرعه'].min() if not farm_data.empty else 0,
-            'max': farm_data['ارتفاع هفته جاری مزرعه'].max() if not farm_data.empty else 0,
-            'std_dev': farm_data['ارتفاع هفته جاری مزرعه'].std() if not farm_data.empty else 0,
-            'histogram_data': farm_data['ارتفاع هفته جاری مزرعه'].values if not farm_data.empty else np.array([])
-        }
-    elif layer_type == "NDMI":
-        stats = {
-            'mean': farm_data['رطوبت غلاف فعلی'].mean() if not farm_data.empty else 0,
-            'min': farm_data['رطوبت غلاف فعلی'].min() if not farm_data.empty else 0,
-            'max': farm_data['رطوبت غلاف فعلی'].max() if not farm_data.empty else 0,
-            'std_dev': farm_data['رطوبت غلاف فعلی'].std() if not farm_data.empty else 0,
-            'histogram_data': farm_data['رطوبت غلاف فعلی'].values if not farm_data.empty else np.array([])
-        }
-    return stats
+# Download CSV data from URLs
+@st.cache_data
+def load_farm_data():
+    farm_coords_url = "https://hebbkx1anhila5yf.public.blob.vercel-storage.com/farm_coordinates-TTksVyH860XeyfKUCGMMkq9pYMChZj.csv"
+    farm_db_url = "https://hebbkx1anhila5yf.public.blob.vercel-storage.com/%D9%BE%D8%A7%DB%8C%DA%AF%D8%A7%D9%87%20%D8%AF%D8%A7%D8%AF%D9%87%20%281%29-5Aq8TzJrbK3y5AtUVjrU0bwZD1SUHL.csv"
+    
+    # Load farm coordinates
+    farm_coords = pd.read_csv(farm_coords_url)
+    
+    # Load farm database
+    farm_db = pd.read_csv(farm_db_url)
+    
+    return farm_coords, farm_db
 
-# تابع تولید داده‌های رشد
-def generate_real_growth_data(selected_variety="all", selected_age="all"):
-    filtered_farms = farm_df
-    if selected_variety != "all":
-        filtered_farms = filtered_farms[filtered_farms['رقم'] == selected_variety]
-    if selected_age != "all":
-        filtered_farms = filtered_farms[filtered_farms['سن'] == selected_age]
+# Process satellite imagery using GEE
+@st.cache_data(ttl=3600)
+def get_satellite_indices(lat, lon, date_range):
+    # Define point of interest
+    poi = ee.Geometry.Point([lon, lat])
+    
+    # Define region around the point
+    region = poi.buffer(500)  # 500m buffer around the point
+    
+    # Load Sentinel-2 collection
+    s2 = ee.ImageCollection('COPERNICUS/S2_SR') \
+        .filterBounds(region) \
+        .filterDate(date_range[0], date_range[1]) \
+        .sort('CLOUDY_PIXEL_PERCENTAGE') \
+        .first()
+    
+    if s2 is None:
+        return None, None, None, None
+    
+    # Calculate indices
+    ndvi = s2.normalizedDifference(['B8', 'B4']).rename('NDVI')
+    ndwi = s2.normalizedDifference(['B3', 'B8']).rename('NDWI')
+    
+    # LAI calculation (Leaf Area Index)
+    # Using simplified model: LAI = 3.618 * NDVI - 0.118
+    lai = ndvi.multiply(3.618).subtract(0.118).rename('LAI')
+    
+    # Chlorophyll content (CHL)
+    # Using ratio of bands B8/B5
+    chl = s2.select('B8').divide(s2.select('B5')).rename('CHL')
+    
+    # Create visualization parameters
+    ndvi_vis = {
+        'min': 0,
+        'max': 1,
+        'palette': ['red', 'yellow', 'green']
+    }
     
-    farm_growth_data = []
-    weeks = filtered_farms['هفته'].unique()
-    for farm_id in filtered_farms['مزرعه'].unique():
-        farm_data = filtered_farms[filtered_farms['مزرعه'] == farm_id]
-        growth_data = {
-            'farm_id': farm_id,
-            'variety': farm_data['رقم'].iloc[0] if not farm_data.empty else 'Unknown',
-            'age': farm_data['سن'].iloc[0] if not farm_data.empty else 'Unknown',
-            'weeks': weeks,
-            'heights': [farm_data[farm_data['هفته'] == week]['ارتفاع هفته جاری مزرعه'].mean() if not farm_data[farm_data['هفته'] == week].empty else 0 for week in weeks]
-        }
-        farm_growth_data.append(growth_data)
+    ndwi_vis = {
+        'min': -1,
+        'max': 1,
+        'palette': ['red', 'white', 'blue']
+    }
+    
+    lai_vis = {
+        'min': 0,
+        'max': 5,
+        'palette': ['white', 'lightgreen', 'darkgreen']
+    }
+    
+    chl_vis = {
+        'min': 1,
+        'max': 3,
+        'palette': ['white', 'yellow', 'green']
+    }
+    
+    # Get NDVI map tile URL
+    ndvi_mapid = ndvi.getMapId(ndvi_vis)
+    ndvi_url = ndvi_mapid['tile_fetcher'].url_format
+    
+    # Get NDWI map tile URL
+    ndwi_mapid = ndwi.getMapId(ndwi_vis)
+    ndwi_url = ndwi_mapid['tile_fetcher'].url_format
+    
+    # Get LAI map tile URL
+    lai_mapid = lai.getMapId(lai_vis)
+    lai_url = lai_mapid['tile_fetcher'].url_format
+    
+    # Get CHL map tile URL
+    chl_mapid = chl.getMapId(chl_vis)
+    chl_url = chl_mapid['tile_fetcher'].url_format
+    
+    # Get values at point
+    ndvi_val = ndvi.reduceRegion(
+        reducer=ee.Reducer.mean(),
+        geometry=poi,
+        scale=10
+    ).getInfo()['NDVI']
+    
+    ndwi_val = ndwi.reduceRegion(
+        reducer=ee.Reducer.mean(),
+        geometry=poi,
+        scale=10
+    ).getInfo()['NDWI']
+    
+    lai_val = lai.reduceRegion(
+        reducer=ee.Reducer.mean(),
+        geometry=poi,
+        scale=10
+    ).getInfo()['LAI']
+    
+    chl_val = chl.reduceRegion(
+        reducer=ee.Reducer.mean(),
+        geometry=poi,
+        scale=10
+    ).getInfo()['CHL']
     
-    if farm_growth_data:
-        avg_heights = []
-        for week in weeks:
-            week_heights = [farm['heights'][list(weeks).index(week)] for farm in farm_growth_data if farm['heights'][list(weeks).index(week)] > 0]
-            avg_heights.append(round(sum(week_heights) / len(week_heights)) if week_heights else 0)
-        
-        avg_growth_data = {
-            'farm_id': 'میانگین',
-            'variety': 'همه',
-            'age': 'همه',
-            'weeks': weeks,
-            'heights': avg_heights
-        }
-        return {'individual': farm_growth_data, 'average': avg_growth_data}
     return {
-        'individual': [],
-        'average': {'farm_id': 'میانگین', 'variety': 'همه', 'age': 'همه', 'weeks': weeks, 'heights': [0] * len(weeks)}
+        'urls': {
+            'ndvi': ndvi_url,
+            'ndwi': ndwi_url,
+            'lai': lai_url,
+            'chl': chl_url
+        },
+        'values': {
+            'ndvi': ndvi_val,
+            'ndwi': ndwi_val,
+            'lai': lai_val,
+            'chl': chl_val
+        }
     }
 
