Update app.py

app.py

@@ -1,479 +1,373 @@
 import streamlit as st
 import pandas as pd
 import ee
-import geemap.foliumap as geemap # Using foliumap backend for Streamlit compatibility
+import datetime
 import folium
-import os
-import json
-from datetime import datetime, timedelta
-
-# ==============================================================================
-# Configuration and Initialization
-# ==============================================================================
-
-# --- Page Configuration ---
-st.set_page_config(
-    page_title="داشبورد مانیتورینگ مزارع نیشکر دهخدا",
-    page_icon="🌾",
-    layout="wide", # Use wide layout for better map display
-    initial_sidebar_state="expanded" # Keep sidebar open initially
-)
-
-# --- Constants ---
-CSV_FILE_PATH = 'output (1).csv'
-SERVICE_ACCOUNT_KEY_PATH = 'ee-esmaeilkiani13877-cfdea6eaf411.json'
-SERVICE_ACCOUNT_EMAIL = 'dehkhodamap-e9f0da4ce9f6514021@ee-esmaeilkiani13877.iam.gserviceaccount.com'
-DEFAULT_LATITUDE = 31.534442
-DEFAULT_LONGITUDE = 48.724416
-DEFAULT_ZOOM = 13
-AOI_BUFFER_METERS = 500 # Buffer radius around the farm point for analysis
-DATE_RANGE_MONTHS = 3 # Analyze data for the last 3 months
-
-# --- GEE Authentication ---
-@st.cache_resource(show_spinner="در حال اتصال به Google Earth Engine...")
-def authenticate_gee(service_account_key_path, service_account_email):
-    """Authenticates Google Earth Engine using a Service Account."""
+from streamlit_folium import folium_static
+import matplotlib.pyplot as plt
+import matplotlib.dates as mdates
+
+# --- 0. تنظیمات اولیه و احراز هویت GEE ---
+SERVICE_ACCOUNT_FILE = 'ee-esmaeilkiani13877-cfdea6eaf411.json' # نام فایل کلید خود را اینجا قرار دهید
+EE_SERVICE_ACCOUNT_EMAIL = 'dehkhodamap-e9f0da4ce9f6514021@ee-esmaeilkiani13877.iam.gserviceaccount.com' # ایمیل سرویس اکانت خود
+
+@st.cache_resource # برای جلوگیری از initialize شدن مکرر
+def initialize_gee():
     try:
-        # Check if the key file exists
-        if not os.path.exists(service_account_key_path):
-            st.error(f"خطا: فایل کلید سرویس در مسیر '{service_account_key_path}' یافت نشد.")
-            st.stop()
-
-        # Load credentials from the file
-        with open(service_account_key_path) as f:
-            credentials_dict = json.load(f)
-
-        credentials = ee.ServiceAccountCredentials(service_account_email, service_account_key_path)
-        ee.Initialize(credentials=credentials, opt_url='https://earthengine-highvolume.googleapis.com')
-        print("GEE Authenticated Successfully using Service Account.")
-        return True # Indicate successful authentication
-    except ee.EEException as e:
-        st.error(f"خطا در احراز هویت Google Earth Engine: {e}")
-        st.error("لطفاً مطمئن شوید فایل کلید سرویس معتبر است و دسترسی‌های لازم را دارد.")
-        st.stop() # Stop execution if authentication fails
-    except FileNotFoundError:
-        st.error(f"خطا: فایل کلید سرویس در مسیر '{service_account_key_path}' یافت نشد.")
-        st.stop()
+        credentials = ee.ServiceAccountCredentials(email=EE_SERVICE_ACCOUNT_EMAIL, key_file=SERVICE_ACCOUNT_FILE)
+        ee.Initialize(credentials)
+        st.success("Google Earth Engine با موفقیت مقداردهی اولیه شد.")
+        return True
     except Exception as e:
-        st.error(f"یک خطای غیرمنتظره در هنگام احراز هویت رخ داد: {e}")
-        st.stop()
+        st.error(f"خطا در مقداردهی اولیه Google Earth Engine: {e}")
+        st.error("لطفاً از معتبر بودن فایل Service Account و دسترسی‌های لازم اطمینان حاصل کنید.")
+        return False
 
-# --- Data Loading ---
-@st.cache_data(show_spinner="در حال بارگذاری داده‌های مزارع...")
-def load_farm_data(csv_path):
-    """Loads farm data from the CSV file."""
+gee_initialized = initialize_gee()
+
+# --- 1. بارگذاری داده‌های مزارع ---
+@st.cache_data # برای جلوگیری از بارگذاری مکرر فایل CSV
+def load_farm_data(csv_path=""):
     try:
-        df = pd.read_csv(csv_path, encoding='utf-8') # Specify UTF-8 encoding for Persian characters
-        # Basic data cleaning/validation
-        required_cols = ['مزرعه', 'طول جغرافیایی', 'عرض جغرافیایی', 'روزهای هفته']
-        if not all(col in df.columns for col in required_cols):
-            st.error(f"خطا: فایل CSV باید شامل ستون‌های {required_cols} باشد.")
-            st.stop()
-        # Convert coordinate columns to numeric, coercing errors
-        df['طول جغرافیایی'] = pd.to_numeric(df['طول جغرافیایی'], errors='coerce')
-        df['عرض جغرافیایی'] = pd.to_numeric(df['عرض جغرافیایی'], errors='coerce')
-        # Handle potential missing coordinates indicated by the flag or NaN values
-        df['coordinates_missing'] = df['coordinates_missing'].fillna(False).astype(bool) | df['طول جغرافیایی'].isna() | df['عرض جغرافیایی'].isna()
-        # Fill NaN in 'روزهای هفته' with a placeholder if necessary, or handle appropriately
-        df['روزهای هفته'] = df['روزهای هفته'].fillna('نامشخص') # Or drop rows: df.dropna(subset=['روزهای هفته'])
+        df = pd.read_csv(csv_path)
+        df['planting_date'] = pd.to_datetime(df['planting_date'])
         return df
     except FileNotFoundError:
-        st.error(f"خطا: فایل CSV در مسیر '{csv_path}' یافت نشد.")
