app.py

import streamlit as st
import ee
import pandas as pd
from datetime import date, timedelta
import json
import geemap
from fpdf import FPDF
import io
import matplotlib.pyplot as plt
import plotly.graph_objects as go
from plotly.subplots import make_subplots
import plotly.express as px

# تنظیمات اولیه
st.set_page_config(page_title="سامانه پایش هوشمند مزارع نیشکر", layout="wide", initial_sidebar_state="expanded")

# تنظیمات ظاهری برای متون فارسی
st.markdown("""
    <style>
        @font-face {
            font-family: 'Vazir';
            src: url('https://cdn.jsdelivr.net/gh/rastikerdar/[email protected]/dist/Vazir-Regular.woff2');
        }
        .css-1d391kg, .css-1lcbmhc {
            font-family: 'Vazir', sans-serif;
        }
    </style>
""", unsafe_allow_html=True)

# تنظیمات Earth Engine
service_account = 'dehkhodamap-e9f0da4ce9f6514021@ee-esmaeilkiani13877.iam.gserviceaccount.com'
key_json = {
  "type": "service_account",
  "project_id": "ee-esmaeilkiani13877",
  "private_key_id": "cfdea6eaf4115cb6462626743e4b15df85fd0c7f",
  "private_key": "-----BEGIN PRIVATE KEY-----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\nLa4DJE9BagGdVNTDtynBhKhZ\n-----END PRIVATE KEY-----\n",
  "client_email": "dehkhodamap-e9f0da4ce9f6514021@ee-esmaeilkiani13877.iam.gserviceaccount.com",
  "client_id": "113062529451626176784",
  "auth_uri": "https://accounts.google.com/o/oauth2/auth",
  "token_uri": "https://oauth2.googleapis.com/token",
  "auth_provider_x509_cert_url": "https://www.googleapis.com/oauth2/v1/certs",
  "client_x509_cert_url": "https://www.googleapis.com/robot/v1/metadata/x509/dehkhodamap-e9f0da4ce9f6514021%40ee-esmaeilkiani13877.iam.gserviceaccount.com",
  "universe_domain": "googleapis.com"
}
# تبدیل دیکشنری به رشته JSON
key_json_str = json.dumps(key_json)

# ایجاد اعتبارنامه و راه‌اندازی Earth Engine
credentials = ee.ServiceAccountCredentials(service_account, key_data=key_json_str)
ee.Initialize(credentials)

# تعریف توابع کمکی
@st.cache_data
def load_farm_data():
    """بارگذاری اطلاعات مزارع"""
    try:
        return pd.read_csv("پایگاه داده (1).csv")
    except Exception as e:
        st.error(f"خطا در بارگذاری اطلاعات مزارع: {str(e)}")
        return None

@st.cache_data
def load_farm_coordinates():
    """بارگذاری مختصات مزارع"""
    try:
        return pd.read_csv("tableConvert.com_wftamx (1).csv")
    except Exception as e:
        st.error(f"خطا در بارگذاری مختصات مزارع: {str(e)}")
        return None

@st.cache_data
def get_safe_index_value(_image, index_type, band_selection, _farm_geometry, image_date, farm_coords):
    """محاسبه ایمن شاخص‌های گیاهی"""
    if _image is None:
        return None
    try:
        if index_type == "MSAVI":
            nir_band = _image.select("B8")
            red_band = _image.select("B4")
            if nir_band is None or red_band is None:
                return None
            index_image = _image.expression(
                "(2 * NIR + 1 - sqrt((2 * NIR + 1) ** 2 - 8 * (NIR - RED))) / 2",
                {"NIR": nir_band, "RED": red_band}
            ).rename("MSAVI")
        else:
            bands = band_selection[index_type]
            band_exists = True
            for band in bands:
                if not _image.select(band).getInfo():
                    band_exists = False
                    break
            if band_exists:
                index_image = _image.normalizedDifference(bands).rename(index_type)
            else:
                return None
                
        mean_value = index_image.reduceRegion(
            reducer=ee.Reducer.mean(),
            geometry=_farm_geometry,
            scale=10
        ).get(index_type if index_type != "MSAVI" else "MSAVI").getInfo()
        
        return mean_value if mean_value is not None else 0
    except Exception as e:
        st.error(f"خطا در محاسبه شاخص {index_type} برای تاریخ {image_date}: {str(e)}")
        return 0

def calculate_lai(ndvi):
    """محاسبه شاخص سطح برگ"""
    return -1.325 + 6.331 * ndvi - 2.239 * (ndvi ** 2)

