Update app.py

app.py

@@ -1,353 +1,93 @@
 import streamlit as st
 import ee
 import geemap.foliumap as geemap
-import pandas as pd
-import matplotlib.pyplot as plt
-import datetime
-import os
+import folium
+from datetime import datetime, timedelta
 
-# Set page title and layout
-st.set_page_config(page_title="سیستم پایش مزارع نیشکر", layout="wide")
+# تابع برای احراز هویت با استفاده از سرویس اکانت
+def authenticate_gee():
+    credentials = ee.ServiceAccountCredentials(
+        email='dehkhodamap-e9f0da4ce9f6514021@ee-esmaeilkiani13877.iam.gserviceaccount.com',
+        key_data="""-----BEGIN PRIVATE KEY-----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+-----END PRIVATE KEY-----"""
+    )
+    ee.Initialize(credentials)
 
-# Header
-st.title("سیستم پایش هوشمند مزارع نیشکر")
-st.markdown("---")
+# احراز هویت هنگام اجرای برنامه
+authenticate_gee()
 
-# Initialize Earth Engine
-@st.cache_resource
-def initialize_ee():
-    try:
-        # Path to your service account key file
-        service_account = 'esmaeil-kiani1387-gmail-com@ee-esmaeilkiani13877.iam.gserviceaccount.com'
-        credentials_path = 'ee-esmaeilkiani13877-9a054809a4bb.json'
-        
-        # Check if credentials file exists
-        if os.path.exists(credentials_path):
-            credentials = ee.ServiceAccountCredentials(service_account, credentials_path)
-            ee.Initialize(credentials)
-            return True
-        else:
-            st.error("فایل احراز هویت یافت نشد. لطفا مسیر فایل را بررسی کنید.")
-            return False
-    except Exception as e:
-        st.error(f"خطا در اتصال به Google Earth Engine: {str(e)}")
-        return False
+# تعریف منطقه مورد نظر (مختصات شرکت نیشکر دهخدا)
+roi = ee.Geometry.Rectangle([48.5, 31.3, 48.7, 31.5])
 
-# Initialize Earth Engine
-ee_initialized = initialize_ee()
+# تابع محاسبه رواناب با استفاده از روش SCS-CN
+def calculate_runoff(start_date, end_date):
+    # بارش از CHIRPS
+    chirps = ee.ImageCollection('UCSB-CHG/CHIRPS/DAILY') \
+        .filterDate(start_date, end_date) \
+        .filterBounds(roi)
 
-if ee_initialized:
-    # Define coordinates for the area of interest
-    LATITUDE = 31.534442
-    LONGITUDE = 48.724416
-    
-    # Create a point geometry
-    point = ee.Geometry.Point([LONGITUDE, LATITUDE])
-    
-    # Create a buffer around the point (5 km radius)
-    aoi = point.buffer(5000)
-    
-    # Sidebar for controls
-    with st.sidebar:
-        st.header("تنظیمات")
-        
-        # Date selection
-        st.subheader("انتخاب بازه زمانی")
-        today = datetime.datetime.now()
-        default_start_date = today - datetime.timedelta(days=365)
-        start_date = st.date_input("تاریخ شروع", default_start_date)
-        end_date = st.date_input("تاریخ پایان", today)
-        
-        # Convert dates to strings
-        start_date_str = start_date.strftime("%Y-%m-%d")
-        end_date_str = end_date.strftime("%Y-%m-%d")
-        
-        # Cloud cover filter
-        cloud_cover = st.slider("حداکثر درصد ابر", 0, 100, 10)
-        
-        # Index selection
-        index_options = {
-            "NDVI (شاخص تفاضل نرمال شده پوشش گیاهی)": "NDVI",
-            "EVI (شاخص پوشش گیاهی بهبود یافته)": "EVI",
-            "SAVI (شاخص پوشش گیاهی تعدیل شده خاک)": "SAVI",
-            "NDMI (شاخص رطوبت تفاضل نرمال شده)": "NDMI"
-        }
-        selected_index = st.selectbox("انتخاب شاخص", list(index_options.keys()))
-        index_code = index_options[selected_index]
-        
-        # Analysis type
-        analysis_type = st.selectbox(
-            "نوع تحلیل",
-            ["پایش سلامت و رشد", "مدیریت آبیاری", "مدیریت آفات", "مدیریت برداشت", "مدیریت زمین"]
-        )
-        
-        st.markdown("---")
-        st.info("برای بهترین نتیجه، تصاویر با درصد ابر کمتر از 10 درصد توصیه می‌شود.")
+    # میانگین بارش در منطقه
+    precipitation = chirps.mean().clip(roi)
 
