app.py

import streamlit as st
import ee
import geemap.foliumap as geemap
import pandas as pd
import datetime

# اعتبار سنجی و اتصال به Google Earth Engine
service_account = 'earth-engine-service-account@ee-esmaeilkiani1387.iam.gserviceaccount.com'
credentials = ee.ServiceAccountCredentials(service_account, 'path-to-your-private-key.json')
ee.Initialize(credentials)

# خواندن فایل CSV مزارع
farms_data = pd.read_csv('path-to-your-farms-data.csv')

# تعریف ناحیه مورد مطالعه با مختصات جدید
region = ee.Geometry.Polygon(
    [[[48.681879, 31.417603], [48.721447, 31.413209], [48.724279, 31.420826], [48.726768, 31.427418],
      [48.728228, 31.435694], [48.736382, 31.42837], [48.739557, 31.435657], [48.742261, 31.441772],
      [48.752303, 31.452243], [48.75226, 31.459784], [48.759127, 31.473657], [48.766809, 31.472413],
      [48.773203, 31.491188], [48.77758, 31.534579], [48.785563, 31.540797], [48.792601, 31.59696],
      [48.694668, 31.60756], [48.691921, 31.603466], [48.697586, 31.534067], [48.69381, 31.507727],
      [48.685226, 31.468496], [48.681879, 31.417603]]]
)

# تابع برای دریافت نقشه NDVI
def get_ndvi_map(start_date, end_date):
    s2 = ee.ImageCollection('COPERNICUS/S2').filterBounds(region).filterDate(start_date, end_date)
    ndvi = s2.map(lambda image: image.normalizedDifference(['B8', 'B4']).rename('NDVI')).median()
    ndvi_params = {'min': 0, 'max': 1, 'palette': ['red', 'yellow', 'green']}
    return ndvi, ndvi_params

# تابع برای دریافت نقشه NDMI (شاخص رطوبت)
def get_ndmi_map(start_date, end_date):
    s2 = ee.ImageCollection('COPERNICUS/S2').filterBounds(region).filterDate(start_date, end_date)
    ndmi = s2.map(lambda image: image.normalizedDifference(['B8', 'B11']).rename('NDMI')).median()
    ndmi_params = {'min': -1, 'max': 1, 'palette': ['brown', 'white', 'blue']}
    return ndmi, ndmi_params

# ساخت برنامه Streamlit
st.title("نقشه NDVI و NDMI برای مزارع شرکت دهخدا")

# انتخاب بازه زمانی
start_date = st.date_input("تاریخ شروع", datetime.date(2023, 1, 1))
end_date = st.date_input("تاریخ پایان", datetime.date(2023, 12, 31))

# انتخاب شاخص
index_option = st.selectbox("شاخص مورد نظر را انتخاب کنید:", ["NDVI", "NDMI"])

# انتخاب مزرعه از فایل CSV
farm_name = st.sidebar.selectbox("نام مزرعه را انتخاب کنید:", farms_data['farm_name'].unique())

# پیدا کردن مختصات مزرعه انتخاب شده
selected_farm = farms_data[farms_data['farm_name'] == farm_name]
latitude = selected_farm['latitude'].values[0]
longitude = selected_farm['longitude'].values[0]
farm_age = selected_farm['age'].values[0]
farm_variety = selected_farm['variety'].values[0]

# دکمه برای نمایش نقشه
if st.button("نمایش نقشه"):
    # بسته به شاخص انتخاب شده، نقشه را بارگذاری کنید
    if index_option == "NDVI":
        index_map, vis_params = get_ndvi_map(start_date.isoformat(), end_date.isoformat())
    else:
        index_map, vis_params = get_ndmi_map(start_date.isoformat(), end_date.isoformat())

    # ایجاد نقشه با Geemap
    map_ = geemap.Map(center=[latitude, longitude], zoom=12)
    map_.addLayer(index_map, vis_params, index_option)

    # افزودن نوار رنگ به نقشه
    map_.add_colorbar(vis_params, label=index_option)

    # افزودن مزرعه به نقشه
    map_.add_marker([latitude, longitude], popup=f"نام: {farm_name}\nسن: {farm_age}\nواریته: {farm_variety}")

    # نمایش نقشه در Streamlit
    map_.to_streamlit()

    # امکان دانلود نقشه
    st.download_button(label="دانلود نقشه", data=map_.to_image(), file_name="map.png", mime="image/png")

    user_input = pd.DataFrame({  
        'Age': [farm_age],  
        'Variety': [farm_variety],  
        'NDRE': [ndre_value]  
    })
    
    if start_date:
        day_of_year = start_date.timetuple().tm_yday
        month = start_date.month
        user_input['DayOfYear'] = [day_of_year]
        user_input['Month'] = [month]

    user_input = user_input[['Age', 'DayOfYear', 'Month', 'Variety', 'NDRE']]

    prediction = model.predict(user_input)  

    st.write("Predictions:")  
    st.write(f"Brix: {prediction[0][0]}")  
    st.write(f"Pol: {prediction[0][1]}")  
    st.write(f"Purity: {prediction[0][2]}")  
    st.write(f"RS: {prediction[0][3]}")