diff --git "a/app.py" "b/app.py" --- "a/app.py" +++ "b/app.py" @@ -27,7 +27,6 @@ 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 # Page configuration with custom theme st.set_page_config( @@ -37,7 +36,7 @@ st.set_page_config( initial_sidebar_state="expanded" ) -# Custom CSS with modern green design and animations +# Custom CSS with modern design and animations st.markdown(""" """, unsafe_allow_html=True) -# Load real farm data from CSV -@st.cache_data -def load_farm_data(): - try: - df = pd.read_csv("کراپ لاگ کلی (1).csv") - st.write("ستون‌های موجود در فایل:", df.columns.tolist()) # چاپ ستون‌ها برای بررسی - # Rename columns for consistency with the program - df.rename(columns={ - 'سال': 'Year', - 'هفته': 'Week', - 'مزرعه': 'Farm_ID', - 'کانال': 'Channel', - 'اداره': 'Administration', - 'مساحت': 'Area', - 'مساحت زیر مجموعه': 'SubArea', - 'رقم': 'Variety', - 'سن': 'Age', - 'ایستگاه 1': 'Station1', - 'ایستگاه 2': 'Station2', - 'ایستگاه 3': 'Station3', - 'ایستگاه 4': 'Station4', - 'ایستگاه 5': 'Station5', - 'ارتفاع_هفته_جاری': 'CurrentHeight', # نام ستون واقعی را اینجا وارد کنید - 'ارتفاع هفته گذشته مزرعه': 'PreviousHeight', - 'رشد هفته جاری': 'CurrentGrowth', - 'رشد هفته گذشته': 'PreviousGrowth', - 'نیتروژن فعلی': 'CurrentNitrogen', - 'نیتروژن استاندارد فعلی': 'StandardNitrogen', - 'نیتروژن قبلی': 'PreviousNitrogen', - 'نیتروژن استاندارد قبلی': 'PreviousStandardNitrogen', - 'رطوبت غلاف فعلی': 'CurrentMoisture', - 'رطوبت استاندارد فعلی': 'StandardMoisture', - 'رطوبت غلاف قبلی': 'PreviousMoisture', - 'رطوبت استاندارد قبلی': 'PreviousStandardMoisture', - 'چاهک 1': 'Well1', - 'تاریخ قرائت': 'Well1Date', - 'چاهک 2': 'Well2', - 'تاریخ قرائت.1': 'Well2Date' - }, inplace=True) - return df - except Exception as e: - st.error(f"خطا در بارگذاری داده‌های مزارع: {e}") - return pd.DataFrame() - -@st.cache_data -def load_coordinates_data(): - try: - coords_df = pd.read_csv("farm_coordinates.csv") - coords_df.rename(columns={ - 'مزرعه': 'Farm_ID', - 'عرض جغرافیایی': 'Latitude', - 'طول جغرافیایی': 'Longitude' - }, inplace=True) - return coords_df - except Exception as e: - st.error(f"خطا در بارگذاری داده‌های مختصات: {e}") - return pd.DataFrame() - -@st.cache_data -def load_day_data(): - try: - day_df = pd.read_csv("پایگاه داده (1).csv") - day_df.rename(columns={ - 'مزرعه': 'Farm_ID', - 'روز': 'Day' - }, inplace=True) - return day_df - except Exception as e: - st.error(f"خطا در بارگذاری داده‌های روزهای هفته: {e}") - return pd.DataFrame() - -# Load animation JSON -@st.cache_data -def load_lottie_url(url: str): - r = requests.get(url) - if r.status_code != 200: - return None - return r.json() - -# Initialize Earth Engine (unchanged for now, but can be used with real data) +# Initialize Earth Engine @st.cache_resource def initialize_earth_engine(): try: + # Load Earth Engine credentials from the provided JSON service_account = 'dehkhodamap-e9f0da4ce9f6514021@ee-esmaeilkiani13877.iam.gserviceaccount.com' + + # Create a JSON file with the credentials credentials_dict = { "type": "service_account", "project_id": "ee-esmaeilkiani13877", @@ -573,22 +468,261 @@ 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" } + + # Save credentials to a temporary file credentials_file = 'ee-esmaeilkiani13877-cfdea6eaf411.json' with open(credentials_file, 'w') as f: json.dump(credentials_dict, f) + + # Initialize Earth Engine with the credentials credentials = ee.ServiceAccountCredentials(service_account, credentials_file) ee.Initialize(credentials) + + # Remove the temporary file os.remove(credentials_file) + return True except Exception as e: st.error(f"خطا در اتصال به Earth Engine: {e}") return False -# Initialize Earth Engine and load data + +# Load data +@st.cache_data +def load_farm_data(): + try: + df = pd.read_csv("پایگاه داده (1).csv") + return df + except Exception as e: + st.error(f"خطا در بارگذاری داده‌های مزارع: {e}") + return pd.DataFrame() + +@st.cache_data +def load_coordinates_data(): + try: + df = pd.read_csv("farm_coordinates.csv") + return df + except Exception as e: + st.error(f"خطا در بارگذاری داده‌های مختصات: {e}") + return pd.DataFrame() + +# Load animation JSON +@st.cache_data +def load_lottie_url(url: str): + r = requests.get(url) + if r.status_code != 200: + return None + return r.json() + +# Create Earth Engine map with indices +def create_ee_map(farm_id, date_str, layer_type="NDVI"): + try: + # Get farm coordinates + farm_row = coordinates_df[coordinates_df['نام'] == farm_id].iloc[0] + lat, lon = farm_row['عرض جغرافیایی'], farm_row['طول جغرافیایی'] + + # Create a folium map centered at the farm + m = folium.Map(location=[lat, lon], zoom_start=14, tiles='CartoDB positron') + + # Parse date and create a date range + 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') + + # Define the region of interest + region = ee.Geometry.Point([lon, lat]).buffer(1500) + + # Get Sentinel-2 imagery + s2 = ee.ImageCollection('COPERNICUS/S2_SR') \ + .filterDate(start_date, end_date) \ + .filterBounds(region) \ + .sort('CLOUDY_PIXEL_PERCENTAGE') \ + .first() + + # Calculate the selected index + 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)' + + # Add the index layer to the map + 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) + + # Add a marker for the farm + folium.Marker( + [lat, lon], + popup=f'مزرعه {farm_id}', + tooltip=f'مزرعه {farm_id}', + icon=folium.Icon(color='green', icon='leaf') + ).add_to(m) + + # Add a circle around the farm + folium.Circle( + [lat, lon], + radius=1500, + color='green', + fill=True, + fill_color='green', + fill_opacity=0.1 + ).add_to(m) + + # Add layer control + folium.LayerControl().add_to(m) + + # Add a custom legend + legend_html = ''' +
+
''' + legend_title + '''
+
+
+ کم +
+
+
+ متوسط +
+
+
+ زیاد +
+
+ ''' + 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 + +# Generate mock growth data +def generate_mock_growth_data(farm_data, selected_variety="all", selected_age="all"): + weeks = list(range(1, 23)) + + # Filter farms based on variety and age + filtered_farms = farm_data + if selected_variety != "all": + filtered_farms = filtered_farms[filtered_farms['واریته'] == selected_variety] + if selected_age != "all": + filtered_farms = filtered_farms[filtered_farms['سن'] == selected_age] + + # Generate random growth data for each farm + farm_growth_data = [] + for _, farm in filtered_farms.iterrows(): + base_height = np.random.uniform(50, 100) + growth_rate = np.random.uniform(5, 15) + + growth_data = { + 'farm_id': farm['مزرعه'], + 'variety': farm['واریته'], + 'age': farm['سن'], + 'weeks': weeks, + 'heights': [round(base_height + growth_rate * week) for week in weeks] + } + farm_growth_data.append(growth_data) + + # Calculate average growth data + if farm_growth_data: + avg_heights = [] + for week in weeks: + week_heights = [farm['heights'][week-1] for farm in farm_growth_data] + avg_heights.append(round(sum(week_heights) / len(week_heights))) + + avg_growth_data = { + 'farm_id': 'میانگین', + 'variety': 'همه', + 'age': 'همه', + 'weeks': weeks, + 'heights': avg_heights + } + + return { + 'individual': farm_growth_data, + 'average': avg_growth_data + } + else: + return { + 'individual': [], + 'average': { + 'farm_id': 'میانگین', + 'variety': 'همه', + 'age': 'همه', + 'weeks': weeks, + 'heights': [0] * len(weeks) + } + } + +# Calculate statistics for a farm +def calculate_farm_stats(farm_id, layer_type="NDVI"): + # This would normally calculate real statistics from Earth Engine + # For demo purposes, we'll generate mock statistics + if layer_type == "NDVI": + mean = round(np.random.uniform(0.6, 0.8), 2) + min_val = round(mean - np.random.uniform(0.2, 0.3), 2) + max_val = round(mean + np.random.uniform(0.1, 0.2), 2) + std_dev = round(np.random.uniform(0.05, 0.15), 2) + elif layer_type == "NDMI": + mean = round(np.random.uniform(0.3, 0.5), 2) + min_val = round(mean - np.random.uniform(0.2, 0.3), 2) + max_val = round(mean + np.random.uniform(0.1, 0.2), 2) + std_dev = round(np.random.uniform(0.05, 0.15), 2) + elif layer_type == "EVI": + mean = round(np.random.uniform(0.4, 0.6), 2) + min_val = round(mean - np.random.uniform(0.2, 0.3), 2) + max_val = round(mean + np.random.uniform(0.1, 0.2), 2) + std_dev = round(np.random.uniform(0.05, 0.15), 2) + else: # NDWI + mean = round(np.random.uniform(-0.1, 0.1), 2) + min_val = round(mean - np.random.uniform(0.2, 0.3), 2) + max_val = round(mean + np.random.uniform(0.1, 0.2), 2) + std_dev = round(np.random.uniform(0.05, 0.15), 2) + + # Generate histogram data + hist_data = np.random.normal(mean, std_dev, 1000) + hist_data = np.clip(hist_data, min_val, max_val) + + return { + 'mean': mean, + 'min': min_val, + 'max': max_val, + 'std_dev': std_dev, + 'histogram_data': hist_data + } + +# Initialize Earth Engine ee_initialized = initialize_earth_engine() + +# Load data farm_df = load_farm_data() coordinates_df = load_coordinates_data() -day_df = load_day_data() # Load animations lottie_farm = load_lottie_url('https://assets5.lottiefiles.com/packages/lf20_ystsffqy.json') @@ -597,7 +731,11 @@ lottie_report = load_lottie_url('https://assets9.lottiefiles.com/packages/lf20_v # Create session state for storing data if 'heights_df' not in st.session_state: - st.session_state.heights_df = farm_df.copy() + st.session_state.heights_df = pd.DataFrame(columns=[ + 'Farm_ID', 'Week', 'Measurement_Date', 'Height', 'Station1', 'Station2', 'Station3', + 'Station4', 'Station5', 'Groundwater1', 'Groundwater2', 'Sheath_Moisture', 'Nitrogen', + 'Variety', 'Age', 'Area', 'Channel', 'Administration' + ]) # Main header st.markdown('
', unsafe_allow_html=True) @@ -628,28 +766,28 @@ if selected == "داشبورد": with col1: st.markdown('
', unsafe_allow_html=True) - st.markdown(f'
{len(farm_df["Farm_ID"].unique())}
', unsafe_allow_html=True) + st.markdown(f'
{len(farm_df)}
', unsafe_allow_html=True) st.markdown('
تعداد مزارع
', unsafe_allow_html=True) st.markdown('
', unsafe_allow_html=True) with col2: - active_farms = int(len(farm_df["Farm_ID"].unique()) * 0.85) + active_farms = int(len(farm_df) * 0.85) st.markdown('
', unsafe_allow_html=True) st.markdown(f'
{active_farms}
', unsafe_allow_html=True) st.markdown('
مزارع فعال
', unsafe_allow_html=True) st.markdown('
', unsafe_allow_html=True) with col3: - avg_height = farm_df['CurrentHeight'].mean() + avg_height = 175 st.markdown('
', unsafe_allow_html=True) - st.markdown(f'
{avg_height:.1f} cm
', unsafe_allow_html=True) + st.markdown(f'
{avg_height} cm
', unsafe_allow_html=True) st.markdown('
میانگین ارتفاع
', unsafe_allow_html=True) st.markdown('
', unsafe_allow_html=True) with col4: - avg_moisture = farm_df['CurrentMoisture'].mean() + avg_moisture = 68 st.markdown('
', unsafe_allow_html=True) - st.markdown(f'
{avg_moisture:.1f}%
', unsafe_allow_html=True) + st.markdown(f'
{avg_moisture}%
', unsafe_allow_html=True) st.markdown('
میانگین رطوبت
', unsafe_allow_html=True) st.markdown('
', unsafe_allow_html=True) @@ -662,12 +800,15 @@ if selected == "داشبورد": col1, col2 = st.columns(2) with col1: - variety_counts = farm_df['Variety'].value_counts().reset_index() - variety_counts.columns = ['Variety', 'Count'] + # Group farms by variety + variety_counts = farm_df['واریته'].value_counts().reset_index() + variety_counts.columns = ['واریته', 'تعداد'] + + # Create a pie chart for varieties fig = px.pie( variety_counts, - values='Count', - names='Variety', + values='تعداد', + names='واریته', title='توزیع واریته‌ها', color_discrete_sequence=px.colors.sequential.Greens_r ) @@ -679,12 +820,15 @@ if selected == "داشبورد": st.plotly_chart(fig, use_container_width=True) with col2: - age_counts = farm_df['Age'].value_counts().reset_index() - age_counts.columns = ['Age', 'Count'] + # Group farms by age + age_counts = farm_df['سن'].value_counts().reset_index() + age_counts.columns = ['سن', 'تعداد'] + + # Create a pie chart for ages fig = px.pie( age_counts, - values='Count', - names='Age', + values='تعداد', + names='سن', title='توزیع سن محصول', color_discrete_sequence=px.colors.sequential.Blues_r ) @@ -697,31 +841,41 @@ if selected == "داشبورد": st.markdown("### اطلاعات کلی مزارع") - total_area = farm_df['Area'].sum() + # Calculate total area + total_area = farm_df['مساحت'].astype(float).sum() + # Create metrics col1, col2, col3 = st.columns(3) - col1.metric("تعداد کل مزارع", f"{len(farm_df['Farm_ID'].unique())}") + col1.metric("تعداد کل مزارع", f"{len(farm_df)}") col2.metric("مساحت کل (هکتار)", f"{total_area:.2f}") - col3.metric("تعداد کانال‌ها", f"{farm_df['Channel'].nunique()}") + col3.metric("تعداد کانال‌ها", f"{farm_df['کانال'].nunique()}") + # Add a styled separator st.markdown('
', unsafe_allow_html=True) + # Add a lottie animation st_lottie(lottie_farm, height=300, key="farm_animation") with tab2: st.markdown("### نقشه مزارع") + # Create a map of all farms if coordinates_df is not None and not coordinates_df.empty: + # Create a base map m = folium.Map(location=[31.45, 48.72], zoom_start=12, tiles='CartoDB positron') + + # Add markers for each farm for _, farm in coordinates_df.iterrows(): - lat = farm['Latitude'] - lon = farm['Longitude'] - name = farm['Farm_ID'] - farm_info = farm_df[farm_df['Farm_ID'] == name] + lat = farm['عرض جغرافیایی'] + lon = farm['طول جغرافیایی'] + name = farm['نام'] + + # Get additional info from farm_df if available + farm_info = farm_df[farm_df['مزرعه'] == name] if not farm_info.empty: - variety = farm_info['Variety'].iloc[0] - age = farm_info['Age'].iloc[0] - area = farm_info['Area'].iloc[0] + variety = farm_info['واریته'].iloc[0] + age = farm_info['سن'].iloc[0] + area = farm_info['مساحت'].iloc[0] popup_text = f"""