-        st.stop()
-    except Exception as e:
-        st.error(f"خطا در بارگذاری یا پردازش فایل CSV: {e}")
-        st.stop()
-
-# --- GEE Image Processing Functions ---
-
-def mask_s2_clouds(image):
-    """Masks clouds in Sentinel-2 SR images using the SCL band."""
-    scl = image.select('SCL')
-    # Select clear (4), vegetation (5), and non-vegetated (6) pixels. Also include water (7).
-    # Avoid cloud shadows (3), clouds medium probability (8), clouds high probability (9), cirrus (10).
-    mask = scl.eq(4).Or(scl.eq(5)).Or(scl.eq(6)).Or(scl.eq(7))
-    # Also mask based on QA60 band if needed (though SCL is generally better for SR)
-    # qa = image.select('QA60')
-    # cloud_bit_mask = 1 << 10
-    # cirrus_bit_mask = 1 << 11
-    # mask = qa.bitwiseAnd(cloud_bit_mask).eq(0).And(qa.bitwiseAnd(cirrus_bit_mask).eq(0))
-    return image.updateMask(mask).divide(10000).copyProperties(image, ["system:time_start"]) # Scale factor for SR
-
-def calculate_ndvi(image):
-    """Calculates NDVI."""
-    # NDVI = (NIR - Red) / (NIR + Red)
-    # Sentinel-2 Bands: NIR=B8, Red=B4
-    ndvi = image.normalizedDifference(['B8', 'B4']).rename('NDVI')
-    return image.addBands(ndvi)
-
-def calculate_evi(image):
-    """Calculates EVI."""
-    # EVI = 2.5 * (NIR - Red) / (NIR + 6 * Red - 7.5 * Blue + 1)
-    # Sentinel-2 Bands: NIR=B8, Red=B4, Blue=B2
-    evi = image.expression(
-        '2.5 * ((NIR - RED) / (NIR + 6 * RED - 7.5 * BLUE + 1))', {
-            'NIR': image.select('B8'),
-            'RED': image.select('B4'),
-            'BLUE': image.select('B2')
-        }).rename('EVI')
-    return image.addBands(evi)
-
-def calculate_ndmi(image):
-    """Calculates NDMI (Normalized Difference Moisture Index)."""
-    # NDMI = (NIR - SWIR1) / (NIR + SWIR1)
-    # Sentinel-2 Bands: NIR=B8, SWIR1=B11
-    ndmi = image.normalizedDifference(['B8', 'B11']).rename('NDMI')
-    return image.addBands(ndmi)
-
-def estimate_lai(image):
-    """Estimates LAI using a simple NDVI-based formula (requires calibration)."""
-    # Example formula: LAI = sqrt(NDVI * (1 + NDVI)) - This is highly empirical!
-    # A more common simple approach might be linear or exponential based on NDVI
-    # LAI = a * NDVI + b OR LAI = exp(c * NDVI + d)
-    # Using a simple placeholder: LAI directly proportional to NDVI (for demonstration)
-    # For a slightly more standard empirical approach (e.g., based on SNAP toolbox relations):
-    # lai = image.expression('3.618 * EVI - 0.118', {'EVI': image.select('EVI')}).rename('LAI_EVI') # If EVI is calculated
-    # Or based on NDVI:
-    lai_ndvi = image.expression('sqrt(NDVI * (1 + NDVI))', {'NDVI': image.select('NDVI')}).rename('LAI') # Placeholder
-    # Ensure LAI is not negative
-    lai_ndvi = lai_ndvi.where(lai_ndvi.gt(0), 0)
-    return image.addBands(lai_ndvi)
-
-def estimate_biomass(image):
-    """Estimates Biomass using NDVI as a proxy (requires calibration)."""
-    # Biomass is often correlated with NDVI or LAI.
-    # Using NDVI directly as a proxy indicator.
-    biomass_proxy = image.select('NDVI').rename('Biomass_Proxy')
-    return image.addBands(biomass_proxy)
-
-def get_image_collection(aoi, start_date, end_date):
-    """Gets, filters, masks, and processes Sentinel-2 image collection."""
-    s2_sr_col = (ee.ImageCollection('COPERNICUS/S2_SR_HARMONIZED') # Use Harmonized SR
-               .filterBounds(aoi)
-               .filterDate(start_date, end_date)
-               .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', 30)) # Pre-filter by metadata
-               .map(mask_s2_clouds) # Apply cloud masking
-               .map(calculate_ndvi)
-               .map(calculate_evi)
-               .map(calculate_ndmi)
-               .map(estimate_lai) # Add estimated LAI
-               .map(estimate_biomass) # Add Biomass proxy
-               )
-    return s2_sr_col
-
-# --- Visualization Parameters ---
-ndvi_vis = {
-    'min': 0.0, 'max': 1.0,
-    'palette': ['#FF0000', '#FFA500', '#FFFF00', '#ADFF2F', '#008000'] # Red -> Orange -> Yellow -> GreenYellow -> Green
-}
-evi_vis = {
-    'min': 0.0, 'max': 1.0,
-    'palette': ['#FF0000', '#FFA500', '#FFFF00', '#ADFF2F', '#008000'] # Similar palette for EVI
+        st.error(f"فایل {csv_path} یافت نشد. لطفاً فایل CSV مشخصات مزارع را در کنار برنامه قرار دهید.")