-# مقداردهی اولیه و بارگذاری داده‌ها
-ee_initialized = initialize_earth_engine()
-farm_df = load_farm_data()
-coordinates_df = load_coordinates_data()
-day_df = load_day_data()
-
-# بارگذاری انیمیشن‌ها
-lottie_farm = load_lottie_url('https://assets5.lottiefiles.com/packages/lf20_ystsffqy.json')
-lottie_analysis = load_lottie_url('https://assets3.lottiefiles.com/packages/lf20_qp1q7mct.json')
-lottie_report = load_lottie_url('https://assets9.lottiefiles.com/packages/lf20_vwcugezu.json')
+# Get time series data for indices
+@st.cache_data(ttl=3600)
+def get_time_series(lat, lon, start_date, end_date):
+    # Define point of interest
+    poi = ee.Geometry.Point([lon, lat])
+    
+    # Define region around the point
+    region = poi.buffer(500)  # 500m buffer around the point
+    
+    # Load Sentinel-2 collection for the time period
+    s2_collection = ee.ImageCollection('COPERNICUS/S2_SR') \
+        .filterBounds(region) \
+        .filterDate(start_date, end_date) \
+        .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', 20))
+    
+    # Create a function to calculate indices for each image
+    def add_indices(image):
+        ndvi = image.normalizedDifference(['B8', 'B4']).rename('NDVI')
+        ndwi = image.normalizedDifference(['B3', 'B8']).rename('NDWI')
+        lai = ndvi.multiply(3.618).subtract(0.118).rename('LAI')
+        chl = image.select('B8').divide(image.select('B5')).rename('CHL')
+        
+        # Get the timestamp
+        date = ee.Date(image.get('system:time_start'))
+        
+        # Get values at the point
+        ndvi_val = ndvi.reduceRegion(
+            reducer=ee.Reducer.mean(),
+            geometry=poi,
+            scale=10
+        ).get('NDVI')
+        
+        ndwi_val = ndwi.reduceRegion(
+            reducer=ee.Reducer.mean(),
+            geometry=poi,
+            scale=10
+        ).get('NDWI')
+        
+        lai_val = lai.reduceRegion(
+            reducer=ee.Reducer.mean(),
+            geometry=poi,
+            scale=10
+        ).get('LAI')
+        
+        chl_val = chl.reduceRegion(
+            reducer=ee.Reducer.mean(),
+            geometry=poi,
+            scale=10
+        ).get('CHL')
+        
+        # Return a feature with these properties
+        return ee.Feature(None, {
+            'date': date.format('YYYY-MM-dd'),
+            'ndvi': ndvi_val,
+            'ndwi': ndwi_val,
+            'lai': lai_val,
+            'chl': chl_val
+        })
+    
+    # Map the function over the collection
+    indices_fc = s2_collection.map(add_indices)
+    
+    # Get the data as a list of dictionaries
+    indices_data = indices_fc.getInfo()['features']
+    
+    # Convert to pandas DataFrame
+    if indices_data:
+        data_list = [{'date': feature['properties']['date'],
+                     'ndvi': feature['properties']['ndvi'],
+                     'ndwi': feature['properties']['ndwi'],
+                     'lai': feature['properties']['lai'],
+                     'chl': feature['properties']['chl']} 
+                    for feature in indices_data]
+        
+        df = pd.DataFrame(data_list)
+        df['date'] = pd.to_datetime(df['date'])
+        return df.sort_values('date')
+    else:
+        return pd.DataFrame(columns=['date', 'ndvi', 'ndwi', 'lai', 'chl'])
 
-# ایجاد حالت جلسه برای ذخیره داده‌ها
-if 'heights_df' not in st.session_state:
-    st.session_state.heights_df = farm_df.copy()
+# Get weather data from OpenWeather API
+@st.cache_data(ttl=3600)
+def get_weather_data(lat, lon):
+    api_key = "ed47316a45379e2221a75f813229fb46"
+    url = f"https://api.openweathermap.org/data/2.5/onecall?lat={lat}&lon={lon}&exclude=minutely,hourly,alerts&appid={api_key}&units=metric"
+    
+    response = requests.get(url)
+    
+    if response.status_code == 200:
+        data = response.json()
+        
+        # Current weather
+        current = data.get('current', {})
+        current_weather = {
+            'temp': current.get('temp'),
+            'humidity': current.get('humidity'),
+            'wind_speed': current.get('wind_speed'),
+            'description': current.get('weather', [{}])[0].get('description', '')
+        }
+        
+        # Daily forecast for the next 7 days
+        daily = data.get('daily', [])
+        daily_forecast = []
+        
+        for day in daily:
+            date = datetime.fromtimestamp(day.get('dt')).strftime('%Y-%m-%d')
+            daily_forecast.append({
+                'date': date,
+                'temp_min': day.get('temp', {}).get('min'),
+                'temp_max': day.get('temp', {}).get('max'),
+                'humidity': day.get('humidity'),
+                'wind_speed': day.get('wind_speed')
+            })
+        
+        return {
+            'current': current_weather,
+            'forecast': daily_forecast
+        }
+    else:
+        st.error(f"Failed to fetch weather data: {response.status_code}")
+        return None
 
-# هدر اصلی
-st.markdown('<div class="main-header">', unsafe_allow_html=True)
-st.markdown('<h1>سامانه هوشمند پایش مزارع نیشکر دهخدا</h1>', unsafe_allow_html=True)
-st.markdown('<p>پلتفرم جامع مدیریت، پایش و تحلیل داده‌های مزارع نیشکر با استفاده از تصاویر ماهواره‌ای و هوش مصنوعی</p>', unsafe_allow_html=True)
-st.markdown('</div>', unsafe_allow_html=True)
+# Display folium map with satellite data
+def display_satellite_map(lat, lon, tile_url, layer_name):
+    # Create map centered on the farm
+    m = folium.Map(location=[lat, lon], zoom_start=15)
+    
+    # Add base tiles
+    folium.TileLayer('OpenStreetMap').add_to(m)
+    folium.TileLayer('Stamen Terrain').add_to(m)
+    
+    # Add satellite data tile layer
+    folium.TileLayer(
+        tiles=tile_url,
+        attr='Google Earth Engine',
+        name=layer_name,
+        overlay=True,
+        opacity=0.7
+    ).add_to(m)
+    
+    # Add marker for the farm
+    folium.Marker(
+        [lat, lon], 
+        popup=f"Farm Location\nLat: {lat}\nLon: {lon}"
+    ).add_to(m)
+    
+    # Add layer control
+    folium.LayerControl().add_to(m)
+    
+    return m
 
-# منوی ناوبری مدرن
-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",
-    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"},
-    }
-)
+# Initialize Earth Engine
+ee_initialized = initialize_ee()
 
-# صفحه داشبورد
-if selected == "داشبورد":
-    # متریک‌های داشبورد
-    col1, col2, col3, col4 = st.columns(4)
+if ee_initialized:
+    # Load farm data
+    farm_coords, farm_db = load_farm_data()
     
-    with col1:
-        st.markdown('<div class="metric-card">', unsafe_allow_html=True)
-        st.markdown(f'<div class="metric-value">{len(farm_df["مزرعه"].unique())}</div>', unsafe_allow_html=True)
-        st.markdown('<div class="metric-label">تعداد مزارع</div>', unsafe_allow_html=True)
-        st.markdown('</div>', unsafe_allow_html=True)
+    # Create sidebar for selection
+    st.sidebar.title("Farm Selection")
     
-    with col2:
-        active_farms = int(len(farm_df["مزرعه"].unique()) * 0.85)
-        st.markdown('<div class="metric-card">', unsafe_allow_html=True)
-        st.markdown(f'<div class="metric-value">{active_farms}</div>', unsafe_allow_html=True)
-        st.markdown('<div class="metric-label">مزارع فعال</div>', unsafe_allow_html=True)
-        st.markdown('</div>', unsafe_allow_html=True)
+    # Select farm from dropdown
+    farm_list = farm_coords['name'].unique().tolist()
+    selected_farm = st.sidebar.selectbox("Select Farm", farm_list)
     
-    with col3:
-        avg_height = farm_df['ارتفاع هفته جاری مزرعه'].mean()
-        st.markdown('<div class="metric-card">', unsafe_allow_html=True)
-        st.markdown(f'<div class="metric-value">{avg_height:.1f} cm</div>', unsafe_allow_html=True)
-        st.markdown('<div class="metric-label">میانگین ارتفاع</div>', unsafe_allow_html=True)
-        st.markdown('</div>', unsafe_allow_html=True)
+    # Get the selected farm data
+    farm_row = farm_coords[farm_coords['name'] == selected_farm].iloc[0]
+    farm_lat = farm_row['latitude']
+    farm_lon = farm_row['longitude']
+    farm_age = farm_row['age']
+    farm_variety = farm_row['variety']
     