مزرعه {name}

@@ -732,12 +886,16 @@ if selected == "داشبورد": """ else: popup_text = f"
مزرعه {name}
" + + # Add marker 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) + + # Display the map st.markdown('
', unsafe_allow_html=True) folium_static(m, width=1000, height=600) st.markdown('
', unsafe_allow_html=True) @@ -747,26 +905,30 @@ if selected == "داشبورد": with tab3: st.markdown("### نمودار رشد هفتگی") + # Create filters for variety and age col1, col2 = st.columns(2) with col1: selected_variety = st.selectbox( "انتخاب واریته", - ["all"] + list(farm_df['Variety'].unique()), + ["all"] + list(farm_df['واریته'].unique()), format_func=lambda x: "همه واریته‌ها" if x == "all" else x ) with col2: selected_age = st.selectbox( "انتخاب سن", - ["all"] + list(farm_df['Age'].unique()), + ["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) + # Generate mock growth data + growth_data = generate_mock_growth_data(farm_df, selected_variety, selected_age) + # Create tabs for average and individual growth charts chart_tab1, chart_tab2 = st.tabs(["میانگین رشد", "رشد مزارع فردی"]) with chart_tab1: + # Create average growth chart avg_data = growth_data['average'] fig = go.Figure() fig.add_trace(go.Scatter( @@ -777,6 +939,7 @@ if selected == "داشبورد": line=dict(color='#1a8754', width=3), marker=dict(size=8, color='#1a8754') )) + fig.update_layout( title='میانگین رشد هفتگی', xaxis_title='هفته', @@ -786,11 +949,15 @@ if selected == "داشبورد": template='plotly_white', height=500 ) + st.plotly_chart(fig, use_container_width=True) with chart_tab2: + # Create individual growth chart if growth_data['individual']: fig = go.Figure() + + # Only show up to 5 farms to avoid clutter colors = ['#1a8754', '#1976d2', '#e65100', '#9c27b0', '#d32f2f'] for i, farm_data in enumerate(growth_data['individual'][:5]): fig.add_trace(go.Scatter( @@ -801,6 +968,7 @@ if selected == "داشبورد": 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', @@ -810,6 +978,7 @@ if selected == "داشبورد": template='plotly_white', height=500 ) + st.plotly_chart(fig, use_container_width=True) else: st.warning("داده‌ای برای نمایش وجود ندارد.") @@ -817,19 +986,23 @@ if selected == "داشبورد": with tab4: st.markdown("### داده‌های مزارع") + # Create a search box search_term = st.text_input("جستجو در داده‌ها", placeholder="نام مزرعه، واریته، سن و...") + # Filter data based on search term if search_term: filtered_df = farm_df[ - farm_df['Farm_ID'].astype(str).str.contains(search_term) | - farm_df['Variety'].astype(str).str.contains(search_term) | - farm_df['Age'].astype(str).str.contains(search_term) | - farm_df['Channel'].astype(str).str.contains(search_term) + farm_df['مزرعه'].astype(str).str.contains(search_term) | + farm_df['واریته'].astype(str).str.contains(search_term) | + farm_df['سن'].astype(str).str.contains(search_term) | + farm_df['کانال'].astype(str).str.contains(search_term) ] else: filtered_df = farm_df + # Display data table with pagination if not filtered_df.empty: + # Add a download button csv = filtered_df.to_csv(index=False).encode('utf-8') st.download_button( label="دانلود داده‌ها (CSV)", @@ -837,12 +1010,15 @@ if selected == "داشبورد": file_name="farm_data.csv", mime="text/csv", ) + + # Display the data table 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.") @@ -851,25 +1027,29 @@ if selected == "داشبورد": elif selected == "نقشه مزارع": st.markdown("## نقشه مزارع با شاخص‌های ماهواره‌ای") + # Create a layout with sidebar for controls col1, col2 = st.columns([1, 3]) with col1: st.markdown('
', unsafe_allow_html=True) st.markdown("### تنظیمات نقشه") + # Farm selection selected_farm = st.selectbox( "انتخاب مزرعه", - options=coordinates_df['Farm_ID'].tolist(), + options=coordinates_df['نام'].tolist(), index=0, format_func=lambda x: f"مزرعه {x}" ) + # Date selection selected_date = st.date_input( "انتخاب تاریخ", value=datetime.now(), format="YYYY-MM-DD" ) + # Layer type selection selected_layer = st.selectbox( "انتخاب شاخص", options=["NDVI", "NDMI", "EVI", "NDWI"], @@ -881,14 +1061,17 @@ elif selected == "نقشه مزارع": }[x] ) + # Generate map button generate_map = st.button( "تولید نقشه", type="primary", use_container_width=True ) + # Add a separator st.markdown('
', unsafe_allow_html=True) + # Add index descriptions st.markdown("### راهنمای شاخص‌ها") with st.expander("شاخص پوشش گیاهی (NDVI)", expanded=selected_layer == "NDVI"): @@ -938,26 +1121,35 @@ elif selected == "نقشه مزارع": st.markdown('
', unsafe_allow_html=True) with col2: + # Create tabs for map and statistics map_tab, stats_tab = st.tabs(["نقشه", "آمار و تحلیل"]) with map_tab: st.markdown('
', unsafe_allow_html=True) + if generate_map or 'last_map' not in st.session_state: with st.spinner('در حال تولید نقشه...'): + # Create the map m = create_ee_map( selected_farm, selected_date.strftime('%Y-%m-%d'), selected_layer ) + if m: st.session_state.last_map = m folium_static(m, width=800, height=600) + + # Add a success message st.success(f"نقشه {selected_layer} برای مزرعه {selected_farm} با موفقیت تولید شد.") 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('
', unsafe_allow_html=True) + + # Add a note about the map st.info(""" **نکته:** این نقشه بر اساس تصاویر ماهواره‌ای Sentinel-2 تولید شده است. برای دقت بیشتر، تاریخی را انتخاب کنید که ابرناکی کمتری داشته باشد. @@ -965,34 +1157,37 @@ elif selected == "نقشه مزارع": with stats_tab: if 'last_map' in st.session_state: + # Calculate statistics for the selected farm and layer stats = calculate_farm_stats(selected_farm, selected_layer) + # Display statistics in cards col1, col2, col3, col4 = st.columns(4) with col1: st.markdown('
', unsafe_allow_html=True) - st.markdown(f'
{stats["mean"]:.2f}
', unsafe_allow_html=True) + st.markdown(f'
{stats["mean"]}
', unsafe_allow_html=True) st.markdown(f'
میانگین {selected_layer}
', unsafe_allow_html=True) st.markdown('
', unsafe_allow_html=True) with col2: st.markdown('
', unsafe_allow_html=True) - st.markdown(f'
{stats["max"]:.2f}
', unsafe_allow_html=True) + st.markdown(f'
{stats["max"]}
', unsafe_allow_html=True) st.markdown(f'
حداکثر {selected_layer}
', unsafe_allow_html=True) st.markdown('
', unsafe_allow_html=True) with col3: st.markdown('
', unsafe_allow_html=True) - st.markdown(f'
{stats["min"]:.2f}
', unsafe_allow_html=True) + st.markdown(f'
{stats["min"]}
', unsafe_allow_html=True) st.markdown(f'
حداقل {selected_layer}
', unsafe_allow_html=True) st.markdown('
', unsafe_allow_html=True) with col4: st.markdown('
', unsafe_allow_html=True) - st.markdown(f'
{stats["std_dev"]:.2f}
', unsafe_allow_html=True) + st.markdown(f'
{stats["std_dev"]}
', unsafe_allow_html=True) st.markdown(f'
انحراف معیار
', unsafe_allow_html=True) st.markdown('