+        return pd.DataFrame() # برگرداندن DataFrame خالی در صورت خطا
+
+farms_df = load_farm_data()
+
+# --- 2. جدول Kc بر اساس سن گیاه (روز) ---
+# این مقادیر مثال هستند و باید بر اساس تحقیقات معتبر برای نیشکر تنظیم شوند
+# منابع: FAO-56 یا تحقیقات محلی
+KC_STAGES = {
+    # (شروع دوره بر حسب روز, پایان دوره بر حسب روز, مقدار Kc)
+    "initial": (0, 30, 0.35),       # مرحله اولیه
+    "development_1": (31, 60, 0.55), # توسعه اول
+    "development_2": (61, 90, 0.80), # توسعه دوم
+    "mid_season_1": (91, 150, 1.15),  # اواسط فصل اول
+    "mid_season_2": (151, 210, 1.25), # اواسط فصل دوم (اوج نیاز آبی)
+    "mid_season_3": (211, 270, 1.20), # اواسط فصل سوم
+    "late_season_1": (271, 330, 0.90), # اواخر فصل اول
+    "late_season_2": (331, 365, 0.70)  # اواخر فصل دوم (نزدیک به برداشت)
 }
-ndmi_vis = {
-    'min': -0.5, 'max': 0.8, # Typical range for NDMI
-    'palette': ['#FF0000', '#FFA500', '#FFFF00', '#ADD8E6', '#0000FF'] # Red -> Orange -> Yellow -> LightBlue -> Blue
-}
-lai_vis = {
-    'min': 0.0, 'max': 6.0, # Typical LAI range
-    'palette': ['#FFFFFF', '#CE7E45', '#DF923D', '#F1B555', '#FCD163', '#99B718', '#74A901', '#66A000', '#529400', '#3E8601', '#207401', '#056201', '#004C00', '#023B01', '#012E01', '#011D01', '#011301'] # Common LAI palette
-}
-biomass_proxy_vis = {
-    'min': 0.0, 'max': 1.0, # Same range as NDVI proxy
-    'palette': ['#FDE725', '#7AD151', '#22A884', '#2A788E', '#414487', '#440154'] # Viridis palette often used for biomass/productivity
-}
-rgb_vis = {
-    'min': 0.0, 'max': 0.3, # Max value for SR reflectance (adjust as needed)
-    'bands': ['B4', 'B3', 'B2'] # Red, Green, Blue
-}
-
-# --- Main Application Logic ---
-def main():
-    """Main function to run the Streamlit application."""
-
-    # --- Authentication ---
-    if 'gee_authenticated' not in st.session_state:
-        st.session_state.gee_authenticated = authenticate_gee(SERVICE_ACCOUNT_KEY_PATH, SERVICE_ACCOUNT_EMAIL)
-
-    if not st.session_state.gee_authenticated:
-        st.warning("اتصال به Google Earth Engine برقرار نشد. لطفاً صفحه را رفرش کنید یا تنظیمات را بررسی نمایید.")
-        st.stop()
-
-    # --- Load Data ---
-    df_farms = load_farm_data(CSV_FILE_PATH)
-
-    # --- Sidebar ---
-    st.sidebar.title("تنظیمات نمایش")
-    st.sidebar.header("فیلتر مزارع")
-
-    # -- Day of the Week Filter --
-    available_days = sorted(df_farms['روزهای هفته'].unique())
-    selected_day = st.sidebar.selectbox(
-        "انتخاب روز هفته:",
-        options=available_days,
-        index=0 # Default to the first day
-    )
-
-    # Filter farms based on selected day
-    df_filtered_by_day = df_farms[df_farms['روزهای هفته'] == selected_day].copy()
-
-    # Check if any farms are available for the selected day
-    if df_filtered_by_day.empty:
-        st.sidebar.warning(f"هیچ مزرعه‌ای برای روز '{selected_day}' یافت نشد.")
-        st.warning(f"هیچ مزرعه‌ای برای روز '{selected_day}' در فایل CSV تعریف نشده است. لطفاً روز دیگری را انتخاب کنید یا فایل داده را بررسی نمایید.")
-        st.stop() # Stop if no farms match the day
-
-    # Remove farms with missing coordinates from selection
-    df_valid_farms = df_filtered_by_day[~df_filtered_by_day['coordinates_missing']].copy()
-    if df_valid_farms.empty:
-         st.sidebar.warning(f"تمام مزارع برای روز '{selected_day}' فاقد مختصات معتبر هستند.")
-         st.warning(f"تمام مزارع برای روز '{selected_day}' فاقد مختصات معتبر در فایل CSV هستند.")
-         st.stop()
-
-    # -- Farm Selection Dropdown --
-    available_farms = sorted(df_valid_farms['مزرعه'].unique())
-    selected_farm_name = st.sidebar.selectbox(
-        "انتخاب مزرعه:",
-        options=available_farms,
-        index=0 # Default to the first farm in the filtered list
-    )
-
-    # Get selected farm details
-    selected_farm_data = df_valid_farms[df_valid_farms['مزرعه'] == selected_farm_name].iloc[0]
-    farm_lat = selected_farm_data['عرض جغرافیایی']
-    farm_lon = selected_farm_data['طول جغرافیایی']
-
-    # --- Display Selected Farm Info ---
-    st.sidebar.header("اطلاعات مزرعه انتخاب شده")
-    st.sidebar.markdown(f"**نام مزرعه:** {selected_farm_data['مزرعه']}")
-    st.sidebar.markdown(f"**کانال:** {selected_farm_data.get('کانال', 'N/A')}") # Use .get for optional columns
-    st.sidebar.markdown(f"**اداره:** {selected_farm_data.get('اداره', 'N/A')}")
-    st.sidebar.markdown(f"**مساحت داشت:** {selected_farm_data.get('مساحت داش��', 'N/A')}")
-    st.sidebar.markdown(f"**واریته:** {selected_farm_data.get('واریته', 'N/A')}")
-    st.sidebar.markdown(f"**سن:** {selected_farm_data.get('سن', 'N/A')}")
-    st.sidebar.markdown(f"**روز هفته:** {selected_farm_data['روزهای هفته']}")
-    st.sidebar.markdown(f"**مختصات:** ({farm_lat:.6f}, {farm_lon:.6f})")
-
-    # --- Map Section ---
-    st.header(f"نقشه و شاخص‌های مزرعه: {selected_farm_name}")
-
-    # Create AOI (Area of Interest) point and buffer
-    farm_point = ee.Geometry.Point([farm_lon, farm_lat])
-    aoi = farm_point.buffer(AOI_BUFFER_METERS)
-
-    # Define date range for analysis
-    end_date = datetime.now()
-    start_date = end_date - timedelta(days=DATE_RANGE_MONTHS * 30) # Approximate months
-    start_date_str = start_date.strftime('%Y-%m-%d')
-    end_date_str = end_date.strftime('%Y-%m-%d')
-
-    st.info(f"دوره زمانی تحلیل: {start_date_str} تا {end_date_str}")
-
-    # Get processed image collection
-    with st.spinner("در حال پردازش تصاویر ماهواره‌ای... لطفاً منتظر بمانید."):
-        image_collection = get_image_collection(aoi, start_date_str, end_date_str)
-
-        # Check if the collection is empty
-        collection_size = image_collection.size().getInfo()
-        if collection_size == 0:
-            st.warning("هیچ تصویر ماهواره‌ای مناسبی (بدون ابر) در محدوده زمانی و مکانی انتخاب شده یافت نشد.")