-    with col4:
-        avg_moisture = farm_df['رطوبت غلاف فعلی'].mean()
-        st.markdown('<div class="metric-card">', unsafe_allow_html=True)
-        st.markdown(f'<div class="metric-value">{avg_moisture:.1f}%</div>', unsafe_allow_html=True)
-        st.markdown('<div class="metric-label">میانگین رطوبت</div>', unsafe_allow_html=True)
-        st.markdown('</div>', unsafe_allow_html=True)
+    # Get farm information from database
+    farm_info = farm_db[farm_db['مزرعه'] == selected_farm]
     
-    # تب‌های داشبورد
-    tab1, tab2, tab3, tab4 = st.tabs(["نمای کلی", "نقشه مزارع", "نمودارها", "داده‌ها"])
+    # Select date range
+    st.sidebar.subheader("Date Selection")
     
-    with tab1:
-        st.markdown("### توزیع واریته‌ها و سن محصول")
-        
-        col1, col2 = st.columns(2)
-        
-        with col1:
-            variety_counts = farm_df['ر��م'].value_counts().reset_index()
-            variety_counts.columns = ['رقم', 'تعداد']
-            fig = px.pie(
-                variety_counts, 
-                values='تعداد', 
-                names='رقم', 
-                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)
-            )
-            st.plotly_chart(fig, use_container_width=True)
-        
-        with col2:
-            age_counts = farm_df['سن'].value_counts().reset_index()
-            age_counts.columns = ['سن', 'تعداد']
-            fig = px.pie(
-                age_counts, 
-                values='تعداد', 
-                names='سن', 
-                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)
-            )
-            st.plotly_chart(fig, use_container_width=True)
-        
-        st.markdown("### اطلاعات کلی مزارع")
-        
-        total_area = farm_df['مساحت'].sum()
-        
-        col1, col2, col3 = st.columns(3)
-        col1.metric("تعداد کل مزارع", f"{len(farm_df['مزرعه'].unique())}")
-        col2.metric("مساحت کل (هکتار)", f"{total_area:.2f}")
-        col3.metric("تعداد کانال‌ها", f"{farm_df['کانال'].nunique()}")
-        
-        st_lottie(lottie_farm, height=300, key="farm_animation")
+    # Default to last 30 days
+    end_date = datetime.now()
+    start_date = end_date - timedelta(days=30)
     
-    with tab2:
-        st.markdown("### نقشه مزارع")
-        
-        if coordinates_df is not None and not coordinates_df.empty:
-            m = folium.Map(location=[31.45, 48.72], zoom_start=12, tiles='CartoDB positron')
-            for _, farm in coordinates_df.iterrows():
-                lat = farm['عرض جغرافیایی']
-                lon = farm['طول جغرافیایی']
-                name = farm['مزرعه']
-                farm_info = farm_df[farm_df['مزرعه'] == name]
-                if not farm_info.empty:
-                    variety = farm_info['رقم'].iloc[0]
-                    age = farm_info['سن'].iloc[0]
-                    area = farm_info['مساحت'].iloc[0]
-                    popup_text = f"""
-                    <div style="direction: rtl; text-align: right; font-family: 'Vazirmatn', sans-serif;">
-                        <h4>مزرعه {name}</h4>
-                        <p>واریته: {variety}</p>
-                        <p>سن: {age}</p>
-                        <p>مساحت: {area} هکتار</p>
-                    </div>
-                    """
-                else:
-                    popup_text = f"<div style='direction: rtl;'>مزرعه {name}</div>"
-                folium.Marker(
-                    [lat, lon],
-                    popup=folium.Popup(popup_text, max_width=300),
-                    tooltip=f"مزرعه {name}",
-                    icon=folium.Icon(color='green', icon='leaf')
-                ).add_to(m)
-            st.markdown('<div class="map-container">', unsafe_allow_html=True)
-            folium_static(m, width=1000, height=600)
-            st.markdown('</div>', unsafe_allow_html=True)
-        else:
-            st.warning("داده‌های مختصات در دسترس نیست.")
+    start_date_input = st.sidebar.date_input("Start Date", start_date)
+    end_date_input = st.sidebar.date_input("End Date", end_date)
     
-    with tab3:
-        st.markdown("### نمودار رشد هفتگی")
-        
-        col1, col2 = st.columns(2)
-        with col1:
-            selected_variety = st.selectbox(
-                "انتخاب واریته",
-                ["all"] + list(farm_df['رقم'].unique()),
-                format_func=lambda x: "همه واریته‌ها" if x == "all" else x
-            )
-        
-        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
-            )
-        
-        growth_data = generate_real_growth_data(selected_variety, selected_age)
-        
-        chart_tab1, chart_tab2 = st.tabs(["میانگین رشد", "رشد مزارع فردی"])
-        
-        with chart_tab1:
-            avg_data = growth_data['average']
-            fig = go.Figure()
-            fig.add_trace(go.Scatter(
-                x=avg_data['weeks'],
-                y=avg_data['heights'],
-                mode='lines+markers',
-                name='میانگین رشد',
-                line=dict(color='#1a8754', width=3),
-                marker=dict(size=8, color='#1a8754')
-            ))
-            fig.update_layout(
-                title='میانگین رشد هفتگی',
-                xaxis_title='هفته',
-                yaxis_title='ارتفاع (سانتی‌متر)',
-                font=dict(family='Vazirmatn', size=14),
-                hovermode='x unified',
-                template='plotly_white',
-                height=500
-            )
-            st.plotly_chart(fig, use_container_width=True)
-        
-        with chart_tab2:
-            if growth_data['individual']:
-                fig = go.Figure()
-                colors = ['#1a8754', '#1976d2', '#e65100', '#9c27b0', '#d32f2f']
-                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)])
-                    ))
-                fig.update_layout(
-                    title='رشد هفتگی مزارع فردی',
-                    xaxis_title='هفته',
-                    yaxis_title='ارتفاع (سانتی‌متر)',
-                    font=dict(family='Vazirmatn', size=14),
-                    hovermode='x unified',
-                    template='plotly_white',
-                    height=500
-                )
-                st.plotly_chart(fig, use_container_width=True)
-            else:
-                st.warning("داده‌ای برای نمایش وجود ندارد.")
-    
-    with tab4:
-        st.markdown("### داده‌های مزارع")
-        
-        search_term = st.text_input("جستجو در داده‌ها", placeholder="نام مزرعه، واریته، سن و...")
-        
-        if search_term:
-            filtered_df = farm_df[
-                farm_df['مزرعه'].astype(str).str.contains(search_term) |
-                farm_df['رقم'].astype(str).str.contains(search_term) |
-                farm_df['سن'].astype(str).str.contains(search_term) |
-                farm_df['کانال'].astype(str).str.contains(search_term)
-            ]
-        else:
-            filtered_df = farm_df
-        
-        if not filtered_df.empty:
-            csv = filtered_df.to_csv(index=False).encode('utf-8-sig')
-            st.download_button(
-                label="دانلود داده‌ها (CSV)",
-                data=csv,
-                file_name="farm_data.csv",
-                mime="text/csv",
-            )
-            st.dataframe(
-                filtered_df,
-                use_container_width=True,
-                height=400,
-                hide_index=True
-            )
-            st.info(f"نمایش {len(filtered_df)} مزرعه از {len(farm_df)} مزرعه")
-        else:
-            st.warning("هیچ داده‌ای یافت نشد.")
-
-# صفحه نقشه مزارع
-elif selected == "نقشه مزارع":
-    st.markdown("## نقشه مزارع با شاخص‌های ماهواره‌ای")
-    
-    col1, col2 = st.columns([1, 3])
+    # Convert to string format for Earth Engine
+    start_date_str = start_date_input.strftime('%Y-%m-%d')
+    end_date_str = end_date_input.strftime('%Y-%m-%d')
     
-    with col1:
-        st.markdown('<div class="glass-card">', unsafe_allow_html=True)
-        st.markdown("### تنظیمات نقشه")
+    # Get days in database for the selected farm
+    if not farm_info.empty:
+        days = farm_info['روز'].unique().tolist()
+        selected_day = st.sidebar.selectbox("Select Day", days)
         