@st.cache_data
def get_weekly_average_ndvi(_farm_geometry, start_date, end_date, farm_coords):
    """محاسبه میانگین هفتگی NDVI"""
    s2_collection = ee.ImageCollection("COPERNICUS/S2") \
        .filterDate(start_date, end_date) \
        .filterBounds(_farm_geometry) \
        .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', 20))

    def calculate_ndvi(image):
        ndvi = image.normalizedDifference(['B8', 'B4']).rename('NDVI')
        return image.addBands(ndvi)

    ndvi_collection = s2_collection.map(calculate_ndvi)

    weekly_ndvi = ndvi_collection.select('NDVI').mean()

    mean_ndvi = weekly_ndvi.reduceRegion(
        reducer=ee.Reducer.mean(),
        geometry=_farm_geometry,
        scale=10
    ).get('NDVI').getInfo()

    return mean_ndvi

@st.cache_data
def perform_clustering(_farm_geometry, start_date, end_date, farm_coords):
    """انجام خوشه‌بندی بر اساس NDVI"""
    s2_collection = ee.ImageCollection("COPERNICUS/S2") \
        .filterDate(start_date, end_date) \
        .filterBounds(_farm_geometry) \
        .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', 20))

    composite = s2_collection.median()
    ndvi = composite.normalizedDifference(['B8', 'B4']).rename('NDVI')

    training = ndvi.sample(
        region=_farm_geometry,
        scale=10,
        numPixels=100
    )

    clusterer = ee.Clusterer.wekaKMeans(3).train(training)
    result = ndvi.cluster(clusterer)

    return result

def create_heatmap(df, index_type):
    """ایجاد نقشه حرارتی برای شاخص مورد نظر"""
    pivot_df = df.pivot("name", "date", index_type)
    fig = px.imshow(pivot_df, 
                    labels=dict(x="تاریخ", y="نام مزرعه", color=index_type),
                    x=pivot_df.columns,
                    y=pivot_df.index)
    fig.update_layout(title=f"نقشه حرارتی {index_type}")
    return fig

def create_comparison_chart(df, farm1, farm2, index_type):
    """ایجاد نمودار مقایسه‌ای بین دو مزرعه"""
    df_farm1 = df[df['name'] == farm1]
    df_farm2 = df[df['name'] == farm2]

    fig = go.Figure()
    fig.add_trace(go.Scatter(x=df_farm1['date'], y=df_farm1[index_type], name=farm1))
    fig.add_trace(go.Scatter(x=df_farm2['date'], y=df_farm2[index_type], name=farm2))

    fig.update_layout(title=f"مقایسه {index_type} بین {farm1} و {farm2}",
                      xaxis_title="تاریخ",
                      yaxis_title=index_type)
    return fig

def generate_pdf_report(farm_info, index_values, lai_values, date_list):
    """تولید گزارش PDF"""
    pdf = FPDF()
    pdf.add_page()
    pdf.add_font('Vazir', '', 'Vazir-Regular.ttf', uni=True)
    pdf.set_font('Vazir', '', 14)

    pdf.cell(200, 10, txt="گزارش وضعیت مزرعه", ln=True, align='C')
    pdf.cell(200, 10, txt=f"نام مزرعه: {farm_info['مزرعه']}", ln=True)
    pdf.cell(200, 10, txt=f"سن مزرعه: {farm_info['سن']} سال", ln=True)
    pdf.cell(200, 10, txt=f"نوع محصول: {farm_info['واریته']}", ln=True)

    # اضافه کردن نمودارها
    for index in index_values.keys():
        plt.figure(figsize=(10, 6))
        plt.plot(date_list, index_values[index], marker='o')
        plt.title(f"روند تغییرات {index}")
        plt.xlabel("تاریخ")
        plt.ylabel("مقدار شاخص")
        plt.xticks(rotation=45)
        img_buffer = io.BytesIO()
        plt.savefig(img_buffer, format='png')
        img_buffer.seek(0)
        pdf.image(img_buffer, x=10, y=None, w=190)
        plt.close()