-            st.warning("لطفاً دوره زمانی را تغییر دهید یا منتظر تصاویر جدید بمانید.")
-            # Display a basic map without GEE layers if no images found
-            Map = geemap.Map(location=[farm_lat, farm_lon], zoom=DEFAULT_ZOOM, add_google_map=False)
-            Map.add_basemap("HYBRID")
-            # Add marker for the farm
-            folium.Marker(
-                location=[farm_lat, farm_lon],
-                popup=f"مزرعه: {selected_farm_name}\nLat: {farm_lat:.4f}, Lon: {farm_lon:.4f}",
-                tooltip=selected_farm_name,
-                icon=folium.Icon(color='green')
-            ).add_to(Map)
-            Map.add_layer_control()
-            Map.to_streamlit(height=600)
-            st.stop() # Stop further processing if no images
-
-        # Create a median composite image for visualization
-        median_image = image_collection.median().clip(aoi) # Clip to AOI for cleaner display
-
-    # --- Initialize Map ---
-    Map = geemap.Map(location=[farm_lat, farm_lon], zoom=DEFAULT_ZOOM, add_google_map=False)
-    Map.add_basemap("HYBRID") # Use Satellite Hybrid basemap
-
-    # --- Add Layers to Map ---
-    try:
-        # Add RGB Layer
-        Map.addLayer(median_image, rgb_vis, 'تصویر واقعی (RGB)')
-
-        # Add Index Layers
-        Map.addLayer(median_image.select('NDVI'), ndvi_vis, 'شاخص NDVI', True) # Show NDVI by default
-        Map.addLayer(median_image.select('EVI'), evi_vis, 'شاخص EVI', False)
-        Map.addLayer(median_image.select('NDMI'), ndmi_vis, 'شاخص رطوبت NDMI', False)
-        Map.addLayer(median_image.select('LAI'), lai_vis, 'شاخص سطح برگ (LAI تخمینی)', False)
-        Map.addLayer(median_image.select('Biomass_Proxy'), biomass_proxy_vis, 'پروکسی بیوماس (مبتنی بر NDVI)', False)
-
-        # Add marker for the selected farm
-        folium.Marker(
-            location=[farm_lat, farm_lon],
-            popup=f"مزرعه: {selected_farm_name}\nLat: {farm_lat:.4f}, Lon: {farm_lon:.4f}",
-            tooltip=selected_farm_name,
-            icon=folium.Icon(color='red', icon='info-sign')
-        ).add_to(Map)
-
-        # Add AOI boundary (optional)
-        Map.add_geojson(aoi.getInfo(), layer_name="محدوده تحلیل (AOI)", style={'color': 'yellow', 'fillOpacity': 0.0})
-
-        # Add Layer Control
-        Map.add_layer_control()
-
-        # Add Legends
-        Map.add_legend(title="NDVI", builtin_legend='NDVI', palette=ndvi_vis['palette'])
-        # Add other legends if needed, position them carefully
-        # Map.add_legend(title="EVI", palette=evi_vis['palette'], min=evi_vis['min'], max=evi_vis['max'], position='bottomright')
-        # Map.add_legend(title="NDMI", palette=ndmi_vis['palette'], min=ndmi_vis['min'], max=ndmi_vis['max'], position='bottomright')
-
-        # --- Display Map ---
-        Map.to_streamlit(height=600) # Adjust height as needed
-
-    except ee.EEException as e:
-        st.error(f"خطا در پردازش یا نمایش لایه‌های نقشه: {e}")
-        st.error("ممکن است مشکلی در داده‌های GEE یا محاسبه شاخص‌ها وجود داشته باشد.")
-    except Exception as e:
-         st.error(f"یک خطای غیرمنتظره در نمایش نقشه رخ داد: {e}")
-
-
-    # --- Time Series Charts Section ---
-    st.header("نمودارهای زمانی شاخص‌ها")
-    st.markdown(f"روند تغییرات شاخص‌ها برای مزرعه **{selected_farm_name}** در {DATE_RANGE_MONTHS} ماه گذشته")
-
-    # Select indices for charting
-    indices_to_chart = ['NDVI', 'EVI', 'NDMI', 'LAI', 'Biomass_Proxy']
-    selected_indices = st.multiselect(
-        "انتخاب شاخص‌ها برای نمایش در نمودار:",
-        options=indices_to_chart,
-        default=['NDVI', 'EVI'] # Default selections
-    )
-
-    if selected_indices:
-        with st.spinner("در حال تولید نمودارهای زمانی..."):
-            try:
-                # Use geemap's built-in charting capabilities if possible, or extract data
-                # geemap's chart functions might require different setup for streamlit
-                # Alternative: Extract data and plot with Streamlit/Altair/Plotly
-
-                # Extract time series data
-                ts_data = image_collection.select(selected_indices).map(lambda image: image.reduceRegion(
-                    reducer=ee.Reducer.mean(),
-                    geometry=aoi,
-                    scale=30 # Adjust scale based on data resolution (10m for Sentinel-2 relevant bands)
-                ).set('system:time_start', image.get('system:time_start')))
-
-                # Filter out null results
-                ts_data_filtered = ts_data.filter(ee.Filter.notNull(ts_data.first().keys()))
-
-                # Get data to client-side (can be slow for long series/many indices)
-                ts_list = ts_data_filtered.getInfo()['features']
-
-                if not ts_list:
-                    st.warning("داده‌ای برای رسم نمودار در این دوره یافت نشد.")