-        selected_farm = st.selectbox(
-            "انتخاب مزرعه",
-            options=coordinates_df['مزرعه'].tolist(),
-            index=0,
-            format_func=lambda x: f"مزرعه {x}"
-        )
-        
-        selected_date = st.date_input(
-            "انتخاب تاریخ",
-            value=datetime.now(),
-            format="YYYY-MM-DD"
-        )
+        # Filter farm info by selected day
+        day_info = farm_info[farm_info['روز'] == selected_day]
         
-        selected_layer = st.selectbox(
-            "انتخاب شاخص",
-            options=["NDVI", "NDMI", "EVI", "NDWI"],
-            format_func=lambda x: {
-                "NDVI": "شاخص پوشش گیاهی (NDVI)",
-                "NDMI": "شاخص رطوبت (NDMI)",
-                "EVI": "شاخص پیشرفته گیاهی (EVI)",
-                "NDWI": "شاخص آب (NDWI)"
-            }[x]
+        if not day_info.empty:
+            # Display farm details
+            with st.expander("Farm Details", expanded=True):
+                col1, col2, col3, col4 = st.columns(4)
+                
+                with col1:
+                    st.metric("Farm", selected_farm)
+                
+                with col2:
+                    st.metric("Age", farm_age)
+                
+                with col3:
+                    st.metric("Variety", farm_variety)
+                
+                with col4:
+                    st.metric("Area", f"{day_info.iloc[0]['مساحت زیرمجموعه']} ha")
+    
+    # Fetch satellite data
+    with st.spinner("Fetching satellite data..."):
+        indices_data = get_satellite_indices(
+            farm_lat, 
+            farm_lon, 
+            [start_date_str, end_date_str]
         )
         
-        generate_map = st.button(
-            "تولید نقشه",
-            use_container_width=True
+        # Get time series data for the period
+        time_series = get_time_series(
+            farm_lat,
+            farm_lon,
+            start_date_str,
+            end_date_str
         )
-        
-        st.markdown('<hr style="margin: 20px 0;">', unsafe_allow_html=True)
-        
-        st.markdown("### راهنمای شاخص‌ها")
-        
-        with st.expander("شاخص پوشش گیاهی (NDVI)", expanded=selected_layer == "NDVI"):
-            st.markdown("""
-            **شاخص تفاضل نرمال‌شده پوشش گیاهی (NDVI)** معیاری برای سنجش سلامت و تراکم پوشش گیاهی است.
+    
+    # Fetch weather data
+    with st.spinner("Fetching weather data..."):
+        weather_data = get_weather_data(farm_lat, farm_lon)
+    
+    # Display tabs
+    tab1, tab2, tab3, tab4 = st.tabs([
+        "Current Status", 
+        "Time Series Analysis",
+        "Weather Data",
+        "Weekly Report"
+    ])
+    
+    with tab1:
+        if indices_data:
+            # Display satellite indices
+            st.subheader("Vegetation Indices")
             
-            - **مقادیر بالا (0.6 تا 1.0)**: پوشش گیاهی متراکم و سالم
-            - **مقادیر متوسط (0.2 تا 0.6)**: پوشش گیاهی متوسط
-            - **مقادیر پایین (-1.0 تا 0.2)**: پوشش گیاهی کم یا خاک لخت
+            col1, col2, col3, col4 = st.columns(4)
             
-            فرمول: NDVI = (NIR - RED) / (NIR + RED)
-            """)
-        
-        with st.expander("شاخص رطوبت (NDMI)", expanded=selected_layer == "NDMI"):
-            st.markdown("""
-            **شاخص تفاضل نرمال‌شده رطوبت (NDMI)** برای ارزیابی محتوای رطوبت گیاهان استفاده می‌شود.
+            with col1:
+                ndvi_val = indices_data['values']['ndvi']
+                ndvi_color = "green" if ndvi_val > 0.5 else "yellow" if ndvi_val > 0.2 else "red"
+                st.metric("NDVI", f"{ndvi_val:.3f}", delta="Good" if ndvi_val > 0.5 else "Medium" if ndvi_val > 0.2 else "Poor", delta_color="normal")
             
-            - **مقادیر بالا (0.4 تا 1.0)**: محتوای رطوبت بالا
-            - **مقادیر متوسط (0.0 تا 0.4)**: محتوای رطوبت متوسط
-            - **مقادیر پایین (-1.0 تا 0.0)**: محتوای رطوبت کم
+            with col2:
+                ndwi_val = indices_data['values']['ndwi']
+                st.metric("NDWI", f"{ndwi_val:.3f}", delta="Good" if ndwi_val > 0 else "Low", delta_color="normal")
             
-            فرمول: NDMI = (NIR - SWIR) / (NIR + SWIR)
-            """)
-        
-        with st.expander("شاخص پیشرفته گیاهی (EVI)", expanded=selected_layer == "EVI"):
-            st.markdown("""
-            **شاخص پیشرفته پوشش گیاهی (EVI)** نسخه بهبودیافته NDVI است که حساسیت کمتری به اثرات خاک و اتمسفر دارد.
+            with col3:
+                lai_val = indices_data['values']['lai']
+                st.metric("LAI", f"{lai_val:.3f}", delta="Good" if lai_val > 2 else "Medium" if lai_val > 1 else "Poor", delta_color="normal")
             
-            - **مقادیر بالا (0.4 تا 1.0)**: پوشش گیاهی متراکم و سالم
-            - **مقادیر متوسط (0.2 تا 0.4)**: پوشش گیاهی متوسط
-            - **مقادیر پایین (0.0 تا 0.2)**: پوشش گیاهی کم
+            with col4:
+                chl_val = indices_data['values']['chl']
+                st.metric("CHL", f"{chl_val:.3f}", delta="Good" if chl_val > 2 else "Medium" if chl_val > 1.5 else "Poor", delta_color="normal")
             
-            فرمول: EVI = 2.5 * ((NIR - RED) / (NIR + 6*RED - 7.5*BLUE + 1))
-            """)
-        
-        with st.expander("شاخص آب (NDWI)", expanded=selected_layer == "NDWI"):
-            st.markdown("""
-            **شاخص تفاضل نرمال‌شده آب (NDWI)** برای شناسایی پهنه‌های آبی و ارزیابی محتوای آب در گیاهان استفاده می‌شود.
+            # Display maps
+            st.subheader("Satellite Maps")
             
-            - **مقادیر بالا (0.3 تا 1.0)**: پهنه‌های آبی
-            - **مقادیر متوسط (0.0 تا 0.3)**: محتوای آب متوسط
-            - **مقادیر پایین (-1.0 تا 0.0)**: محتوای آب کم یا خاک خشک
+            map_tabs = st.tabs(["NDVI", "NDWI", "LAI", "CHL"])
             