', unsafe_allow_html=True) + # Create a histogram of values fig = px.histogram( x=stats["histogram_data"], nbins=20, @@ -1000,17 +1195,24 @@ elif selected == "نقشه مزارع": labels={"x": f"مقدار {selected_layer}", "y": "فراوانی"}, color_discrete_sequence=["#1a8754"] ) + fig.update_layout( font=dict(family="Vazirmatn"), template="plotly_white", bargap=0.1 ) + st.plotly_chart(fig, use_container_width=True) + # Add a time series analysis + st.markdown("### تحلیل زمانی") + + # Generate mock time series data dates = pd.date_range(end=selected_date, periods=30, freq='D') - values = [stats["mean"] + np.random.normal(0, stats["std_dev"] / 2) for _ in range(30)] + values = np.random.normal(stats["mean"], stats["std_dev"] / 2, 30) values = np.clip(values, stats["min"], stats["max"]) + # Create a time series chart fig = px.line( x=dates, y=values, @@ -1018,16 +1220,23 @@ elif selected == "نقشه مزارع": labels={"x": "تاریخ", "y": f"مقدار {selected_layer}"}, markers=True ) + fig.update_layout( font=dict(family="Vazirmatn"), template="plotly_white", hovermode="x unified" ) + st.plotly_chart(fig, use_container_width=True) - farm_names = coordinates_df['Farm_ID'].tolist()[:5] + # Add a comparison with other farms + st.markdown("### مقایسه با سایر مزارع") + + # Generate mock comparison data + farm_names = coordinates_df['نام'].tolist()[:5] # Get 5 farm names for comparison comparison_values = [stats["mean"] + np.random.uniform(-0.2, 0.2) for _ in range(len(farm_names))] + # Create a comparison bar chart fig = px.bar( x=farm_names, y=comparison_values, @@ -1036,11 +1245,13 @@ elif selected == "نقشه مزارع": color=comparison_values, color_continuous_scale="Viridis" ) + fig.update_layout( font=dict(family="Vazirmatn"), template="plotly_white", coloraxis_showscale=False ) + st.plotly_chart(fig, use_container_width=True) else: st.warning("لطفاً ابتدا یک نقشه تولید کنید.") @@ -1049,9 +1260,11 @@ elif selected == "نقشه مزارع": elif selected == "ورود اطلاعات": st.markdown("## ورود اطلاعات روزانه مزارع") + # Create tabs for manual entry and file upload tab1, tab2 = st.tabs(["ورود دستی", "آپلود فایل"]) with tab1: + # Create filters for week and day col1, col2 = st.columns(2) with col1: @@ -1062,114 +1275,160 @@ elif selected == "ورود اطلاعات": ) with col2: - days = day_df['Day'].unique().tolist() - selected_day = st.selectbox("انتخاب روز", options=days) + selected_day = st.selectbox( + "انتخاب روز", + options=["شنبه", "یکشنبه", "دوشنبه", "سه‌شنبه", "چهارشنبه", "پنجشنبه"] + ) - filtered_farms = farm_df[farm_df['Week'] == int(selected_week)] - filtered_farms = filtered_farms[filtered_farms['Farm_ID'].isin(day_df[day_df['Day'] == selected_day]['Farm_ID'])] + # Filter farms by selected day + filtered_farms = farm_df[farm_df['روز'] == selected_day] if filtered_farms.empty: - st.warning(f"هیچ مزرعه‌ای برای هفته {selected_week} و روز {selected_day} در پایگاه داده وجود ندارد.") + st.warning(f"هیچ مزرعه‌ای برای روز {selected_day} در پایگاه داده وجود ندارد.") else: + # Create a data editor st.markdown("### ورود داده‌های مزارع") + # Initialize data if not already in session state data_key = f"data_{selected_week}_{selected_day}" if data_key not in st.session_state: st.session_state[data_key] = pd.DataFrame({ - 'Farm_ID': filtered_farms['Farm_ID'], - 'Station1': [0] * len(filtered_farms), - 'Station2': [0] * len(filtered_farms), - 'Station3': [0] * len(filtered_farms), - 'Station4': [0] * len(filtered_farms), - 'Station5': [0] * len(filtered_farms), - 'Well1': [0] * len(filtered_farms), - 'Well2': [0] * len(filtered_farms), - 'CurrentMoisture': [0] * len(filtered_farms), - 'CurrentNitrogen': [0] * len(filtered_farms), - 'CurrentHeight': [0] * len(filtered_farms) + 'مزرعه': filtered_farms['مزرعه'], + 'ایستگاه 1': [0] * len(filtered_farms), + 'ایستگاه 2': [0] * len(filtered_farms), + 'ایستگاه 3': [0] * len(filtered_farms), + 'ایستگاه 4': [0] * len(filtered_farms), + 'ایستگاه 5': [0] * len(filtered_farms), + 'چاهک 1': [0] * len(filtered_farms), + 'چاهک 2': [0] * len(filtered_farms), + 'رطوبت غلاف': [0] * len(filtered_farms), + 'نیتروژن': [0] * len(filtered_farms), + 'میانگین ارتفاع': [0] * len(filtered_farms) }) + # Create a data editor edited_df = st.data_editor( st.session_state[data_key], use_container_width=True, num_rows="fixed", column_config={ - "Farm_ID": st.column_config.TextColumn("مزرعه", disabled=True), - "Station1": st.column_config.NumberColumn("ایستگاه 1", min_value=0, max_value=300, step=1), - "Station2": st.column_config.NumberColumn("ایستگاه 2", min_value=0, max_value=300, step=1), - "Station3": st.column_config.NumberColumn("ایستگاه 3", min_value=0, max_value=300, step=1), - "Station4": st.column_config.NumberColumn("ایستگاه 4", min_value=0, max_value=300, step=1), - "Station5": st.column_config.NumberColumn("ایستگاه 5", min_value=0, max_value=300, step=1), - "Well1": st.column_config.NumberColumn("چاهک 1", min_value=0, max_value=300, step=1), - "Well2": st.column_config.NumberColumn("چاهک 2", min_value=0, max_value=300, step=1), - "CurrentMoisture": st.column_config.NumberColumn("رطوبت غلاف", min_value=0, max_value=100, step=1), - "CurrentNitrogen": st.column_config.NumberColumn("نیتروژن", min_value=0, max_value=100, step=1), - "CurrentHeight": st.column_config.NumberColumn("میانگین ارتفاع", disabled=True), + "مزرعه": st.column_config.TextColumn("مزرعه", disabled=True), + "ایستگاه 1": st.column_config.NumberColumn("ایستگاه 1", min_value=0, max_value=300, step=1), + "ایستگاه 2": st.column_config.NumberColumn("ایستگاه 2", min_value=0, max_value=300, step=1), + "ایستگاه 3": st.column_config.NumberColumn("ایستگاه 3", min_value=0, max_value=300, step=1), + "ایستگاه 4": st.column_config.NumberColumn("ایستگاه 4", min_value=0, max_value=300, step=1), + "ایستگاه 5": st.column_config.NumberColumn("ایستگاه 5", min_value=0, max_value=300, step=1), + "چاهک 1": st.column_config.NumberColumn("چاهک 1", min_value=0, max_value=300, step=1), + "چاهک 2": st.column_config.NumberColumn("چاهک 2", min_value=0, max_value=300, step=1), + "رطوبت غلاف": st.column_config.NumberColumn("رطوبت غلاف", min_value=0, max_value=100, step=1), + "نیتروژن": st.column_config.NumberColumn("نیتروژن", min_value=0, max_value=100, step=1), + "میانگین ارتفاع": st.column_config.NumberColumn("میانگین ارتفاع", disabled=True), }, hide_index=True ) + # Calculate average height for i in range(len(edited_df)): stations = [ - edited_df.iloc[i]['Station1'], - edited_df.iloc[i]['Station2'], - edited_df.iloc[i]['Station3'], - edited_df.iloc[i]['Station4'], - edited_df.iloc[i]['Station5'] + 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('CurrentHeight')] = round(sum(valid_stations) / len(valid_stations), 1) + edited_df.iloc[i, edited_df.columns.get_loc('میانگین ارتفاع')] = round(sum(valid_stations) / len(valid_stations), 1) + # Update session state st.session_state[data_key] = edited_df + # Save button if st.button("ذخیره اطلاعات", type="primary", use_container_width=True): + # This would normally save to a database + # For demo purposes, we'll just show a success message + + # Add data to heights_df new_data = edited_df.copy() + new_data['Farm_ID'] = new_data['مزرعه'] new_data['Week'] = int(selected_week) new_data['Measurement_Date'] = (datetime.now() - timedelta(weeks=(22 - int(selected_week)))).strftime('%Y-%m-%d') - new_data['Variety'] = new_data['Farm_ID'].map(farm_df.set_index('Farm_ID')['Variety']) - new_data['Age'] = new_data['Farm_ID'].map(farm_df.set_index('Farm_ID')['Age']) - new_data['Area'] = new_data['Farm_ID'].map(farm_df.set_index('Farm_ID')['Area']) - new_data['Channel'] = new_data['Farm_ID'].map(farm_df.set_index('Farm_ID')['Channel']) - new_data['Administration'] = new_data['Farm_ID'].map(farm_df.set_index('Farm_ID')['Administration']) + new_data['Height'] = new_data['میانگین ارتفاع'] + new_data['Station1'] = new_data['ایستگاه 1'] + new_data['Station2'] = new_data['ایستگاه 2'] + new_data['Station3'] = new_data['ایستگاه 3'] + new_data['Station4'] = new_data['ایستگاه 4'] + new_data['Station5'] = new_data['ایستگاه 5'] + new_data['Groundwater1'] = new_data['چاهک 1'] + new_data['Groundwater2'] = new_data['چاهک 2'] + new_data['Sheath_Moisture'] = new_data['رطوبت غلاف'] + new_data['Nitrogen'] = new_data['نیتروژن'] + # Merge with farm_df to get additional