-                else:
-                    # Convert to Pandas DataFrame for easier plotting
-                    data_for_df = []
-                    for feature in ts_list:
-                        props = feature['properties']
-                        row = {'date': datetime.fromtimestamp(props['system:time_start'] / 1000.0)}
-                        for index_name in selected_indices:
-                            # Check if index exists in properties (might be null if calculation failed for that image)
-                            row[index_name] = props.get(index_name)
-                        data_for_df.append(row)
-
-                    df_chart = pd.DataFrame(data_for_df)
-                    df_chart = df_chart.set_index('date')
-                    df_chart = df_chart.dropna(axis=1, how='all') # Drop columns if all values are NaN
-                    df_chart = df_chart.dropna(axis=0, how='any') # Drop rows with any NaN for cleaner plot
-
-                    if not df_chart.empty and not df_chart.columns.intersection(selected_indices).empty:
-                         # Melt DataFrame for Altair/Streamlit native charts
-                        df_melt = df_chart.reset_index().melt('date', var_name='شاخص', value_name='مقدار')
-
-                        # Display line chart using Streamlit's native charting
-                        st.line_chart(df_chart[selected_indices])
-
-                        # Or use Altair for more customization (optional)
-                        # import altair as alt
-                        # chart = alt.Chart(df_melt).mark_line(point=True).encode(
-                        #     x='date:T',
-                        #     y='مقدار:Q',
-                        #     color='شاخص:N',
-                        #     tooltip=['date:T', 'شاخص:N', 'مقدار:Q']
-                        # ).interactive()
-                        # st.altair_chart(chart, use_container_width=True)
-
-                        # Display data table
-                        st.subheader("داده‌های نمودار")
-                        st.dataframe(df_chart.style.format("{:.3f}"))
-                    else:
-                         st.warning("داده معتبری برای رسم نمودار پس از پردازش یافت نشد.")
-
 
-            except ee.EEException as e:
-                st.error(f"خطا در دریافت داده‌های سری زمانی از GEE: {e}")
-            except Exception as e:
-                st.error(f"خطا در پردازش یا نمایش نمودار: {e}")
+def get_kc(plant_age_days):
+    """محاسبه ضریب گیاهی (Kc) بر اساس سن گیاه."""
+    for stage, (start_day, end_day, kc_value) in KC_STAGES.items():
+        if start_day <= plant_age_days <= end_day:
+            return kc_value
+    # اگر سن گیاه خارج از بازه‌های تعریف شده بود (مثلا خیلی پیر)
+    # می‌توان یک مقدار پیش‌فرض یا Kc مرحله آخر را برگرداند
+    if plant_age_days > 365:
+        return KC_STAGES["late_season_2"][2]
+    return 0.2 # مقدار پیش‌فرض برای سنین بسیار کم یا خطا
+
+# --- 3. دریافت داده‌های هواشناسی از GEE ---
+@st.cache_data(ttl=3600) # کش کردن داده‌ها برای یک ساعت
+def get_weather_data_gee(latitude, longitude, target_datetime):
+    """
+    دریافت داده‌های هواشناسی ساعتی از ERA5-Land برای یک نقطه و زمان مشخص.
+    ET0 از 'potential_evaporation' (pev) بدست می‌آید.
+    """
+    if not gee_initialized:
+        return None
+
+    point = ee.Geometry.Point(longitude, latitude)
+    start_date_gee = ee.Date(target_datetime.strftime('%Y-%m-%dT%H:%M:%S'))
+    # برای دریافت داده دقیق ساعتی، end_date را یک ساعت بعد تنظیم می‌کنیم
+    end_date_gee = start_date_gee.advance(1, 'hour')
+
+    era5_land = ee.ImageCollection('ECMWF/ERA5_LAND/HOURLY') \
+        .filterBounds(point) \
+        .filterDate(start_date_gee, end_date_gee) \
+        .select(['temperature_2m', 'dewpoint_temperature_2m',
+                 'surface_solar_radiation_downwards_hourly',
+                 'u_component_of_wind_10m', 'v_component_of_wind_10m',
+                 'potential_evaporation']) # pev
+
+    if era5_land.size().getInfo() == 0:
+        st.warning(f"داده‌ای از ERA5-Land برای تاریخ و ساعت {target_datetime.strftime('%Y-%m-%d %H:00')} در موقعیت ({latitude}, {longitude}) یافت نشد.")
+        return None
+
+    image = era5_land.first() # باید فقط یک تصویر در این بازه ساعتی وجود داشته باشد
+
+    # استخراج مقادیر در نقطه مورد نظر
+    # از scale پیش‌فرض ERA5-Land که حدود 11km است استفاده می‌کنیم
+    data = image.reduceRegion(reducer=ee.Reducer.first(), geometry=point, scale=11132).getInfo()
+
+    if not data or 'potential_evaporation' not in data or data['potential_evaporation'] is None:
+        st.warning(f"مقدار 'potential_evaporation' برای ساعت مورد نظر یافت نشد.")
+        return None
+
+    # تبدیل واحدها
+    # pev (potential_evaporation) در واحد متر آب در ساعت است. برای mm/hour ضرب در 1000 می‌کنیم.