-            فرمول: NDWI = (GREEN - NIR) / (GREEN + NIR)
-            """)
-        
-        st.markdown('</div>', unsafe_allow_html=True)
-    
-    with col2:
-        map_tab, stats_tab = st.tabs(["نقشه", "آمار و تحلیل"])
-        
-        with map_tab:
-            st.markdown('<div class="map-container">', unsafe_allow_html=True)
-            if generate_map or 'last_map' not in st.session_state:
-                with st.spinner('در حال تولید نقشه...'):
-                    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)
-                        st.success(f"نقشه {selected_layer} برای مزرعه {selected_farm} با موفقیت تولید شد.")
-                    else:
-                        st.error("خطا در تولید نقشه. لطفاً دوباره تلاش کنید.")
-            elif 'last_map' in st.session_state:
-                folium_static(st.session_state.last_map, width=800, height=600)
-            st.markdown('</div>', unsafe_allow_html=True)
-            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.
-            """)
-        
-        with stats_tab:
-            if 'last_map' in st.session_state:
-                stats = calculate_farm_stats(selected_farm, selected_layer)
-                
-                col1, col2, col3, col4 = st.columns(4)
-                
-                with col1:
-                    st.markdown('<div class="metric-card">', unsafe_allow_html=True)
-                    st.markdown(f'<div class="metric-value">{stats["mean"]:.2f}</div>', unsafe_allow_html=True)
-                    st.markdown(f'<div class="metric-label">میانگین {selected_layer}</div>', unsafe_allow_html=True)
-                    st.markdown('</div>', unsafe_allow_html=True)
-                
-                with col2:
-                    st.markdown('<div class="metric-card">', unsafe_allow_html=True)
-                    st.markdown(f'<div class="metric-value">{stats["max"]:.2f}</div>', unsafe_allow_html=True)
-                    st.markdown(f'<div class="metric-label">حداکثر {selected_layer}</div>', unsafe_allow_html=True)
-                    st.markdown('</div>', unsafe_allow_html=True)
-                
-                with col3:
-                    st.markdown('<div class="metric-card">', unsafe_allow_html=True)
-                    st.markdown(f'<div class="metric-value">{stats["min"]:.2f}</div>', unsafe_allow_html=True)
-                    st.markdown(f'<div class="metric-label">حداقل {selected_layer}</div>', unsafe_allow_html=True)
-                    st.markdown('</div>', unsafe_allow_html=True)
-                
-                with col4:
-                    st.markdown('<div class="metric-card">', unsafe_allow_html=True)
-                    st.markdown(f'<div class="metric-value">{stats["std_dev"]:.2f}</div>', unsafe_allow_html=True)
-                    st.markdown(f'<div class="metric-label">انحراف معیار</div>', unsafe_allow_html=True)
-                    st.markdown('</div>', unsafe_allow_html=True)
-                
-                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"]
+            with map_tabs[0]:
+                ndvi_map = display_satellite_map(
+                    farm_lat, 
+                    farm_lon, 
+                    indices_data['urls']['ndvi'], 
+                    "NDVI"
                 )
-                fig.update_layout(
-                    font=dict(family="Vazirmatn"),
-                    template="plotly_white",
-                    bargap=0.1
+                st.write("NDVI (Normalized Difference Vegetation Index) - Higher values (green) indicate healthy vegetation")
+                folium_static(ndvi_map, width=800, height=500)
+            
+            with map_tabs[1]:
+                ndwi_map = display_satellite_map(
+                    farm_lat, 
+                    farm_lon, 
+                    indices_data['urls']['ndwi'], 
+                    "NDWI"
                 )
-                st.plotly_chart(fig, use_container_width=True)
-                
-                dates = pd.date_range(end=selected_date, periods=30, freq='D')
-                values = [stats["mean"] + np.random.normal(0, stats["std_dev"] / 2) for _ in range(30)]
-                values = np.clip(values, stats["min"], stats["max"])
-                
-                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
+                st.write("NDWI (Normalized Difference Water Index) - Higher values (blue) indicate more water content")
+                folium_static(ndwi_map, width=800, height=500)
+            
+            with map_tabs[2]:
+                lai_map = display_satellite_map(
+                    farm_lat, 
+                    farm_lon, 
+                    indices_data['urls']['lai'], 
+                    "LAI"
                 )
-                fig.update_layout(
-                    font=dict(family="Vazirmatn"),
-                    template="plotly_white",
-                    hovermode="x unified"
+                st.write("LAI (Leaf Area Index) - Higher values (darker green) indicate more leaf area")
+                folium_static(lai_map, width=800, height=500)
+            
+            with map_tabs[3]:
+                chl_map = display_satellite_map(
+                    farm_lat, 
+                    farm_lon, 
+                    indices_data['urls']['chl'], 
+                    "CHL"
                 )
-                st.plotly_chart(fig, use_container_width=True)
-            else:
-                st.warning("لطفاً ابتدا یک نقشه تولید کنید.")
-
-# صفحه ورود اطلاعات
-elif selected == "ورود اطلاعات":
-    st.markdown("## ورود اطلاعات روزانه مزارع")
-    
-    tab1, tab2 = st.tabs(["ورود دستی", "آپلود فایل"])
-    
-    with tab1:
-        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}"
-            )
-        
-        with col2:
-            days = day_df['روز'].unique().tolist()
-            selected_day = st.selectbox("انتخاب روز", options=days)
-        
-        filtered_farms = farm_df[farm_df['هفته'] == int(selected_week)]
-        filtered_farms = filtered_farms[filtered_farms['مزرعه'].isin(day_df[day_df['روز'] == selected_day]['مزرعه'])]
-        
-        if filtered_farms.empty:
-            st.warning(f"هیچ مزرعه‌ای برای هفته {selected_week} و روز {selected_day} در پایگاه داده وجود ندارد.")
+                st.write("CHL (Chlorophyll Content) - Higher values (green) indicate more chlorophyll")
+                folium_static(chl_map, width=800, height=500)
         else:
-            st.markdown("### ورود داده‌های مزارع")
+            st.warning("No satellite data available for the selected date range. Try extending the date range.")
+    
+    with tab2:
+        if not time_series.empty:
+            st.subheader("Time Series Analysis")
             
-            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 فعلی': [0] * len(filtered_farms),
-                    'نیتروژن فعلی': [0] * len(filtered_farms),
-                    'ارتفاع هفته جاری مزرعه': [0] * len(filtered_farms)
-                })
+            # Plot time series
+            ts_tabs = st.tabs(["NDVI", "NDWI", "LAI", "CHL", "Comparison"])
             
-            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 فعلی": st.column_config.NumberColumn("رطوبت غلاف", min_value=0, max_value=100, step=1),
-                    "نیتروژن فعلی": st.column_config.NumberColumn("نیتروژن", min_value=0, max_value=100, step=1),
-                    "ارتفاع هفته جاری مزرعه": st.column_config.NumberColumn("میانگین ارتفاع", disabled=True),
-                },
-                hide_index=True
-            )
+            with ts_tabs[0]:
+                fig = px.line(
+                    time_series, 
+                    x='date', 
+                    y='ndvi',
+                    title=f"NDVI Time Series for {selected_farm}",
+                    labels={"date": "Date", "ndvi": "NDVI Value"},
+                    markers=True
+                )
+                st.plotly_chart(fig, use_container_width=True)
             
-            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']
-                ]
-                valid_stations = [s for s in stations if s > 0]
-                if valid_stations:
-                    edited_df.iloc[i, edited_df.columns.get_loc('ارتفاع هفته جاری مزرعه')] = round(sum(valid_stations) / len(valid_stations), 1)
+            with ts_tabs[1]:
+                fig = px.line(
+                    time_series, 
+                    x='date', 
+                    y='ndwi',
+                    title=f"NDWI Time Series for {selected_farm}",
+                    labels={"date": "Date", "ndwi": "NDWI Value"},
+                    markers=True
+                )
+                st.plotly_chart(fig, use_container_width=True)
             
-            st.session_state[data_key] = edited_df
+            with ts_tabs[2]:
+                fig = px.line(
+                    time_series, 
+                    x='date', 
+                    y='lai',
+                    title=f"LAI Time Series for {selected_farm}",
+                    labels={"date": "Date", "lai": "LAI Value"},
+                    markers=True
+                )
+                st.plotly_chart(fig, use_container_width=True)
+            
+            with ts_tabs[3]:
+                fig = px.line(
+                    time_series, 
+                    x='date', 
+                    y='chl',
+                    title=f"CHL Time Series for {selected_farm}",
+                    labels={"date": "Date", "chl": "CHL Value"},
+                    markers=True
+                )
+                st.plotly_chart(fig, use_container_width=True)
             
-            if st.button("ذخیره اطلاعات", use_container_width=True):
-                new_data = edited_df.copy()
-                new_data['هفته'] = int(selected_week)
-                new_data['تاریخ قرائت'] = (datetime.now() - timedelta(weeks=(22 - int(selected_week)))).strftime('%Y-%m-%d')
-                new_data['رقم'] = new_data['مزرعه'].map(farm_df.set_index('مزرعه')['رقم'])
-                new_data['سن'] = new_data['مزرعه'].map(farm_df.set_index('مزرعه')['سن'])
-                new_data['مساحت'] = new_data['مزرعه'].map(farm_df.set_index('مزرعه')['مساحت'])
-                new_data['کانال'] = new_data['مزرعه'].map(farm_df.set_index('مزرعه')['کانال'])
-                new_data['اداره'] = new_data['مزرعه'].map(farm_df.set_index('مزرعه')['اداره'])
-                new_data['سال'] = datetime.now().year
+            with ts_tabs[4]:
+                # Comparison of all indices
+                fig = go.Figure()
                 