info + new_data = new_data.merge( + farm_df[['مزرعه', 'واریته', 'سن', 'مساحت', 'کانال', 'اداره']], + left_on='Farm_ID', + right_on='مزرعه', + how='left' + ) + + # Rename columns + new_data = new_data.rename(columns={ + 'واریته': 'Variety', + 'سن': 'Age', + 'مساحت': 'Area', + 'کانال': 'Channel', + 'اداره': 'Administration' + }) + + # Add to heights_df st.session_state.heights_df = pd.concat([st.session_state.heights_df, new_data], ignore_index=True) + + # Show success message st.success(f"داده‌های هفته {selected_week} برای روز {selected_day} با موفقیت ذخیره شدند.") st.balloons() with tab2: st.markdown("### آپلود فایل اکسل") + # Create a file uploader uploaded_file = st.file_uploader("فایل اکسل خود را آپلود کنید", type=["xlsx", "xls", "csv"]) if uploaded_file is not None: try: + # Read the file if uploaded_file.name.endswith('.csv'): df = pd.read_csv(uploaded_file) else: df = pd.read_excel(uploaded_file) + + # Display the data st.dataframe(df, use_container_width=True) + # Save button if st.button("ذخیره فایل", type="primary"): - st.session_state.heights_df = pd.concat([st.session_state.heights_df, df], ignore_index=True) + # This would normally save to a database + # For demo purposes, we'll just show a success message st.success("فایل با موفقیت ذخیره شد.") st.balloons() except Exception as e: st.error(f"خطا در خواندن فایل: {e}") + # Add instructions st.markdown("### راهنمای فرمت فایل") st.markdown(""" فایل اکسل باید شامل ستون‌های زیر باشد: - - Farm_ID - - Station1 تا Station5 - - Well1 و Well2 - - CurrentMoisture - - CurrentNitrogen + - مزرعه + - ایستگاه 1 تا 5 + - چاهک 1 و 2 + - رطوبت غلاف + - نیتروژن می‌توانید از [این فایل نمونه](https://example.com/sample.xlsx) به عنوان الگو استفاده کنید. """) + # Add a drag and drop area st.markdown("""
@@ -1185,6 +1444,7 @@ elif selected == "ورود اطلاعات": elif selected == "تحلیل داده‌ها": st.markdown("## تحلیل هوشمند داده‌ها") + # Add a lottie animation col1, col2 = st.columns([1, 2]) with col1: @@ -1198,17 +1458,19 @@ elif selected == "تحلیل داده‌ها":
""", unsafe_allow_html=True) + # Create tabs for different analyses tab1, tab2, tab3, tab4 = st.tabs(["تحلیل رشد", "مقایسه واریته‌ها", "تحلیل رطوبت", "پیش‌بینی"]) with tab1: st.markdown("### تحلیل رشد مزارع") + # Create filters col1, col2 = st.columns(2) with col1: selected_variety = st.selectbox( "انتخاب واریته", - ["all"] + list(farm_df['Variety'].unique()), + ["all"] + list(farm_df['واریته'].unique()), format_func=lambda x: "همه واریته‌ها" if x == "all" else x, key="growth_variety" ) @@ -1216,14 +1478,17 @@ elif selected == "تحلیل داده‌ها": with col2: selected_age = st.selectbox( "انتخاب سن", - ["all"] + list(farm_df['Age'].unique()), + ["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) + # Generate mock growth data + growth_data = generate_mock_growth_data(farm_df, selected_variety, selected_age) + # Create a growth chart if growth_data['individual']: + # Prepare data for chart chart_data = [] for farm_data in growth_data['individual']: for i, week in enumerate(farm_data['weeks']): @@ -1237,6 +1502,7 @@ elif selected == "تحلیل داده‌ها": chart_df = pd.DataFrame(chart_data) + # Create a line chart with Altair chart = alt.Chart(chart_df).mark_line(point=True).encode( x=alt.X('Week:Q', title='هفته'), y=alt.Y('Height:Q', title='ارتفاع (سانتی‌متر)'), @@ -1250,24 +1516,26 @@ elif selected == "تحلیل داده‌ها": st.altair_chart(chart, use_container_width=True) + # Add a growth rate analysis st.markdown("### تحلیل نرخ رشد") + # Calculate growth rates growth_rates = [] for farm_data in growth_data['individual']: heights = farm_data['heights'] for i in range(1, len(heights)): - if heights[i] > 0 and heights[i-1] > 0: - growth_rate = heights[i] - heights[i-1] - growth_rates.append({ - 'Farm': farm_data['farm_id'], - 'Week': farm_data['weeks'][i], - 'Growth Rate': growth_rate, - 'Variety': farm_data['variety'], - 'Age': farm_data['age'] - }) + growth_rate = heights[i] - heights[i-1] + growth_rates.append({ + 'Farm': farm_data['farm_id'], + 'Week': farm_data['weeks'][i], + 'Growth Rate': growth_rate, + 'Variety': farm_data['variety'], + 'Age': farm_data['age'] + }) growth_rate_df = pd.DataFrame(growth_rates) + # Create a bar chart for growth rates chart = alt.Chart(growth_rate_df).mark_bar().encode( x=alt.X('Week:O', title='هفته'), y=alt.Y('mean(Growth Rate):Q', title='نرخ رشد (سانتی‌متر در هفته)'), @@ -1286,34 +1554,45 @@ elif selected == "تحلیل داده‌ها": with tab2: st.markdown("### مقایسه واریته‌ها") - variety_age_groups = farm_df.groupby(['Variety', 'Age']).size().reset_index(name='Count') + # Group farms by variety and age + variety_age_groups = farm_df.groupby(['واریته', 'سن']).size().reset_index(name='تعداد') + # Create a heatmap fig = px.density_heatmap( variety_age_groups, - x='Variety', - y='Age', - z='Count', + x='واریته', + 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('Variety')['CurrentHeight'].apply(list).to_dict() + # Generate mock variety comparison data + varieties = farm_df['واریته'].unique() + # Generate random heights for each variety + variety_heights = {variety: np.random.normal(150, 20, 100) for variety in varieties} + + # Create a box plot fig = go.Figure() - for variety, heights in variety_heights.items(): + + for variety in varieties: fig.add_trace(go.Box( - y=heights, + y=variety_heights[variety], name=variety, boxpoints='outliers', marker_color=f'hsl({hash(variety) % 360}, 70%, 50%)' )) + fig.update_layout( title='مقایسه ارتفاع بر اساس واریته', yaxis_title='ارتفاع (سانتی‌متر)', @@ -1321,10 +1600,16 @@ elif selected == "تحلیل داده‌ها": template="plotly_white", boxmode='group' ) + st.plotly_chart(fig, use_container_width=True) + # Add a statistical comparison + st.markdown("### مقایسه آماری واریته‌ها") + + # Calculate statistics for each variety variety_stats = {} - for variety, heights in variety_heights.items(): + for variety in varieties: + heights = variety_heights[variety] variety_stats[variety] = { 'میانگین': np.mean(heights), 'میانه': np.median(heights), @@ -1332,22 +1617,26 @@ elif selected == "تحلیل داده‌ها": 'حداقل': np.min(heights), 'حداکثر': np.max(heights) } + + # Create a dataframe variety_stats_df = pd.DataFrame(variety_stats).T + + # Display the statistics st.dataframe(variety_stats_df, use_container_width=True) with tab3: st.markdown("### تحلیل رطوبت مزارع") - farms = farm_df['Farm_ID'].unique()[:10] + # Generate mock moisture data + farms = farm_df['مزرعه'].unique()[:10] # Get 10 farms dates = pd.date_range(end=datetime.now(), periods=30, freq='D') moisture_data = [] for farm in farms: - farm_data = farm_df[farm_df['Farm_ID'] == farm] + base_moisture = np.random.uniform(50, 80) for date in dates: - week_data = farm_data[farm_data['Week'] == (date.isocalendar()[1] % 23 + 1)] - moisture = week_data['CurrentMoisture'].mean() if not week_data.empty else np.random.uniform(50, 80) - moisture = max(0, min(100, moisture)) + moisture = base_moisture + np.random.normal(0, 5) + moisture = max(0, min(100, moisture)) # Clip to 0-100 moisture_data.append({ 'Farm': farm, 'Date': date, @@ -1356,6 +1645,7 @@ elif selected == "تحلیل داده‌ها": moisture_df = pd.DataFrame(moisture_data) + # Create a line chart fig = px.line( moisture_df, x='Date', @@ -1364,27 +1654,34 @@ elif selected == "تحلیل داده‌ها": title='روند رطوبت مزارع در 30 روز گذشته', labels={'Date': 'تاریخ', 'Moisture': 'رطوبت (%)', 'Farm': 'مزرعه'} ) + fig.update_layout( font=dict(family="Vazirmatn"), template="plotly_white", hovermode="x