    # اضافه کردن توضیحات تحلیلی
    pdf.cell(200, 10, txt="تحلیل وضعیت مزرعه:", ln=True)
    latest_ndvi = index_values['NDVI'][-1]
    latest_ndwi = index_values['NDWI'][-1]
    
    if latest_ndvi > 0.5:
        pdf.cell(200, 10, txt="وضعیت پوشش گیاهی مطلوب است.", ln=True)
    elif latest_ndvi > 0.3:
        pdf.cell(200, 10, txt="وضعیت پوشش گیاهی متوسط است.", ln=True)
    else:
        pdf.cell(200, 10, txt="وضعیت پوشش گیاهی نامطلوب است.", ln=True)

    if latest_ndwi > 0.2:
        pdf.cell(200, 10, txt="وضعیت آب گیاه مطلوب است.", ln=True)
    elif latest_ndwi > 0:
        pdf.cell(200, 10, txt="وضعیت آب گیاه متوسط است.", ln=True)
    else:
        pdf.cell(200, 10, txt="احتمال تنش آبی وجود دارد.", ln=True)

    return pdf.output(dest='S').encode('latin-1')

# تابع اصلی برنامه
def main():
    st.title("سامانه پایش هوشمند مزارع نیشکر")
    
    # بارگذاری اطلاعات مزارع
    df = load_farm_data()
    farm_coords = load_farm_coordinates()
    if df is None or farm_coords is None:
        return

    # تعریف شاخص‌ها و باندها
    band_selection = {
        "NDVI": ["B8", "B4"],
        "NDRE": ["B8", "B5"],
        "NDWI": ["B3", "B8"],
        "NDMI": ["B8", "B11"],
        "MSAVI": ["B8", "B4"]
    }

    # تعریف اطلاعات شاخص‌ها
    index_info = {
        "NDVI": {
            "description": "شاخص تفاضل نرمال شده پوشش گیاهی",
            "ranges": [
                {"range": "کمتر از 0.1", "meaning": "خاک لخت یا آب", "color": "قرمز"},
                {"range": "0.1 تا 0.3", "meaning": "پوشش گیاهی کم", "color": "نارنجی"},
                {"range": "0.3 تا 0.5", "meaning": "پوشش گیاهی متوسط", "color": "زرد"},
                {"range": "0.5 تا 0.7", "meaning": "پوشش گیاهی خوب", "color": "سبز روشن"},
                {"range": "بیشتر از 0.7", "meaning": "پوشش گیاهی بسیار خوب", "color": "سبز تیره"}
            ]
        },
        "NDRE": {
            "description": "شاخص تفاضل نرمال شده لبه قرمز",
            "ranges": [
                {"range": "کمتر از 0.1", "meaning": "گیاه تحت تنش یا خاک لخت", "color": "قرمز"},
                {"range": "0.1 تا 0.2", "meaning": "گیاه با سلامتی کم", "color": "نارنجی"},
                {"range": "0.2 تا 0.3", "meaning": "گیاه با سلامتی متوسط", "color": "زرد"},
                {"range": "0.3 تا 0.4", "meaning": "گیاه سالم", "color": "سبز روشن"},
                {"range": "بیشتر از 0.4", "meaning": "گیاه بسیار سالم", "color": "سبز تیره"}
            ]
        },
        "NDWI": {
            "description": "شاخص تفاضل نرمال شده آب",
            "ranges": [
                {"range": "کمتر از 0", "meaning": "خشکی شدید", "color": "قرمز"},
                {"range": "0 تا 0.2", "meaning": "خشکی متوسط", "color": "نارنجی"},
                {"range": "0.2 تا 0.4", "meaning": "رطوبت کافی", "color": "زرد"},
                {"range": "0.4 تا 0.6", "meaning": "رطوبت خوب", "color": "آبی روشن"},
                {"range": "بیشتر از 0.6", "meaning": "آب آزاد یا رطوبت بسیار بالا", "color": "آبی تیره"}
            ]
        },
        "NDMI": {
            "description": "شاخص تفاضل نرمال شده رطوبت",
            "ranges": [
                {"range": "کمتر از 0", "meaning": "خشکی شدید", "color": "قرمز"},
                {"range": "0 تا 0.2", "meaning": "خشکی متوسط", "color": "نارنجی"},
                {"range": "0.2 تا 0.4", "meaning": "رطوبت کافی", "color": "زرد"},
                {"range": "0.4 تا 0.6", "meaning": "رطوبت خوب", "color": "سبز روشن"},
                {"range": "بیشتر از 0.6", "meaning": "رطوبت بسیار بالا", "color": "سبز تیره"}
            ]
        },
        "MSAVI": {
            "description": "شاخص تعدیل شده خاک-پوشش گیاهی",
            "ranges": [
                {"range": "کمتر از 0.1", "meaning": "خاک لخت یا آب", "color": "قرمز"},
                {"range": "0.1 تا 0.3", "meaning": "پوشش گیاهی کم", "color": "نارنجی"},
                {"range": "0.3 تا 0.5", "meaning": "پوشش گیاهی متوسط", "color": "زرد"},
                {"range": "0.5 تا 0.7", "meaning": "پوشش گیاهی خوب", "color": "سبز روشن"},
                {"range": "بیشتر از 0.7", "meaning": "پوشش گیاهی بسیار خوب", "color": "سبز تیره"}
            ]
        }
    }