-                st.session_state.heights_df = pd.concat([st.session_state.heights_df, new_data], ignore_index=True)
-                st.success(f"داده‌های هفته {selected_week} برای روز {selected_day} با موفقیت ذخیره شدند.")
-                st.balloons()
-    
-    with tab2:
-        st.markdown("### آپلود فایل اکسل")
-        
-        uploaded_file = st.file_uploader("فایل اکسل خود را آپلود کنید", type=["xlsx", "xls", "csv"])
-        
-        if uploaded_file is not None:
-            try:
-                if uploaded_file.name.endswith('.csv'):
-                    df = pd.read_csv(uploaded_file, encoding='utf-8-sig')
-                else:
-                    df = pd.read_excel(uploaded_file)
-                st.dataframe(df, use_container_width=True)
+                fig.add_trace(go.Scatter(
+                    x=time_series['date'], 
+                    y=time_series['ndvi'],
+                    mode='lines+markers',
+                    name='NDVI'
+                ))
                 
-                if st.button("ذخیره فایل", use_container_width=True):
-                    st.session_state.heights_df = pd.concat([st.session_state.heights_df, df], ignore_index=True)
-                    st.success("فایل با موفقیت ذخیره شد.")
-                    st.balloons()
-            except Exception as e:
-                st.error(f"خطا در خواندن فایل: {e}")
-        
-        st.markdown("### راهنمای فرمت فایل")
-        st.markdown("""
-        فایل اکسل باید شامل ستون‌های زیر باشد:
-        
-        - مزرعه
-        - ایستگاه 1 تا ایستگاه 5
-        - چاهک 1 و چاهک 2
-        - رطوبت غلاف فعلی
-        - نیتروژن فعلی
-        """)
-        
-        st.markdown("""
-        <div style="border: 2px dashed #1a8754; border-radius: 10px; padding: 40px; text-align: center; margin: 20px 0;">
-            <svg xmlns="http://www.w3.org/2000/svg" width="48" height="48" viewBox="0 0 24 24" fill="none" stroke="#1a8754" stroke-width="2" stroke-linecap="round" stroke-linejoin="round">
-                <path d="M21 15v4a2 2 0 0 1-2 2H5a2 2 0 0 1-2-2v-4"></path>
-                <polyline points="17 8 12 3 7 8"></polyline>
-                <line x1="12" y1="3" x2="12" y2="15"></line>
-            </svg>
-            <p style="margin-top: 10px; color: #1a8754;">فایل خود را اینجا رها کنید یا روی دکمه بالا کلیک کنید</p>
-        </div>
-        """, unsafe_allow_html=True)
-
-# صفحه تحلیل داده‌ها
-elif selected == "تحلیل داده‌ها":
-    st.markdown("## تحلیل هوشمند داده‌ها")
-    
-    col1, col2 = st.columns([1, 2])
-    
-    with col1:
-        st_lottie(lottie_analysis, height=200, key="analysis_animation")
-    
-    with col2:
-        st.markdown("""
-        <div class="glass-card">
-            <h3 style="background: linear-gradient(90deg, #1a8754 0%, #115740 100%); -webkit-background-clip: text; -webkit-text-fill-color: transparent; font-weight: 700;">
-                تحلیل پیشرفته داده‌های مزارع
-            </h3>
-            <p>در این بخش می‌توانید تحلیل‌های پیشرفته روی داده‌های مزارع انجام دهید و روندها و الگوهای مختلف را بررسی کنید.</p>
-        </div>
-        """, unsafe_allow_html=True)
-    
-    tab1, tab2, tab3, tab4 = st.tabs(["تحلیل رشد", "مقایسه واریته‌ها", "تحلیل رطوبت", "پیش‌بینی"])
+                fig.add_trace(go.Scatter(
+                    x=time_series['date'], 
+                    y=time_series['ndwi'],
+                    mode='lines+markers',
+                    name='NDWI'
+                ))
+                
+                fig.add_trace(go.Scatter(
+                    x=time_series['date'], 
+                    y=time_series['lai'],
+                    mode='lines+markers',
+                    name='LAI'
+                ))
+                
+                fig.add_trace(go.Scatter(
+                    x=time_series['date'], 
+                    y=time_series['chl'],
+                    mode='lines+markers',
+                    name='CHL'
+                ))
+                
+                fig.update_layout(
+                    title=f"Vegetation Indices Comparison for {selected_farm}",
+                    xaxis_title="Date",
+                    yaxis_title="Index Value",
+                    legend_title="Index"
+                )
+                
+                st.plotly_chart(fig, use_container_width=True)
+        else:
+            st.warning("No time series data available for the selected date range. Try extending the date range.")
     
-    with tab1:
-        st.markdown("### تحلیل رشد مزارع")
-        
-        col1, col2 = st.columns(2)
-        
-        with col1:
-            selected_variety = st.selectbox(
-                "انتخاب واریته",
-                ["all"] + list(farm_df['رقم'].unique()),
-                format_func=lambda x: "همه واریته‌ها" if x == "all" else x,
-                key="growth_variety"
-            )
-        
-        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,
-                key="growth_age"
-            )
-        
-        growth_data = generate_real_growth_data(selected_variety, selected_age)
-        
-        if growth_data['individual']:
-            chart_data = []
-            for farm_data in growth_data['individual']:
-                for i, week in enumerate(farm_data['weeks']):
-                    chart_data.append({
-                        'مزرعه': farm_data['farm_id'],
-                        'هفته': week,
-                        'ارتفاع': farm_data['heights'][i],
-                        'رقم': farm_data['variety'],
-                        'سن': farm_data['age']
-                    })
+    with tab3:
+        if weather_data:
+            st.subheader("Weather Data")
             
-            chart_df = pd.DataFrame(chart_data)
+            # Current weather
+            current = weather_data['current']
+            forecast = weather_data['forecast']
             
-            chart = alt.Chart(chart_df).mark_line(point=True).encode(
-                x=alt.X('هفته:Q', title='هفته'),
-                y=alt.Y('ارتفاع:Q', title='ارتفاع (سانتی‌متر)'),
-                color=alt.Color('مزرعه:N', title='مزرعه'),
-                tooltip=['مزرعه', 'هفته', 'ارتفاع', 'رقم', 'سن']
-            ).properties(
-                width='container',
-                height=400,
-                title='روند رشد مزارع بر اساس هفته'
-            ).interactive()
+            col1, col2, col3 = st.columns(3)
             
-            st.altair_chart(chart, use_container_width=True)
+            with col1:
+                st.metric("Temperature", f"{current['temp']}°C")
             
-            st.markdown("### تحلیل نرخ رشد")
+            with col2:
+                st.metric("Humidity", f"{current['humidity']}%")
             
-            growth_rates = []
-            for farm_data in growth_data['individual']:
-                heights = farm_data['heights']
-                for i in range(1, len(heights)):
-                    if heights[i] > 0 and heights[i-1] > 0:
-                        growth_rate = heights[i] - heights[i-1]
-                        growth_rates.append({
-                            'مزرعه': farm_data['farm_id'],
-                            'هفته': farm_data['weeks'][i],
-                            'نرخ رشد': growth_rate,
-                            'رقم': farm_data['variety'],
-                            'سن': farm_data['age']
-                        })
+            with col3:
+                st.metric("Wind Speed", f"{current['wind_speed']} m/s")
             
-            growth_rate_df = pd.DataFrame(growth_rates)
+            st.write(f"Current conditions: {current['description'].title()}")
             
-            chart = alt.Chart(growth_rate_df).mark_bar().encode(
-                x=alt.X('هفته:O', title='هفته'),
-                y=alt.Y('mean(نرخ رشد):Q', title='نرخ رشد (سانتی‌متر در هفته)'),
-                color=alt.Color('مزرعه:N', title='مزرعه'),
-                tooltip=['مزرعه', 'هفته', 'mean(نرخ رشد)']
-            ).properties(
-                width='container',
-                height=400,
-                title='نرخ رشد هفتگی مزارع'
-            ).interactive()
+            # Weather forecast
+            st.subheader("7-Day Forecast")
             