unified" ) + st.plotly_chart(fig, use_container_width=True) + # Add a correlation analysis st.markdown("### همبستگی رطوبت و ارتفاع") + # Generate mock correlation data correlation_data = [] for farm in farms: - farm_data = farm_df[farm_df['Farm_ID'] == farm] - for _, row in farm_data.iterrows(): + for _ in range(20): # 20 data points per farm + moisture = np.random.uniform(40, 90) + # Height is correlated with moisture with some noise + height = 100 + moisture * 1.5 + np.random.normal(0, 20) correlation_data.append({ 'Farm': farm, - 'Moisture': row['CurrentMoisture'], - 'Height': row['CurrentHeight'] + 'Moisture': moisture, + 'Height': height }) correlation_df = pd.DataFrame(correlation_data) + # Create a scatter plot fig = px.scatter( correlation_df, x='Moisture', @@ -1394,167 +1691,770 @@ elif selected == "تحلیل داده‌ها": labels={'Moisture': 'رطوبت (%)', 'Height': 'ارتفاع (سانتی‌متر)', 'Farm': 'مزرعه'}, trendline='ols' ) + fig.update_layout( font=dict(family="Vazirmatn"), template="plotly_white" ) + st.plotly_chart(fig, use_container_width=True) + # Calculate correlation coefficient correlation = correlation_df['Moisture'].corr(correlation_df['Height']) + st.info(f"ضریب همبستگی بین رطوبت و ارتفاع: {correlation:.2f}") with tab4: st.markdown("### پیش‌بینی رشد مزارع") + # Create a farm selector selected_farm_for_prediction = st.selectbox( "انتخاب مزرعه", - options=farm_df['Farm_ID'].tolist(), + options=farm_df['مزرعه'].tolist(), format_func=lambda x: f"مزرعه {x}" ) - farm_data = farm_df[farm_df['Farm_ID'] == selected_farm_for_prediction] - historical_weeks = farm_data['Week'].values - historical_heights = farm_data['CurrentHeight'].values + # Generate mock historical data + weeks = list(range(1, 16)) # Historical data for weeks 1-15 + heights = [50 + i * 10 + np.random.normal(0, 5) for i in range(len(weeks))] - if len(historical_weeks) > 1 and len(historical_heights) > 1: - model = LinearRegression() - model.fit(historical_weeks.reshape(-1, 1), historical_heights) - - future_weeks = np.array(range(max(historical_weeks) + 1, 30)).reshape(-1, 1) - future_heights = model.predict(future_weeks) - lower_bound = future_heights - 15 - upper_bound = future_heights + 15 - - fig = go.Figure() - fig.add_trace(go.Scatter( - x=historical_weeks, - y=historical_heights, - mode='lines+markers', - name='داده‌های تاریخی', - line=dict(color='#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='#1976d2f', 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 - )) - 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 - )) - fig.update_layout( - title=f'پیش‌بینی رشد مزرعه {selected_farm_for_prediction}', - xaxis_title='هفته', - yaxis_title='ارتفاع (سانتی‌مت��)', - font=dict(family='Vazirmatn', size=14), - hovermode='x unified', - template='plotly_white', - height=500 + # Create a dataframe + historical_df = pd.DataFrame({ + 'Week': weeks, + 'Height': heights + }) + + # Predict future weeks (16-22) + future_weeks = list(range(16, 23)) + + # Linear regression for prediction + from sklearn.linear_model import LinearRegression + + model = LinearRegression() + model.fit(np.array(weeks).reshape(-1, 1), heights) + + future_heights = model.predict(np.array(future_weeks).reshape(-1, 1)) + + # Add prediction intervals + lower_bound = future_heights - 15 + upper_bound = future_heights + 15 + + # Create a dataframe for future predictions + future_df = pd.DataFrame({ + 'Week': future_weeks, + 'Height': future_heights, + 'Lower': lower_bound, + 'Upper': upper_bound + }) + + # Create a combined chart + fig = go.Figure() + + # Historical data + fig.add_trace(go.Scatter( + x=historical_df['Week'], + y=historical_df['Height'], + mode='lines+markers', + name='داده‌های تاریخی', + line=dict(color='#1a8754', width=3), + marker=dict(size=8, color='#1a8754') + )) + + # Predicted data + fig.add_trace(go.Scatter( + x=future_df['Week'], + y=future_df['Height'], + mode='lines+markers', + name='پیش‌بینی', + line=dict(color='#ff9800', width=3, dash='dash'), + marker=dict(size=8, color='#ff9800') + )) + + # Prediction interval + fig.add_trace(go.Scatter( + x=future_df['Week'].tolist() + future_df['Week'].tolist()[::-1], + y=future_df['Upper'].tolist() + future_df['Lower'].tolist()[::-1], + fill='toself', + fillcolor='rgba(255, 152, 0, 0.2)', + line=dict(color='rgba(255, 152, 0, 0)'), + hoverinfo='skip', + showlegend=False + )) + + fig.update_layout( + title=f'پیش‌بینی رشد مزرعه {selected_farm_for_prediction}', + xaxis_title='هفته', + yaxis_title='ارتفاع (سانتی‌متر)', + font=dict(family='Vazirmatn', size=14), + hovermode='x unified', + template='plotly_white', + height=500, + legend=dict( + orientation="h", + yanchor="bottom", + y=1.02, + xanchor="right", + x=1 ) - st.plotly_chart(fig, use_container_width=True) - else: - st.warning("داده‌های کافی برای پیش‌بینی وجود ندارد.") - -# Report Generation Page -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['Day'].unique().tolist()) - - report_df = st.session_state.heights_df[ - (st.session_state.heights_df['Week'] == int(report_week)) & - (st.session_state.heights_df['Farm_ID'].isin(day_df[day_df['Day'] == report_day]['Farm_ID'])) - ] - - if not report_df.empty: - st.markdown(f"### گزارش هفته {report_week} - روز {report_day}") - st.dataframe(report_df, use_container_width=True) - - csv = report_df.to_csv(index=False).encode('utf-8') - st.download_button( - label="دانلود گزارش (CSV)", - data=csv, - file_name=f"report_week_{report_week}_day_{report_day}.csv", - mime="text/csv", ) - st_lottie(lottie_report, height=200, key="report_animation") - else: - st.warning(f"داده‌ای برای هفته {report_week} و روز {report_day} یافت نشد.") + # Add vertical line to separate historical and predicted data + fig.add_vline(x=15.5, line_width=1, line_dash="dash", line_color="gray") + + st.plotly_chart(fig, use_container_width=True) + + # Add prediction details + st.markdown("### جزئیات پیش‌بینی") + + col1, col2 = st.columns(2) + + with col1: + st.metric( + label="ارتفاع فعلی", + value=f"{heights[-1]:.1f} cm", + delta=f"{heights[-1] - heights[-2]:.1f} cm" + ) + + with col2: + st.metric( + label="ارتفاع پیش‌بینی شده (هفته 22)", + value=f"{future_heights[-1]:.1f} cm", + delta=f"{future_heights[-1] - heights[-1]:.1f} cm" + ) + + # Add a prediction table + prediction_table = pd.DataFrame({ + 'هفته': future_weeks, + 'ارتفاع پیش‌بینی شده': [f"{h:.1f}" for h in future_heights], + 'حد پایین': [f"{l:.1f}" for l in lower_bound], + 'حد بالا': [f"{u:.1f}" for u in upper_bound] + }) + + st.dataframe(prediction_table, use_container_width=True, hide_index=True) + + # Add factors affecting growth + st.markdown("### عوامل مؤثر بر رشد") + + # Create a radar chart for factors + factors = ['رطوبت', 'نیتروژن', 'دما', 'آبیاری', 'نور'] + factor_values = [85, 70, 60, 90, 75] + + fig = go.Figure() + + fig.add_trace(go.Scatterpolar( + r=factor_values, + theta=factors, + fill='toself', + name='عوامل مؤثر', + line_color='#1a8754' + )) + + fig.update_layout( + polar=dict( + radialaxis=dict( + visible=True, + range=[0, 100] + ) + ), + showlegend=False, + font=dict(family='Vazirmatn'), + height=400 + ) + + st.plotly_chart(fig, use_container_width=True) -# Settings Page -elif selected == "تنظیمات": - st.markdown("## تنظیمات سامانه") +# Reporting Page +elif selected == "گزارش‌گیری": + st.markdown("## گزارش‌گیری پیشرفته") + + # Add a lottie animation + col1, col2 = st.columns([1, 2]) + + with col1: + st_lottie(lottie_report, height=200, key="report_animation") - st.markdown(""" -
-