    # نمایش روزهای هفته
    days_of_week = ["شنبه", "یکشنبه", "دوشنبه", "سه‌شنبه", "چهارشنبه", "پنج‌شنبه"]
    selected_day = st.selectbox("انتخاب روز هفته", days_of_week)

    # فیلتر کردن مزارع بر اساس روز انتخاب شده
    farms_of_day = df[df['روز'] == selected_day]

    # نمایش جدول مزارع روز انتخاب شده
    st.subheader(f"مزارع روز {selected_day}")
    st.dataframe(farms_of_day)

    # انتخاب مزرعه
    selected_farm = st.sidebar.selectbox("انتخاب مزرعه", farms_of_day["مزرعه"].unique())
    farm_info = farms_of_day[farms_of_day["مزرعه"] == selected_farm].iloc[0]
    
    # یافتن مختصات مزرعه انتخاب شده
    farm_coordinate = farm_coords[farm_coords["name"] == selected_farm].iloc[0]
    
    # تعریف هندسه مزرعه با استفاده از طول و عرض جغرافیایی
    farm_geometry = ee.Geometry.Point([farm_coordinate['longitude'], farm_coordinate['latitude']])
    farm_coords_str = f"{farm_coordinate['longitude']},{farm_coordinate['latitude']}"
    
    # ایجاد یک بافر اطراف نقطه مرکزی مزرعه (مثلاً به شعاع 100 متر)
    farm_geometry = farm_geometry.buffer(100)

    # انتخاب شاخص
    index_type = st.sidebar.selectbox("انتخاب شاخص گیاهی", list(band_selection.keys()))

    # نمایش توضیحات شاخص
    st.sidebar.markdown(f"### توضیحات {index_type}")
    st.sidebar.markdown(index_info[index_type]["description"])
    st.sidebar.markdown("### راهنمای تفسیر")
    for range_info in index_info[index_type]["ranges"]:
        st.sidebar.markdown(f"- **{range_info['range']}**: {range_info['meaning']} ({range_info['color']})")

    if st.sidebar.button("نمایش نقشه و تحلیل"):
        try:
            # محاسبه تاریخ‌های مورد نیاز
            end_date = date.today()
            start_date = end_date - timedelta(days=10)  # 10 روز اخیر
            date_list = [start_date + timedelta(days=x) for x in range(11)]

            # دریافت تصاویر و محاسبه شاخص‌ها
            with st.spinner('در حال پردازش اطلاعات...'):
                index_values = {index: [] for index in band_selection.keys()}
                
                for single_date in date_list:
                    date_str = single_date.strftime("%Y-%m-%d")
                    next_date = (single_date + timedelta(days=1)).strftime("%Y-%m-%d")
                    
                    try:
                        s2_collection = ee.ImageCollection("COPERNICUS/S2")\
                            .filterDate(date_str, next_date)\
                            .filterBounds(farm_geometry)\
                            .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', 20))
                        
                        if s2_collection.size().getInfo() > 0:
                            s2 = s2_collection.first()
                            for index in band_selection.keys():
                                value = get_safe_index_value(s2, index, band_selection, farm_geometry, date_str, farm_coords_str)
                                index_values[index].append(value)
                        else:
                            for index in band_selection.keys():
                                index_values[index].append(None)
                    except Exception as e:
                        st.error(f"خطا در پردازش تاریخ {date_str}: {str(e)}")
                        for index in band_selection.keys():
                            index_values[index].append(None)