+    et0_mm_per_hour = data.get('potential_evaporation', 0) * 1000 # ET₀
+    temp_c = data.get('temperature_2m', 273.15) - 273.15 # کلوین به سلسیوس
+    dewpoint_c = data.get('dewpoint_temperature_2m', 273.15) - 273.15 # کلوین به سلسیوس
+    # محاسبه سرعت باد از مولفه‌ها
+    u_wind = data.get('u_component_of_wind_10m', 0)
+    v_wind = data.get('v_component_of_wind_10m', 0)
+    wind_speed_mps = (u_wind**2 + v_wind**2)**0.5
+    # تابش خورشیدی (J/m^2 در ساعت) - برای نمایش
+    solar_radiation_j_m2_h = data.get('surface_solar_radiation_downwards_hourly', 0)
+
+    # محاسبه رطوبت نسبی تقریبی از دمای هوا و نقطه شبنم
+    # فرمول Magnus-Tetens (simplified)
+    # e_s = 6.112 * exp((17.67 * T) / (T + 243.5))
+    # e_d = 6.112 * exp((17.67 * Td) / (Td + 243.5))
+    # RH = (e_d / e_s) * 100
+    import math
+    e_s = 6.112 * math.exp((17.67 * temp_c) / (temp_c + 243.5))
+    e_d = 6.112 * math.exp((17.67 * dewpoint_c) / (dewpoint_c + 243.5))
+    rh_percent = (e_d / e_s) * 100 if e_s > 0 else 0
+    rh_percent = min(max(rh_percent, 0), 100) # اطمینان از بازه 0-100
+
+    return {
+        "et0_mm_per_hour": et0_mm_per_hour,
+        "temperature_c": temp_c,
+        "relative_humidity_percent": rh_percent,
+        "wind_speed_mps": wind_speed_mps,
+        "solar_radiation_j_m2_h": solar_radiation_j_m2_h
+    }
+
+# --- 4. محاسبه نیاز آبی (CWR) ---
+def calculate_cwr(et0_mm_per_hour, kc, area_hectare):
+    """محاسبه نیاز آبی محصول (CWR) بر حسب لیتر و متر مکعب در ساعت."""
+    area_m2 = area_hectare * 10000  # تبدیل هکتار به متر مربع
+    cwr_mm_per_hour = et0_mm_per_hour * kc  # نیاز آبی به mm در ساعت
+    cwr_m3_per_hour = (cwr_mm_per_hour / 1000) * area_m2  # تبدیل mm به متر و ضرب در مساحت
+    cwr_liters_per_hour = cwr_m3_per_hour * 1000  # تبدیل متر مکعب به لیتر
+    return cwr_liters_per_hour, cwr_m3_per_hour, cwr_mm_per_hour
+
+# --- 5. رابط کاربری Streamlit ---
+st.set_page_config(layout="wide", page_title="محاسبه نیاز آبی نیشکر")
+st.title("📊 محاسبه نیاز آبی مزارع نیشکر")
+
+if not gee_initialized:
+    st.stop()
+
+if farms_df.empty:
+    st.warning("داده‌های مزارع بارگذاری نشد. لطفاً فایل CSV را بررسی کنید.")
+    st.stop()
+
+# --- ستون‌بندی برای ورودی‌ها و نقشه ---
+col_input, col_map = st.columns([1, 1])
+
+with col_input:
+    st.header("ورودی‌های کاربر")
+    farm_names = farms_df['farm_name'].tolist()
+    selected_farm_name = st.selectbox("انتخاب مزرعه:", farm_names)
+
+    selected_farm_info = farms_df[farms_df['farm_name'] == selected_farm_name].iloc[0]
+
+    # نمایش اطلاعات مزرعه انتخاب شده
+    st.subheader(f"مشخصات مزرعه: {selected_farm_name}")
+    st.markdown(f"""
+    - **مساحت:** {selected_farm_info['area_hectare']} هکتار
+    - **تاریخ کاشت:** {selected_farm_info['planting_date'].strftime('%Y-%m-%d')}
+    - **واریته:** {selected_farm_info['variety']}
+    - **نوع خاک:** {selected_farm_info['soil_type']}
+    - **مختصات:** ({selected_farm_info['latitude']:.4f}, {selected_farm_info['longitude']:.4f})
+    """)
+
+    target_date = st.date_input("تاریخ مورد نظر برای آبیاری:", datetime.date.today())
+    target_hour = st.slider("ساعت مورد نظر (0-23):", 0, 23, datetime.datetime.now().hour)
+    
+    # ترکیب تاریخ و ساعت
+    target_datetime = datetime.datetime.combine(target_date, datetime.time(hour=target_hour))
+
+    # محاسبه سن گیاه
+    plant_age_days = (target_datetime.date() - selected_farm_info['planting_date'].date()).days
+    st.info(f"سن گیاه در تاریخ {target_date.strftime('%Y-%m-%d')}: **{plant_age_days} روز**")
+
+    # دریافت Kc
+    kc_value = get_kc(plant_age_days)
+    st.info(f"ضریب گیاهی (Kc) محاسبه شده: **{kc_value:.2f}**")
+
+with col_map:
+    st.header("موقعیت مزرعه روی نقشه")
+    map_center = [selected_farm_info['latitude'], selected_farm_info['longitude']]
+    m = folium.Map(location=map_center, zoom_start=12)
+    folium.Marker(
+        location=map_center,
+        popup=f"{selected_farm_info['farm_name']}\nمساحت: {selected_farm_info['area_hectare']} هکتار",
+        tooltip=selected_farm_info['farm_name']
+    ).add_to(m)
+    # نمایش سایر مزارع
+    for idx, row in farms_df.iterrows():
+        if row['farm_name'] != selected_farm_name:
+             folium.CircleMarker(
+                location=[row['latitude'], row['longitude']],
+                radius=5,
+                popup=f"{row['farm_name']}",
+                tooltip=row['farm_name'],
+                color='blue',
+                fill=True,
+                fill_color='blue'
+            ).add_to(m)
+    folium_static(m, width=600, height=400)
+
+
+# --- محاسبه و نمایش نتایج ---
+if st.button("محاسبه نیاز آبی", type="primary"):
+    if plant_age_days < 0:
+        st.error("تاریخ مورد نظر نمی‌تواند قبل از تاریخ کاشت باشد.")
     else:
-        st.info("لطفاً حداقل یک شاخص را برای نمایش نمودار انتخاب کنید.")