تنظیمات پیشرفته

-

در این بخش می‌توانید تنظیمات کلی سامانه، از جمله به‌روزرسانی داده‌ها و پیکربندی‌های پیشرفته را مدیریت کنید.

-
- """, unsafe_allow_html=True) + with col2: + st.markdown(""" +
+

گزارش‌گیری پیشرفته

+

در این بخش می‌توانید گزارش‌های مختلف از وضعیت مزارع تهیه کنید و آن‌ها را به صورت PDF یا Excel دانلود کنید.

+
+ """, unsafe_allow_html=True) - st.markdown("### به‌روزرسانی داده‌ها") + # Create date range selector + col1, col2 = st.columns(2) - if st.button("بارگذاری مجدد داده‌ها", type="primary", use_container_width=True): - st.session_state.heights_df = load_farm_data() - st.success("داده‌ها با موفقیت به‌روزرسانی شدند.") + with col1: + start_date = st.date_input( + "تاریخ شروع", + value=datetime.now() - timedelta(days=30), + format="YYYY-MM-DD" + ) - st.markdown("### تنظیمات ظاهری") + with col2: + end_date = st.date_input( + "تاریخ پایان", + value=datetime.now(), + format="YYYY-MM-DD" + ) - theme = st.radio( - "انتخاب تم", - options=["سبز (پیش‌فرض)", "آبی", "سفید"], - format_func=lambda x: x + # Create report type selector + report_type = st.selectbox( + "نوع گزارش", + options=["گزارش کلی", "گزارش رشد", "گزارش رطوبت", "گزارش مقایسه‌ای واریته‌ها"] ) - if theme == "آبی": - st.markdown(""" - - """, unsafe_allow_html=True) - elif theme == "سفید": - st.markdown(""" - - """, unsafe_allow_html=True) + # Generate report button + if st.button("تولید گزارش", type="primary", use_container_width=True): + with st.spinner('در حال تولید گزارش...'): + time.sleep(2) # Simulate report generation + + # Display report based on type + if report_type == "گزارش کلی": + st.markdown("### گزارش کلی وضعیت مزارع") + + # Summary metrics + col1, col2, col3, col4 = st.columns(4) + + with col1: + st.metric("تعداد کل مزارع", len(farm_df)) + + with col2: + st.metric("میانگین ارتفاع", f"{np.random.uniform(150, 200):.1f} cm") + + with col3: + st.metric("میانگین رطوبت", f"{np.random.uniform(60, 80):.1f}%") + + with col4: + st.metric("میانگین نیتروژن", f"{np.random.uniform(40, 60):.1f}%") + + # Farm distribution chart + farm_counts = farm_df['اداره'].value_counts() + fig = px.pie( + values=farm_counts.values, + names=farm_counts.index, + title='توزیع مزارع بر اساس اداره', + color_discrete_sequence=px.colors.sequential.Greens_r + ) + fig.update_traces(textposition='inside', textinfo='percent+label') + fig.update_layout(font=dict(family="Vazirmatn")) + st.plotly_chart(fig, use_container_width=True) + + # Growth trend + weeks = list(range(1, 23)) + heights = [100 + i * 5 + np.random.normal(0, 10) for i in range(len(weeks))] + + fig = px.line( + x=weeks, + y=heights, + title='روند رشد کلی مزارع', + labels={'x': 'هفته', 'y': 'ارتفاع (سانتی‌متر)'} + ) + fig.update_layout(font=dict(family="Vazirmatn")) + st.plotly_chart(fig, use_container_width=True) + + # Top 5 farms table + top_farms = pd.DataFrame({ + 'مزرعه': ['مزرعه ' + str(i) for i in range(1, 6)], + 'ارتفاع': [round(np.random.uniform(180, 220), 1) for _ in range(5)], + 'رطوبت': [round(np.random.uniform(60, 80), 1) for _ in range(5)], + 'نیتروژن': [round(np.random.uniform(40, 60), 1) for _ in range(5)] + }) + + st.markdown("### 5 مزرعه برتر") + st.dataframe(top_farms, use_container_width=True, hide_index=True) + + elif report_type == "گزارش رشد": + st.markdown("### گزارش رشد مزارع") + + # Growth metrics + col1, col2, col3 = st.columns(3) + + with col1: + st.metric("میانگین رشد هفتگی", f"{np.random.uniform(10, 15):.1f} cm") + + with col2: + st.metric("حداکثر رشد هفتگی", f"{np.random.uniform(20, 25):.1f} cm") + + with col3: + st.metric("حداقل رشد هفتگی", f"{np.random.uniform(5, 10):.1f} cm") + + # Growth trend for multiple farms + weeks = list(range(1, 23)) + farms = ['مزرعه 1', 'مزرعه 2', 'مزرعه 3', 'مزرعه 4', 'مزرعه 5'] + + fig = go.Figure() + + for farm in farms: + heights = [100 + i * 5 + np.random.normal(0, 10) for i in range(len(weeks))] + fig.add_trace(go.Scatter( + x=weeks, + y=heights, + mode='lines+markers', + name=farm + )) + + fig.update_layout( + title='روند رشد مزارع', + xaxis_title='هفته', + yaxis_title='ارتفاع (سانتی‌متر)', + font=dict(family="Vazirmatn"), + legend_title='مزرعه', + hovermode="x unified" + ) + + st.plotly_chart(fig, use_container_width=True) + + # Growth rate distribution + growth_rates = np.random.normal(12, 3, 1000) + + fig = px.histogram( + x=growth_rates, + nbins=30, + title='توزیع نرخ رشد هفتگی', + labels={'x': 'نرخ رشد (سانتی‌متر در هفته)', 'y': 'فراوانی'}, + color_discrete_sequence=['#1a8754'] + ) + fig.update_layout(font=dict(family="Vazirmatn")) + st.plotly_chart(fig, use_container_width=True) + + # Factors affecting growth + st.markdown("### عوامل مؤثر بر رشد") + + factors = ['رطوبت', 'نیتروژن', 'دما', 'آبیاری', 'نور'] + correlations = [0.8, 0.7, 0.5, 0.9, 0.6] + + fig = px.bar( + x=factors, + y=correlations, + title='همبستگی عوامل مختلف با نرخ رشد', + labels={'x': 'عامل', 'y': 'ضریب همبستگی'}, + color=correlations, + color_continuous_scale='Viridis' + ) + fig.update_layout(font=dict(family="Vazirmatn")) + st.plotly_chart(fig, use_container_width=True) + + elif report_type == "گزارش رطوبت": + st.markdown("### گزارش رطوبت مزارع") + + # Moisture metrics + col1, col2, col3 = st.columns(3) + + with col1: + st.metric("میانگین رطوبت", f"{np.random.uniform(60, 70):.1f}%") + + with col2: + st.metric("حداکثر رطوبت", f"{np.random.uniform(80, 90):.1f}%") + + with col3: + st.metric("حداقل رطوبت", f"{np.random.uniform(40, 50):.1f}%") + + # Moisture trend + dates = pd.date_range(start=start_date, end=end_date) + moisture_levels = [np.random.uniform(50, 80) for _ in range(len(dates))] + + fig = px.line( + x=dates, + y=moisture_levels, + title='روند رطوبت مزارع', + labels={'x': 'تاریخ', 'y': 'رطوبت (%)'} + ) + fig.update_layout(font=dict(family="Vazirmatn")) + st.plotly_chart(fig, use_container_width=True) + + # Moisture distribution + fig = px.histogram( + x=moisture_levels, + nbins=30, + title='توزیع رطوبت مزارع', + labels={'x': 'رطوبت (%)', 'y': 'فراوانی'}, + color_discrete_sequence=['#1a8754'] + ) + fig.update_layout(font=dict(family="Vazirmatn")) + st.plotly_chart(fig, use_container_width=True) + + # Moisture vs Growth scatter plot + growth_levels = [h + np.random.normal(0, 10) for h in moisture_levels] + + fig = px.scatter( + x=moisture_levels, + y=growth_levels, + title='رابطه بین رطوبت و رشد', + labels={'x': 'رطوبت (%)', 'y': 'رشد (سانتی‌متر)'}, + trendline='ols' + ) + fig.update_layout(font=dict(family="Vazirmatn")) + st.plotly_chart(fig, use_container_width=True) + + # Moisture recommendations + st.markdown("### توصیه‌های مدیریت رطوبت") + + recommendations = [ + "افزایش دفعات آبیاری در مزارع با رطوبت پایین", + "بهبود سیستم زهکشی در مزارع با رطوبت بالا", + "استفاده از مالچ برای حفظ رطوبت خاک", + "تنظیم زمان آبیاری بر اساس شرایط آب و هوایی", + "پایش مداوم رطوبت خاک با استفاده از سنسورها" + ] + + for rec in recommendations: + st.markdown(f"- {rec}") + + elif report_type == "گزارش مقایسه‌ای واریته‌ها": + st.markdown("### گزارش مقایسه‌ای واریته‌های نیشکر") + + # Generate mock data for varieties + varieties = ['CP57-614', 'CP69-1062', 'CP73-21', 'SP70-1143', 'IRC99-02'] + heights = [np.random.uniform(180, 220) for _ in varieties] + sugar_contents = [np.random.uniform(12, 16) for _ in varieties] + growth_rates = [np.random.uniform(10, 15) for _ in varieties] + + # Variety comparison chart + fig = go.Figure(data=[ + go.Bar(name='ارتفاع (cm)', x=varieties, y=heights), + go.Bar(name='محتوای قند (%)', x=varieties, y=sugar_contents), + go.Bar(name='رشد (cm/هفته)', x=varieties, y=growth_rates) + ]) + + fig.update_layout( + title='مقایسه واریته‌های نیشکر', + xaxis_title='واریته', + yaxis_title='مقدار', + barmode='group', + font=dict(family="Vazirmatn") + ) + + st.plotly_chart(fig, use_container_width=True) + + # Variety performance table + variety_data = pd.DataFrame({ + 'واریته': varieties, + 'ارتفاع (cm)': [round(h, 1) for h in heights], + 'محتوای قند (%)': [round(s, 1) for s in sugar_contents], + ' رشد(cm/هفته)': [round(g, 1) for g in growth_rates], + 'مقاومت به آفات': [np.random.choice(['کم', 'متوسط', 'زیاد']) for _ in varieties], + 'نیاز آبی': [np.random.choice(['کم', 'متوسط', 'زیاد']) for _ in varieties] + }) + + st.dataframe(variety_data, use_container_width=True, hide_index=True) + + # Radar chart for variety comparison + categories = ['ارتفاع', 'محتوای قند', 'رشد', 'مقاومت به آفات', 'بهره‌وری آب'] + + fig = go.Figure() + + for variety in varieties: + values = [ + heights[varieties.index(variety)] / max(heights) * 100, + sugar_contents[varieties.index(variety)] / max(sugar_contents) * 100, + growth_rates[varieties.index(variety)] / max(growth_rates) * 100, + np.random.uniform(60, 100), + np.random.uniform(60, 100) + ] + + fig.add_trace(go.Scatterpolar( + r=values, + theta=categories, + fill='toself', + name=variety + )) + + fig.update_layout( + polar=dict( + radialaxis=dict( + visible=True, + range=[0, 100] + ) + ), + title='مقایسه واریته‌ها', + font=dict(family="Vazirmatn"), + showlegend=True + ) + + st.plotly_chart(fig, use_container_width=True) + + # Variety recommendations + st.markdown("### توصیه‌های کشت واریته‌ها") + + recommendations = [ + f"واریته {np.random.choice(varieties)} برای مناطق با آب و هوای گرم و مرطوب مناسب‌تر است.", + f"برای افزایش عملکرد تولید شکر، کشت واریته {np.random.choice(varieties)} توصیه می‌شود.", + f"در مناطق با محدودیت آب، استفاده از واریته {np.random.choice(varieties)} به دلیل نیاز آبی کمتر مناسب است.", + f"برای مقاومت بهتر در برابر آفات، واریته {np.random.choice(varieties)} پیشنهاد می‌شود.", + "تنوع در کشت واریته‌ها می‌تواند به کاهش ریسک‌های مرتبط با آفات و بیماری‌ها کمک کند." + ] + + for rec in recommendations: + st.markdown(f"- {rec}") + + # Add download buttons + col1, col2 = st.columns(2) + + with col1: + st.download_button( + label="دانلود گزارش (PDF)", + data=b"This is a mock PDF report", # This would be the actual PDF content + file_name="farm_report.pdf", + mime="application/pdf", + ) + + with col2: + st.download_button( + label="دانلود داده‌ها (Excel)", + data=b"This is a mock Excel file", # This would be the actual Excel content + file_name="farm_data.xlsx", + mime="application/vnd.openxmlformats-officedocument.spreadsheetml.sheet", + ) + +# Settings Page +elif selected == "تنظیمات": + st.markdown("## تنظیمات سیستم") - st.markdown("### اطلاعات تماس") - st.markdown(""" -
-