-            st.altair_chart(chart, use_container_width=True)
-        else:
-            st.warning("داده‌ای برای نمایش وجود ندارد.")
-    
-    with tab2:
-        st.markdown("### مقایسه واریته‌ها")
-        
-        variety_age_groups = farm_df.groupby(['رقم', 'سن']).size().reset_index(name='تعداد')
-        
-        fig = px.density_heatmap(
-            variety_age_groups,
-            x='رقم',
-            y='سن',
-            z='تعداد',
-            title='توزیع مزارع بر اساس واریته و سن',
-            color_continuous_scale='Viridis'
-        )
-        fig.update_layout(
-            font=dict(family="Vazirmatn"),
-            template="plotly_white",
-            xaxis_title="واریته",
-            yaxis_title="سن"
-        )
-        st.plotly_chart(fig, use_container_width=True)
-        
-        variety_heights = farm_df.groupby('رقم')['ارتفاع هفته جاری مزرعه'].apply(list).to_dict()
-        
-        fig = go.Figure()
-        for variety, heights in variety_heights.items():
-            fig.add_trace(go.Box(
-                y=heights,
-                name=variety,
-                boxpoints='outliers',
-                marker_color=f'hsl({hash(variety) % 360}, 70%, 50%)'
-            ))
-        fig.update_layout(
-            title='مقایس�� ارتفاع بر اساس واریته',
-            yaxis_title='ارتفاع (سانتی‌متر)',
-            font=dict(family="Vazirmatn"),
-            template="plotly_white",
-            boxmode='group'
-        )
-        st.plotly_chart(fig, use_container_width=True)
-        
-        variety_stats = {}
-        for variety, heights in variety_heights.items():
-            variety_stats[variety] = {
-                'میانگین': np.mean(heights),
-                'میانه': np.median(heights),
-                'انحراف معیار': np.std(heights),
-                'حداقل': np.min(heights),
-                'حداکثر': np.max(heights)
-            }
-        variety_stats_df = pd.DataFrame(variety_stats).T
-        st.dataframe(variety_stats_df, use_container_width=True)
-    
-    with tab3:
-        st.markdown("### تحلیل رطوبت مزارع")
-        
-        farms = farm_df['مزرعه'].unique()[:10]
-        dates = pd.date_range(end=datetime.now(), periods=30, freq='D')
-        
-        moisture_data = []
-        for farm in farms:
-            farm_data = farm_df[farm_df['مزرعه'] == farm]
-            for date in dates:
-                week_data = farm_data[farm_data['هفته'] == (date.isocalendar()[1] % 23 + 1)]
-                moisture = week_data['رطوبت غلاف فعلی'].mean() if not week_data.empty else np.random.uniform(50, 80)
-                moisture = max(0, min(100, moisture))
-                moisture_data.append({
-                    'مزرعه': farm,
-                    'تاریخ': date,
-                    'رطوبت': moisture
-                })
-        
-        moisture_df = pd.DataFrame(moisture_data)
-        
-        fig = px.line(
-            moisture_df,
-            x='تاریخ',
-            y='رطوبت',
-            color='مزرعه',
-            title='روند رطوبت مزارع در 30 روز گذشته',
-            labels={'تاریخ': 'تاریخ', 'رطوبت': 'رطوبت (%)', 'مزرعه': 'مزرعه'}
-        )
-        fig.update_layout(
-            font=dict(family="Vazirmatn"),
-            template="plotly_white",
-            hovermode="x unified"
-        )
-        st.plotly_chart(fig, use_container_width=True)
-        
-        st.markdown("### همبستگی رطوبت و ارتفاع")
-        
-        correlation_data = []
-        for farm in farms:
-            farm_data = farm_df[farm_df['مزرعه'] == farm]
-            for _, row in farm_data.iterrows():
-                correlation_data.append({
-                    'مزرعه': farm,
-                    'رطوبت': row['رطوبت غلاف فعلی'],
-                    'ارتفاع': row['ارتفاع هفته جاری مزرعه']
-                })
-        
-        correlation_df = pd.DataFrame(correlation_data)
-        
-        fig = px.scatter(
-            correlation_df,
-            x='رطوبت',
-            y='ارتفاع',
-            color='مزرعه',
-            title='همبستگی بین رطوبت و ارتفاع',
-            labels={'رطوبت': 'رطوبت (%)', 'ارتفاع': 'ارتفاع (سانتی‌متر)', 'مزرعه': 'مزرعه'},
-            trendline='ols'
-        )
-        fig.update_layout(
-            font=dict(family="Vazirmatn"),
-            template="plotly_white"
-        )
-        st.plotly_chart(fig, use_container_width=True)
-        
-        correlation = correlation_df['رطوبت'].corr(correlation_df['ارتفاع'])
-        st.info(f"ضریب همبستگی بین رطوبت و ارتفاع: {correlation:.2f}")
-    
-    with tab4:
-        st.markdown("### پیش‌بینی رشد مزارع")
-        
-        selected_farm_for_prediction = st.selectbox(
-            "انتخاب مزرعه",
-            options=farm_df['مزرعه'].tolist(),
-            format_func=lambda x: f"مزرعه {x}"
-        )
-        
-        farm_data = farm_df[farm_df['مزرعه'] == selected_farm_for_prediction]
-        historical_weeks = farm_data['هفته'].values
-        historical_heights = farm_data['ارتفاع هفته جاری مزرعه'].values
-        
-        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
+            # Create forecast dataframe
+            forecast_df = pd.DataFrame(forecast)
             
+            # Plot temperature forecast
             fig = go.Figure()
+            
             fig.add_trace(go.Scatter(
-                x=historical_weeks,
-                y=historical_heights,
+                x=forecast_df['date'],
+                y=forecast_df['temp_max'],
                 mode='lines+markers',
-                name='داده‌های تاریخی',
-                line=dict(color='#1a8754', width=3),
-                marker=dict(size=8, color='#1a8754')
-            ))
-            fig.add_trace(go.Scatter(
-                x=future_weeks.flatten(),
-                y=future_heights,
-                mode='lines',
-                name='پیش‌بینی',
-                line=dict(color='#1976d2', width=3, dash='dash')
-            ))
-            fig.add_trace(go.Scatter(
-                x=future_weeks.flatten(),
-                y=lower_bound,
-                mode='lines',
-                name='حد پایین',
-                line=dict(color='#d32f2f', width=1, dash='dot'),
-                showlegend=True
+                name='Max Temp',
+                line=dict(color='red')
             ))
+            
             fig.add_trace(go.Scatter(
-                x=future_weeks.flatten(),
-                y=upper_bound,
-                mode='lines',
-                name='حد بالا',
-                line=dict(color='#d32f2f', width=1, dash='dot'),
-                fill='tonexty',
-                showlegend=True
+                x=forecast_df['date'],
+                y=forecast_df['temp_min'],
+                mode='lines+markers',
+                name='Min Temp',
+                line=dict(color='blue')
             ))
+            
             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
+                title="Temperature Forecast",
+                xaxis_title="Date",
+                yaxis_title="Temperature (°C)",
+                legend_title="Temperature"
+            )
+            
+            st.plotly_chart(fig, use_container_width=True)
+            
+            # Plot humidity forecast
+            fig = px.line(
+                forecast_df,
+                x='date',
+                y='humidity',
+                title="Humidity Forecast",
+                labels={"date": "Date", "humidity": "Humidity (%)"},
+                markers=True
+            )
+            
+            st.plotly_chart(fig, use_container_width=True)
+            
+            # Plot wind speed forecast
+            fig = px.line(
+                forecast_df,
+                x='date',
+                y='wind_speed',
+                title="Wind Speed Forecast",
+                labels={"date": "Date", "wind_speed": "Wind Speed (m/s)"},
+                markers=True
             )
+            
             st.plotly_chart(fig, use_container_width=True)
         else:
-            st.warning("داده‌های کافی برای پیش‌بینی وجود ندارد.")
-
-# صفحه گزارش‌گیری
-elif selected == "گزارش‌گیری":
-    st.markdown("## گزارش‌گیری")
-    
-    report_week = st.selectbox("انتخاب هفته برای گزارش", options=[str(i) for i in range(1, 23)])
-    report_day = st.selectbox("انتخاب روز برای گزارش", options=day_df['روز'].unique().tolist())
-    
-    report_df = st.session_state.heights_df[
-        (st.session_state.heights_df['هفته'] == int(report_week)) & 
-        (st.session_state.heights_df['مزرعه'].isin(day_df[day_df['روز'] == report_day]['مزرعه']))
-    ]
-    
-    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-sig')
-        st.download_button(
-            label="دانلود گزارش (CSV)",
-            data=csv,
-            file_name=f"report_week_{report_week}_day_{report_day}.csv",
-            mime="text/csv",
-        )
-        
-        st_lottie(lottie_report, height=200, key="report_animation")
-    else:
-        st.warning(f"داده‌ای برای هفته {report_week} و روز {report_day} یافت نشد.")
-
-# صفحه تنظیمات
-elif selected == "تنظیمات":
-    st.markdown("## تنظیمات سامانه")
-    
-    st.markdown("""
-    <div class="glass-card">
-        <h3 style="background: linear-gradient(90deg, #1a8754 0%, #115740 100%); -webkit-background-clip: text; -webkit-text-fill-color: transparent; font-weight: 700;">
-            تنظیمات پیشرفته
-        </h3>
-        <p>در این بخش می‌توانید تنظیمات کلی سامانه، از جمله به‌روزرسانی داده‌ها و پیکربندی‌های پیشرفته را مدیریت کنید.</p>
-    </div>
-    """, unsafe_allow_html=True)
-    
-    st.markdown("### به‌روزرسانی داده‌ها")
-    
-    if st.button("بارگذاری مجدد داده‌ها", use_container_width=True):
-        st.session_state.heights_df = load_farm_data()
-        st.success("داده‌ها با موفقیت به‌روزرسانی شدند.")
-    
-    st.markdown("### تنظیمات ظاهری")
+            st.warning("Weather data could not be retrieved. Please check your internet connection.")
     