-
-    # --- Farm Ranking Table (Placeholder/Simplified) ---
-    # Note: Calculating indices for ALL farms dynamically can be very slow.
-    # This section shows data for the SELECTED farm as an example.
-    # A full ranking would require pre-calculation or a different architecture.
-    st.header("مقایسه شاخص‌ها (مزرعه انتخاب شده)")
-    try:
-        # Calculate average values for the selected farm over the period
-        mean_values = median_image.reduceRegion(
-            reducer=ee.Reducer.mean(),
-            geometry=aoi,
-            scale=30 # Match chart scale
-        ).getInfo() # GetInfo fetches the result
-
-        if mean_values:
-            # Prepare data for table display
-            farm_summary_data = {
-                "شاخص": list(mean_values.keys()),
-                "مقدار میانگین (در دوره)": [f"{v:.3f}" if isinstance(v, (int, float)) else v for v in mean_values.values()]
-            }
-            df_summary = pd.DataFrame(farm_summary_data)
-            st.dataframe(df_summary)
+        st.header(f"نتایج برای مزرعه '{selected_farm_name}' در تاریخ {target_datetime.strftime('%Y-%m-%d %H:00')}")
+        
+        with st.spinner("در حال دریافت داده‌های هواشناسی از GEE و محاسبه..."):
+            weather_data = get_weather_data_gee(
+                selected_farm_info['latitude'],
+                selected_farm_info['longitude'],
+                target_datetime
+            )
+
+        if weather_data:
+            et0 = weather_data["et0_mm_per_hour"]
+            
+            col_weather, col_cwr = st.columns(2)
+            with col_weather:
+                st.subheader("داده‌های هواشناسی (ساعتی):")
+                st.metric(label="تبخیر و تعرق مرجع (ET₀)", value=f"{et0:.3f} mm/hour")
+                st.metric(label="دما", value=f"{weather_data['temperature_c']:.1f} °C")
+                st.metric(label="رطوبت نسبی", value=f"{weather_data['relative_humidity_percent']:.1f} %")
+                st.metric(label="سرعت باد", value=f"{weather_data['wind_speed_mps']:.1f} m/s")
+                st.metric(label="تابش خورشیدی", value=f"{weather_data['solar_radiation_j_m2_h'] / 3600000:.2f} MJ/m²/hour")
+
+
+            cwr_liters, cwr_m3, cwr_mm = calculate_cwr(et0, kc_value, selected_farm_info['area_hectare'])
+            
+            with col_cwr:
+                st.subheader("نیاز آبی محاسبه شده:")
+                st.metric(label="نیاز آبی گیاه (ETc)", value=f"{cwr_mm:.3f} mm/hour")
+                st.success(f"**میزان آب مورد نیاز:**")
+                st.markdown(f"### **{cwr_m3:,.2f} متر مکعب در ساعت**")
+                st.markdown(f"### **{cwr_liters:,.0f} لیتر در ساعت**")
+
+            # --- نمودار تغییرات نیاز آبی در طول روز / هفته ---
+            st.subheader("نمودار تغییرات نیاز آبی (تخمینی)")
+            
+            tab_daily, tab_weekly = st.tabs(["تغییرات روزانه", "تغییرات هفتگی (میانگین روزانه)"])
+
+            with tab_daily:
+                with st.spinner("در حال محاسبه نمودار روزانه... (ممکن است کمی طول بکشد)"):
+                    hourly_et0 = []
+                    hours_of_day = []
+                    hourly_cwr_m3 = []
+                    
+                    current_day_start = datetime.datetime(target_date.year, target_date.month, target_date.day, 0, 0, 0)
+                    
+                    for hour_offset in range(24):
+                        dt_hourly = current_day_start + datetime.timedelta(hours=hour_offset)
+                        weather_hourly = get_weather_data_gee(
+                            selected_farm_info['latitude'],
+                            selected_farm_info['longitude'],
+                            dt_hourly
+                        )
+                        if weather_hourly and weather_hourly["et0_mm_per_hour"] is not None:
+                            et0_val = weather_hourly["et0_mm_per_hour"]
+                            _, cwr_m3_val, _ = calculate_cwr(et0_val, kc_value, selected_farm_info['area_hectare'])
+                            hourly_et0.append(et0_val)
+                            hourly_cwr_m3.append(cwr_m3_val)
+                        else: # اگر داده‌ای نبود، صفر در نظر می‌گیریم
+                            hourly_et0.append(0)
+                            hourly_cwr_m3.append(0)
+                        hours_of_day.append(dt_hourly)
+
+                    if hours_of_day:
+                        fig_daily, ax1 = plt.subplots(figsize=(12, 6))
+                        
+                        color = 'tab:red'
+                        ax1.set_xlabel(f'ساعت در تاریخ {target_date.strftime("%Y-%m-%d")}')
+                        ax1.set_ylabel('نیاز آبی (m³/hour)', color=color)
+                        ax1.plot(hours_of_day, hourly_cwr_m3, color=color, marker='o', linestyle='-')
+                        ax1.tick_params(axis='y', labelcolor=color)
+                        ax1.grid(True, linestyle='--', alpha=0.7)
+
+                        ax2 = ax1.twinx() # ایجاد محور y دوم
+                        color = 'tab:blue'
+                        ax2.set_ylabel('ET₀ (mm/hour)', color=color)
+                        ax2.plot(hours_of_day, hourly_et0, color=color, marker='x', linestyle='--')
+                        ax2.tick_params(axis='y', labelcolor=color)
+
+                        fig_daily.tight_layout() # برای جلوگیری از همپوشانی لیبل‌ها
+                        ax1.xaxis.set_major_formatter(mdates.DateFormatter('%H:%M'))
+                        plt.title(f'تغییرات ساعتی نیاز آبی و ET₀ برای {selected_farm_name}')
+                        st.pyplot(fig_daily)
+                    else:
+                        st.warning("داده کافی برای رسم نمودار روزانه یافت نشد.")