برای پشتیبانی یا مشکلات فنی، با ما تماس بگیرید:

-

ایمیل: support@dehkhoda.com

-

تلفن: +98 21 12345678

-
- """, unsafe_allow_html=True) + # Create tabs for different settings + tab1, tab2, tab3, tab4 = st.tabs(["تنظیما�� کاربری", "تنظیمات سیستم", "مدیریت داده‌ها", "پشتیبان‌گیری"]) + + with tab1: + st.markdown("### تنظیمات کاربری") + + # User profile + st.markdown("#### پروفایل کاربری") + + col1, col2 = st.columns(2) + + with col1: + user_name = st.text_input("نام کاربری", value="کاربر نمونه") + + with col2: + user_email = st.text_input("ایمیل", value="user@example.com") + + user_role = st.selectbox( + "نقش کاربری", + options=["مدیریت مطالعات", "پرسنل", "اپراتور"], + index=1 + ) + + # Password change + st.markdown("#### تغییر رمز عبور") + + col1, col2 = st.columns(2) + + with col1: + current_password = st.text_input("رمز عبور فعلی", type="password") + + with col2: + new_password = st.text_input("رمز عبور جدید", type="password") + + confirm_password = st.text_input("تکرار رمز عبور جدید", type="password") + + if st.button("تغییر رمز عبور", type="primary"): + # This would normally check the current password and update with the new one + st.success("رمز عبور با موفقیت تغییر کرد.") + + # Notification settings + st.markdown("#### تنظیمات اعلان‌ها") + + email_notifications = st.checkbox("دریافت اعلان‌ها از طریق ایمیل", value=True) + sms_notifications = st.checkbox("دریافت اعلان‌ها از طریق پیامک", value=False) + + notification_frequency = st.radio( + "تناوب دریافت اعلان‌ها", + options=["روزانه", "هفتگی", "ماهانه"], + index=1 + ) + + with tab2: + st.markdown("### تنظیمات سیستم") + + # System language + system_language = st.selectbox( + "زبان سیستم", + options=["فارسی", "English", "العربية"], + index=0 + ) + + # Date format + date_format = st.selectbox( + "فرمت تاریخ", + options=["YYYY/MM/DD", "DD/MM/YYYY", "MM/DD/YYYY"], + index=0 + ) + + # Theme settings + st.markdown("#### تنظیمات ظاهری") + + theme = st.radio( + "تم", + options=["روشن", "تیره", "سیستم"], + index=2 + ) + + primary_color = st.color_picker("رنگ اصلی", value="#1a8754") + + # Map settings + st.markdown("#### تنظیمات نقشه") + + default_map_view = st.selectbox( + "نمای پیش‌فرض نقشه", + options=["نقشه", "ماهواره", "ترکیبی"], + index=0 + ) + + default_map_layer = st.selectbox( + "لایه پیش‌فرض نقشه", + options=["NDVI", "NDMI", "EVI", "NDWI"], + index=0 + ) + + # AI model settings + st.markdown("#### تنظیمات مدل هوش مصنوعی") + + ai_model = st.selectbox( + "مدل هوش مصنوعی", + options=["GPT-3", "GPT-4", "BERT"], + index=1 + ) + + model_update_frequency = st.selectbox( + "تناوب به‌روزرسانی مدل", + options=["روزانه", "هفتگی", "ماهانه"], + index=1 + ) + + # Save settings button + if st.button("ذخیره تنظیمات", type="primary"): + st.success("تنظیمات با موفقیت ذخیره شدند.") + + with tab3: + st.markdown("### مدیریت داده‌ها") + + # Data import + st.markdown("#### ورود داده") + + uploaded_file = st.file_uploader("آپلود فایل داده", type=["csv", "xlsx"]) + + if uploaded_file is not None: + st.success(f"فایل {uploaded_file.name} با موفقیت آپلود شد.") + + if st.button("وارد کردن داده‌ها"): + # This would normally process and import the data + st.info("در حال پردازش و وارد کردن داده‌ها...") + time.sleep(2) + st.success("داده‌ها با موفقیت وارد شدند.") + + # Data export + st.markdown("#### خروجی داده") + + export_format = st.selectbox( + "فرمت خروجی", + options=["CSV", "Excel", "JSON"], + index=1 + ) + + if st.button("دریافت خروجی"): + # This would normally generate and provide the export file + st.info("در حال آماده‌سازی فایل خروجی...") + time.sleep(2) + st.success("فایل خروجی آماده دانلود است.") + st.download_button( + label="دانلود فایل خروجی", + data=b"This is a mock export file", # This would be the actual file content + file_name=f"farm_data_export.{export_format.lower()}", + mime="application/octet-stream", + ) + + # Data cleanup + st.markdown("#### پاکسازی داده‌ها") + + cleanup_options = st.multiselect( + "گزینه‌های پاکسازی", + options=["حذف داده‌های تکراری", "حذف داده‌های ناقص", "نرمال‌سازی داده‌ها"], + default=["حذف داده‌های تکراری"] + ) + + if st.button("اجرای پاکسازی"): + # This would normally perform the selected cleanup operations + st.info("در حال اجرای عملیات پاکسازی...") + time.sleep(2) + st.success("عملیات پاکسازی با موفقیت انجام شد.") + + # Data visualization settings + st.markdown("#### تنظیمات نمایش داده") + + chart_theme = st.selectbox( + "تم نمودارها", + options=["پیش‌فرض", "روشن", "تیره", "رنگی"], + index=0 + ) + + show_data_labels = st.checkbox("نمایش برچسب‌های داده", value=True) + + if st.button("اعمال تنظیمات نمایش"): + st.success("تنظیمات نمایش داده با موفقیت اعمال شدند.") + + with tab4: + st.markdown("### پشتیبان‌گیری و بازیابی") + + # Backup creation + st.markdown("#### ایجاد نسخه پشتیبان") + + backup_type = st.radio( + "نوع پشتیبان‌گیری", + options=["پشتیبان کامل", "پشتیبان افزایشی"], + index=0 + ) + + include_images = st.checkbox("شامل تصاویر", value=True) + include_user_data = st.checkbox("شامل داده‌های کاربران", value=True) + + if st.button("ایجاد نسخه پشتیبان", type="primary"): + # This would normally create a backup + st.info("در حال ایجاد نسخه پشتیبان...") + progress_bar = st.progress(0) + for i in range(100): + time.sleep(0.05) + progress_bar.progress(i + 1) + st.success("نسخه پشتیبان با موفقیت ایجاد شد.") + + # Backup restoration + st.markdown("#### بازیابی از نسخه پشتیبان") + + backup_file = st.file_uploader("آپلود فایل پشتیبان", type=["zip", "bak"]) + + if backup_file is not None: + st.warning("هشدار: بازیابی از نسخه پشتیبان ممکن است داده‌های فعلی را بازنویسی کند.") + if st.button("شروع بازیابی"): + # This would normally restore from the backup + st.info("در حال بازیابی از نسخه پشتیبان...") + progress_bar = st.progress(0) + for i in range(100): + time.sleep(0.05) + progress_bar.progress(i + 1) + st.success("بازیابی از نسخه پشتیبان با موفقیت انجام شد.") + + # Automatic backup settings + st.markdown("#### تنظیمات پشتیبان‌گیری خودکار") + + auto_backup = st.checkbox("فعال‌سازی پشتیبان‌گیری خودکار", value=True) + + if auto_backup: + backup_frequency = st.selectbox( + "تناوب پشتیبان‌گیری", + options=["روزانه", "هفتگی", "ماهانه"], + index=1 + ) + + backup_time = st.time_input("زمان پشتیبان‌گیری", value=datetime.now().replace(hour=1, minute=0, second=0, microsecond=0)) + + retain_backups = st.number_input("تعداد نسخه‌های پشتیبان برای نگهداری", min_value=1, value=7) + + # Save backup settings + if st.button("ذخیره تنظیمات پشتیبان‌گیری"): + st.success("تنظیمات پشتیبان‌گیری با موفقیت ذخیره شدند.") -# Footer +# Add a footer st.markdown(""" -