Update app.py

app.py

@@ -3,14 +3,23 @@ import ee
 import folium
 import pandas as pd
 import matplotlib.pyplot as plt
+import seaborn as sns
 import numpy as np
 from streamlit_folium import folium_static
 from datetime import date, timedelta
 import json
 import geemap.foliumap as geemap
+from fpdf import FPDF
+import io
+import base64
+from PIL import Image
+import plotly.graph_objects as go
+from plotly.subplots import make_subplots
+import plotly.express as px
+from streamlit_plotly_events import plotly_events
 
 # تنظیمات اولیه
-st.set_page_config(page_title="پایش مزارع نیشکر", layout="wide", initial_sidebar_state="expanded")
+st.set_page_config(page_title="سامانه پایش هوشمند مزارع نیشکر", layout="wide", initial_sidebar_state="expanded")
 
 # تنظیمات ظاهری برای متون فارسی
 st.markdown("""
@@ -49,6 +58,7 @@ credentials = ee.ServiceAccountCredentials(service_account, key_data=key_json_st
 ee.Initialize(credentials)
 
 # تعریف توابع کمکی
+@st.cache_data
 def load_farm_data():
     """بارگذاری اطلاعات مزارع"""
     try:
@@ -57,6 +67,7 @@ def load_farm_data():
         st.error(f"خطا در بارگذاری اطلاعات مزارع: {str(e)}")
         return None
 
+@st.cache_data
 def get_safe_index_value(image, index_type, band_selection, farm_geometry):
     """محاسبه ایمن شاخص‌های گیاهی"""
     if image is None:
@@ -85,19 +96,122 @@ def calculate_lai(ndvi):
     """محاسبه شاخص سطح برگ"""
     return -1.325 + 6.331 * ndvi - 2.239 * (ndvi ** 2)
 
-def add_ee_layer(self, ee_image_object, vis_params, name):
-    """تابع کمکی برای اضافه کردن لایه Earth Engine به نقشه"""
-    map_id_dict = ee.Image(ee_image_object).getMapId(vis_params)
-    folium.raster_layers.TileLayer(
-        tiles=map_id_dict['tile_fetcher'].url_format,
-        attr='Map Data &copy; <a href="https://earthengine.google.com/">Google Earth Engine</a>',
-        name=name,
-        overlay=True,
-        control=True
-    ).add_to(self)
+@st.cache_data
+def get_weekly_average_ndvi(farm_geometry, start_date, end_date):
+    """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))
 
-# اضافه کردن متد به کلاس folium.Map
-folium.Map.add_ee_layer = add_ee_layer
+    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):
+    """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"ن��م مزرعه: {farm_info['name']}", ln=True)
+    pdf.cell(200, 10, txt=f"سن مزرعه: {farm_info['age']} سال", ln=True)
+    pdf.cell(200, 10, txt=f"نوع محصول: {farm_info['variety']}", 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():
@@ -150,8 +264,8 @@ def main():
         try:
             # محاسبه تاریخ‌های مورد نیاز
             end_date = date.today()
-            start_date = end_date - timedelta(days=6)
-            date_list = [start_date + timedelta(days=x) for x in range(7)]
+            start_date = end_date - timedelta(days=30)  # افزایش بازه زمانی به یک ماه
+            date_list = [start_date + timedelta(days=x) for x in range(31)]
 
             # دریافت تصاویر و محاسبه شاخص‌ها
             with st.spinner('در حال پردازش اطلاعات...'):
@@ -180,29 +294,31 @@ def main():
                         for index in band_selection.keys():
                             index_values[index].append(0)
 
+                # محاسبه میانگین هفتگی NDVI
+                weekly_ndvi = get_weekly_average_ndvi(farm_geometry, start_date.strftime("%Y-%m-%d"), end_date.strftime("%Y-%m-%d"))
+                st.write(f"میانگین هفتگی NDVI: {weekly_ndvi:.2f}")
+
+                # انجام خوشه‌بندی
+                clustering_result = perform_clustering(farm_geometry, start_date.strftime("%Y-%m-%d"), end_date.strftime("%Y-%m-%d"))
+
                 # نمایش نمودارها و نقشه NDVI
                 col1, col2 = st.columns(2)
                 
                 with col1:
                     st.subheader("روند تغییرات شاخص‌ها")
-                    fig, ax = plt.subplots(figsize=(10, 6))
-                    for index in band_selection.keys():
-                        ax.plot(date_list, index_values[index], marker='o', label=index)
-                    ax.set_xlabel('تاریخ')
-                    ax.set_ylabel('مقدار شاخص')
-                    plt.xticks(rotation=45)
-                    plt.legend()
-                    st.pyplot(fig)
+                    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)
 
                 with col2:
                     st.subheader("شاخص سطح برگ (LAI)")
                     lai_values = [calculate_lai(ndvi) for ndvi in index_values['NDVI']]
-                    fig, ax = plt.subplots(figsize=(10, 6))
-                    ax.plot(date_list, lai_values, marker='o', color='green')
-                    ax.set_xlabel('تاریخ')
-                    ax.set_ylabel('LAI')
-                    plt.xticks(rotation=45)
-                    st.pyplot(fig)
+                    fig = px.line(x=date_list, y=lai_values, labels={'x': 'تاریخ', 'y': 'LAI'})
+                    fig.update_layout(title_text="روند تغییرات شاخص سطح برگ")
+                    st.plotly_chart(fig)
 
                 # تحلیل وضعیت
                 st.subheader("تحلیل وضعیت مزرعه")
@@ -250,6 +366,29 @@ def main():
                 # 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", df["name"].unique())
+                farm2 = st.selectbox("انتخاب مزرعه دوم", df["name"].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, lai_values, date_list)
+                    st.download_button(
+                        label="دانلود گزارش PDF",
+                        data=pdf_report,
+                        file_name=f"گزارش_{farm_info['name']}.pdf",
+                        mime="application/pdf"
+                    )
+
         except Exception as e:
             st.error(f"خطا در پردازش اطلاعات: {str(e)}")