+
+            with tab_weekly:
+                 with st.spinner("در حال محاسبه نمودار هفتگی... (ممکن است کمی طول بکشد)"):
+                    daily_avg_et0 = []
+                    days_of_week = []
+                    daily_total_cwr_m3 = [] # نیاز آبی کل روزانه
+
+                    # شروع از 3 روز قبل تا 3 روز بعد از تاریخ انتخاب شده
+                    for day_offset in range(-3, 4): # 7 days total
+                        current_date = target_date + datetime.timedelta(days=day_offset)
+                        daily_et0_sum = 0
+                        hourly_data_points = 0
+                        
+                        # محاسبه ET0 کل روزانه با جمع مقادیر ساعتی
+                        # (برای دقت بیشتر، باید ET0 ساعتی را جمع کرد، اما برای سادگی فرض می‌کنیم ET0 روزانه موجود است)
+                        # در اینجا، میانگین ET0 ساعتی را برای روز محاسبه می‌کنیم
+                        temp_daily_et0_values = []
+                        for h_offset in range(24): # 24 hours
+                            dt_hourly_for_week = datetime.datetime.combine(current_date, datetime.time(hour=h_offset))
+                            weather_h_week = get_weather_data_gee(
+                                selected_farm_info['latitude'],
+                                selected_farm_info['longitude'],
+                                dt_hourly_for_week
+                            )
+                            if weather_h_week and weather_h_week["et0_mm_per_hour"] is not None:
+                                temp_daily_et0_values.append(weather_h_week["et0_mm_per_hour"])
+                        
+                        if temp_daily_et0_values:
+                            avg_daily_et0_mm_per_hour = sum(temp_daily_et0_values) / len(temp_daily_et0_values)
+                            # سن گیاه برای هر روز هفته مجددا محاسبه می شود
+                            plant_age_current_day = (current_date - selected_farm_info['planting_date'].date()).days
+                            kc_current_day = get_kc(plant_age_current_day)
+
+                            # CWR روزانه = ET0 روزانه (mm/day) * Kc
+                            # ET0 روزانه (mm/day) = میانگین ET0 ساعتی (mm/hour) * 24 hours
+                            et0_mm_per_day = avg_daily_et0_mm_per_hour * 24
+                            _, cwr_m3_per_day, _ = calculate_cwr(et0_mm_per_day, kc_current_day, selected_farm_info['area_hectare'])
+
+                            daily_avg_et0.append(et0_mm_per_day) # ET0 روزانه
+                            daily_total_cwr_m3.append(cwr_m3_per_day) # CWR کل روزانه
+                        else:
+                            daily_avg_et0.append(0)
+                            daily_total_cwr_m3.append(0)
+                        days_of_week.append(current_date)
+
+                    if days_of_week:
+                        fig_weekly, ax1_w = plt.subplots(figsize=(12, 6))
+                        
+                        color = 'tab:green'
+                        ax1_w.set_xlabel('تاریخ')
+                        ax1_w.set_ylabel('نیاز آبی روزانه (m³/day)', color=color)
+                        ax1_w.plot(days_of_week, daily_total_cwr_m3, color=color, marker='o', linestyle='-')
+                        ax1_w.tick_params(axis='y', labelcolor=color)
+                        ax1_w.grid(True, linestyle='--', alpha=0.7)
+
+                        ax2_w = ax1_w.twinx()
+                        color = 'tab:purple'
+                        ax2_w.set_ylabel('ET₀ روزانه (mm/day)', color=color)
+                        ax2_w.plot(days_of_week, daily_avg_et0, color=color, marker='x', linestyle='--')
+                        ax2_w.tick_params(axis='y', labelcolor=color)
+                        
+                        fig_weekly.tight_layout()
+                        ax1_w.xaxis.set_major_formatter(mdates.DateFormatter('%Y-%m-%d'))
+                        plt.xticks(rotation=45)
+                        plt.title(f'تغییرات هفتگی نیاز آبی و ET₀ (روزانه) برای {selected_farm_name}')
+                        st.pyplot(fig_weekly)
+                    else:
+                        st.warning("داده کافی برای رسم نمودار هفتگی یافت نشد.")
         else:
-            st.warning("مقادیر میانگین برای مزرعه انتخاب شده قابل محاسبه نبود.")
-
-    except ee.EEException as e:
-        st.error(f"خطا در محاسبه مقادیر میانگین برای جدول: {e}")
-    except Exception as e:
-        st.error(f"خطای غیرمنتظره در بخش جدول مقایسه: {e}")
-
-    # --- Download Map (Placeholder) ---
-    # Note: Downloading the current map view from geemap/folium within Streamlit
-    # can be complex. Offering download of the composite image might be more feasible.
-    # st.header("دانلود نقشه")
-    # st.info("قابلیت دانلود مستقیم نقشه در حال توسعه است.")
-    # Add a button to download the mean values data as CSV
-    try:
-        if 'df_summary' in locals() and not df_summary.empty:
-             csv_summary = df_summary.to_csv(index=False).encode('utf-8')
-             st.download_button(
-                 label="دانلود خلاصه شاخص‌ها (CSV)",
-                 data=csv_summary,
-                 file_name=f'summary_{selected_farm_name}_{selected_day}.csv',
-                 mime='text/csv',
-             )
-    except NameError: # df_summary might not exist if calculation failed
-         pass
-    except Exception as e:
-         st.error(f"خطا در ایجاد دکمه دانلود CSV: {e}")
-
+            st.error("خطا در دریافت داده‌های هواشناسی. لطفاً ورودی‌ها و اتصال اینترنت را بررسی کنید.")
 
-# ==============================================================================
-# Run the App
-# ==============================================================================
-if __name__ == "__main__":
-    main()
+st.markdown("---")
+st.caption("طراحی شده برای محاسبه نیاز آبی نیشکر با استفاده از GEE و Streamlit")