                # محاسبه میانگین هفتگی NDVI
                weekly_ndvi = get_weekly_average_ndvi(farm_geometry, start_date.strftime("%Y-%m-%d"), end_date.strftime("%Y-%m-%d"), farm_coords_str)
                st.sidebar.write(f"میانگین هفتگی NDVI: {weekly_ndvi:.2f}")

                # محاسبه بیشترین و کمترین رشد در 10 روز اخیر
                ndvi_values = index_values['NDVI']
                ndvi_changes = [ndvi_values[i+1] - ndvi_values[i] for i in range(len(ndvi_values)-1) if ndvi_values[i] is not None and ndvi_values[i+1] is not None]
                if ndvi_changes:
                    max_growth = max(ndvi_changes)
                    min_growth = min(ndvi_changes)
                    max_growth_date = date_list[ndvi_changes.index(max_growth) + 1]
                    min_growth_date = date_list[ndvi_changes.index(min_growth) + 1]
                    st.sidebar.write(f"بیشترین رشد: {max_growth:.2f} در تاریخ {max_growth_date.strftime('%Y-%m-%d')}")
                    st.sidebar.write(f"کمترین رشد: {min_growth:.2f} در تاریخ {min_growth_date.strftime('%Y-%m-%d')}")

                # نمایش نمودارها
                st.subheader("روند تغییرات شاخص‌ها در 10 روز اخیر")
                fig = make_subplots(rows=len(band_selection), cols=1, shared_xaxes=True)
                for i, (index, values) in enumerate(index_values.items(), start=1):
                    fig.add_trace(go.Scatter(x=date_list, y=values, name=index), row=i, col=1)
                    fig.update_yaxes(title_text=index, row=i, col=1)
                fig.update_layout(height=600, width=800, title_text="روند تغییرات شاخص‌ها")
                st.plotly_chart(fig)

                # نمایش نقشه NDVI
                st.subheader("نقشه NDVI")
                Map = geemap.Map(center=[farm_coordinate['latitude'], farm_coordinate['longitude']], zoom=15)
                
                # محاسبه NDVI برای آخرین تصویر
                last_image = s2_collection.sort('system:time_start', False).first()
                if last_image:
                    ndvi = last_image.normalizedDifference(['B8', 'B4']).rename('NDVI')
                    
                    # تنظیمات نمایش NDVI
                    vis_params = {
                        'min': 0,
                        'max': 1,
                        'palette': ['red', 'yellow', 'green']
                    }
                    
                    # اضافه کردن لایه NDVI به نقشه
                    Map.addLayer(ndvi.clip(farm_geometry.buffer(500)), vis_params, 'NDVI')
                
                # اضافه کردن نشانگر مزرعه
                Map.add_marker(location=[farm_coordinate['latitude'], farm_coordinate['longitude']], popup=farm_info['مزرعه'])
                
                # نمایش نقشه
                Map.to_streamlit(height=400)

                # نمایش نقشه حرارتی
                st.subheader("نقشه حرارتی وضعیت مزارع")
                heatmap_fig = create_heatmap(df, index_type)
                st.plotly_chart(heatmap_fig)

                # مقایسه بین مزارع
                st.subheader("مقایسه بین مزارع")
                farm1 = st.selectbox("انتخاب مزرعه اول", farms_of_day["مزرعه"].unique())
                farm2 = st.selectbox("انتخاب مزرعه دوم", farms_of_day["مزرعه"].unique())
                comparison_fig = create_comparison_chart(df, farm1, farm2, index_type)
                st.plotly_chart(comparison_fig)

                # تولید گزارش PDF
                st.subheader("دریافت گزارش PDF")
                if st.button("تولید گزارش PDF"):
                    pdf_report = generate_pdf_report(farm_info, index_values, calculate_lai(index_values['NDVI']), date_list)
                    st.download_button(
                        label="دانلود گزارش PDF",
                        data=pdf_report,
                        file_name=f"گزارش_{farm_info['مزرعه']}.pdf",
                        mime="application/pdf"
                    )

        except Exception as e:
            st.error(f"خطا در پردازش اطلاعات: {str(e)}")

if __name__ == "__main__":
    main()