-    theme = st.radio(
-        "انتخاب تم",
-        options=["سبز (پیش‌فرض)", "آبی", "سفید"],
-        format_func=lambda x: x
-    )
-    
-    if theme == "آبی":
-        st.markdown("""
-        <style>
-            .main-header {background: linear-gradient(90deg, #1976d2 0%, #0d47a1 100%);}
-            .metric-card .metric-value {color: #1976d2;}
-            .stButton>button {background: linear-gradient(90deg, #1976d2 0%, #0d47a1 100%);}
-        </style>
-        """, unsafe_allow_html=True)
-    elif theme == "سفید":
-        st.markdown("""
-        <style>
-            .main-header {background: linear-gradient(90deg, #ffffff 0%, #f5f5f5 100%);}
-            .metric-card .metric-value {color: #333333;}
-            .stButton>button {background: linear-gradient(90deg, #ffffff 0%, #f5f5f5 100%); color: #333333;}
-        </style>
-        """, unsafe_allow_html=True)
-    
-    st.markdown("### اطلاعات تماس")
-    st.markdown("""
-    <div style="background: #f0f0f3; border-radius: 12px; box-shadow: 10px 10px 20px #d1d1d4, -10px -10px 20px #ffffff; padding: 1.5rem;">
-        <p>برای پشتیبانی یا مشکلات فنی، با ما تماس بگیرید:</p>
-        <p>ایمیل: [email protected]</p>
-        <p>تلفن: +98 21 12345678</p>
-    </div>
-    """, unsafe_allow_html=True)
+    with tab4:
+        st.subheader("Weekly Report")
+        
+        # Get the last 7 days of data
+        last_7_days = datetime.now() - timedelta(days=7)
+        last_7_days_str = last_7_days.strftime('%Y-%m-%d')
+        
+        with st.spinner("Generating weekly report..."):
+            # Get weekly time series
+            weekly_data = get_time_series(
+                farm_lat,
+                farm_lon,
+                last_7_days_str,
+                end_date_str
+            )
+            
+            if not weekly_data.empty:
+                # Weekly summary
+                weekly_avg = weekly_data.mean()
+                
+                col1, col2, col3, col4 = st.columns(4)
+                
+                with col1:
+                    st.metric("Avg NDVI", f"{weekly_avg['ndvi']:.3f}")
+                
+                with col2:
+                    st.metric("Avg NDWI", f"{weekly_avg['ndwi']:.3f}")
+                
+                with col3:
+                    st.metric("Avg LAI", f"{weekly_avg['lai']:.3f}")
+                
+                with col4:
+                    st.metric("Avg CHL", f"{weekly_avg['chl']:.3f}")
+                
+                # Plot weekly trends
+                st.subheader("Weekly Trends")
+                
+                fig = go.Figure()
+                
+                fig.add_trace(go.Scatter(
+                    x=weekly_data['date'],
+                    y=weekly_data['ndvi'],
+                    mode='lines+markers',
+                    name='NDVI'
+                ))
+                
+                fig.add_trace(go.Scatter(
+                    x=weekly_data['date'],
+                    y=weekly_data['lai'],
+                                        x=weekly_data['date'],
+                    y=weekly_data['lai'],
+                    mode='lines+markers',
+                    name='LAI'
+                ))
+                
+                fig.update_layout(
+                    title=f"NDVI and LAI Weekly Trends for {selected_farm}",
+                    xaxis_title="Date",
+                    yaxis_title="Index Value",
+                    legend_title="Index"
+                )
+                
+                st.plotly_chart(fig, use_container_width=True)
+                
+                # Weekly change
+                if len(weekly_data) > 1:
+                    first_day = weekly_data.iloc[0]
+                    last_day = weekly_data.iloc[-1]
+                    
+                    ndvi_change = ((last_day['ndvi'] - first_day['ndvi']) / first_day['ndvi']) * 100 if first_day['ndvi'] != 0 else 0
+                    lai_change = ((last_day['lai'] - first_day['lai']) / first_day['lai']) * 100 if first_day['lai'] != 0 else 0
+                    
+                    col1, col2 = st.columns(2)
+                    
+                    with col1:
+                        st.metric("NDVI Change", f"{ndvi_change:.2f}%", delta=f"{ndvi_change:.2f}%")
+                    
+                    with col2:
+                        st.metric("LAI Change", f"{lai_change:.2f}%", delta=f"{lai_change:.2f}%")
+                    
+                    # Growth status assessment
+                    st.subheader("Growth Status Assessment")
+                    
+                    if ndvi_change > 5 and lai_change > 5:
+                        st.success("✅ Healthy Growth: The crop is showing good growth patterns with increasing vegetation indices.")
+                    elif ndvi_change > 0 and lai_change > 0:
+                        st.info("ℹ️ Moderate Growth: The crop is growing, but at a slower rate than expected.")
+                    elif ndvi_change < 0 or lai_change < 0:
+                        st.warning("⚠️ Growth Concern: The crop is showing signs of stress or declining health.")
+                    
+                    # Recommendations
+                    st.subheader("Recommendations")
+                    
+                    if ndvi_change < 0:
+                        st.warning("Consider checking for pest infestations or nutrient deficiencies.")
+                    
+                    if ndwi_val < -0.3:
+                        st.warning("Water stress detected. Consider irrigation schedule adjustments.")
+                    
+                    if lai_val < 1.5:
+                        st.warning("Low leaf area index. Investigate possible causes for poor canopy development.")
+                    
+                    if chl_val < 1.5:
+                        st.warning("Low chlorophyll content. Consider nitrogen fertilization.")
+            else:
+                st.warning("No data available for the last 7 days. Check your satellite data availability.")
+else:
+    st.error("Failed to initialize Google Earth Engine. Please check your credentials.")
 
-# فوتر
-st.markdown("""
-<footer>
-    <p>© 2025 سامانه هوشمند پایش مزارع نیشکر دهخدا. تمامی حقوق محفوظ است.</p>
-</footer>
-""", unsafe_allow_html=True)