-    # Main content
-    col1, col2 = st.columns([2, 1])
-    
-    with col1:
-        st.subheader("نقشه پایش مزارع نیشکر")
-        
-        # Get Sentinel-2 collection
-        sentinel = ee.ImageCollection('COPERNICUS/S2_SR') \
-            .filterDate(start_date_str, end_date_str) \
-            .filterBounds(aoi) \
-            .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', cloud_cover))
-        
-        # Sort by cloud cover and get the most recent image
-        recent_image = sentinel.sort('CLOUDY_PIXEL_PERCENTAGE').first()
-        
-        # Check if we have an image
-        if recent_image:
-            # Function to calculate indices
-            def calculate_index(image, index_name):
-                if index_name == 'NDVI':
-                    # NDVI = (NIR - Red) / (NIR + Red)
-                    return image.normalizedDifference(['B8', 'B4']).rename('NDVI')
-                elif index_name == 'EVI':
-                    # EVI = 2.5 * ((NIR - Red) / (NIR + 6 * Red - 7.5 * Blue + 1))
-                    return 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')
-                elif index_name == 'SAVI':
-                    # SAVI = ((NIR - Red) / (NIR + Red + L)) * (1 + L), where L = 0.5
-                    return image.expression(
-                        '((NIR - RED) / (NIR + RED + 0.5)) * 1.5', {
-                            'NIR': image.select('B8'),
-                            'RED': image.select('B4')
-                        }).rename('SAVI')
-                elif index_name == 'NDMI':
-                    # NDMI = (NIR - SWIR1) / (NIR + SWIR1)
-                    return image.normalizedDifference(['B8', 'B11']).rename('NDMI')
-            
-            # Calculate the selected index
-            index_image = calculate_index(recent_image, index_code)
-            
-            # Create a map
-            Map = geemap.Map()
-            Map.centerObject(aoi, 13)
-            
-            # Add the index layer with appropriate visualization parameters
-            if index_code == 'NDVI' or index_code == 'EVI' or index_code == 'SAVI':
-                vis_params = {'min': 0, 'max': 1, 'palette': ['FFFFFF', 'CE7E45', 'DF923D', 'F1B555', 'FCD163', '99B718', '74A901', '66A000', '529400', '3E8601', '207401', '056201', '004C00', '023B01', '012E01', '011D01', '011301']}
-            elif index_code == 'NDMI':
-                vis_params = {'min': -1, 'max': 1, 'palette': ['red', 'orange', 'yellow', 'green', 'cyan', 'blue']}
-            
-            Map.addLayer(index_image, vis_params, f'{index_code} Index')
-            
-            # Add true color layer
-            true_color_vis = {'bands': ['B4', 'B3', 'B2'], 'min': 0, 'max': 3000}
-            Map.addLayer(recent_image, true_color_vis, 'True Color', False)
-            
-            # Add AOI
-            Map.addLayer(aoi, {'color': 'red'}, 'Area of Interest')
-            
-            # Display the map
-            Map.to_streamlit(height=600)
-            
-            # Display image metadata
-            image_date = ee.Date(recent_image.get('system:time_start')).format('YYYY-MM-dd').getInfo()
-            cloud_percentage = recent_image.get('CLOUDY_PIXEL_PERCENTAGE').getInfo()
-            
-            st.info(f"تاریخ تصویر: {image_date} | درصد ابر: {cloud_percentage:.2f}%")
-        else:
-            st.error("هیچ تصویری با شرایط مورد نظر یافت نشد. لطفا محدوده زمانی یا درصد ابر را تغییر دهید.")
-    
-    with col2:
-        st.subheader("تحلیل و توصیه‌ها")
-        
-        if recent_image:
-            # Calculate statistics for the index
-            stats = index_image.reduceRegion(
-                reducer=ee.Reducer.mean().combine(
-                    reducer2=ee.Reducer.stdDev(),
-                    sharedInputs=True
-                ).combine(
-                    reducer2=ee.Reducer.minMax(),
-                    sharedInputs=True
-                ),
-                geometry=aoi,
-                scale=10,
-                maxPixels=1e9
-            ).getInfo()
-            
-            # Display statistics
-            if index_code in stats:
-                mean_val = stats[f'{index_code}_mean']
-                std_val = stats[f'{index_code}_stdDev']
-                min_val = stats[f'{index_code}_min']
-                max_val = stats[f'{index_code}_max']
-                
-                st.write(f"**میانگین {index_code}:** {mean_val:.4f}")
-                st.write(f"**انحراف معیار:** {std_val:.4f}")
-                st.write(f"**حداقل:** {min_val:.4f}")
-                st.write(f"**حداکثر:** {max_val:.4f}")
-                
-                # Interpretation based on index and analysis type
-                st.markdown("### تفسیر و توصیه‌ها")
-                
-                if index_code == 'NDVI':
-                    if mean_val > 0.7:
-                        health_status = "عالی"
-                        color = "green"
-                    elif mean_val > 0.5:
-                        health_status = "خوب"
-                        color = "lightgreen"
-                    elif mean_val > 0.3:
-                        health_status = "متوسط"
-                        color = "orange"
-                    else:
-                        health_status = "ضعیف"
-                        color = "red"
-                    
-                    st.markdown(f"**وضعیت سلامت گیاه:** <span style='color:{color}'>{health_status}</span>", unsafe_allow_html=True)
-                    
-                    if analysis_type == "پایش سلامت و رشد":
-                        if mean_val > 0.7:
-                            st.success("گیاهان در وضعیت سلامت عالی قرار دارند. رشد مطلوب است.")
-                        elif mean_val > 0.5:
-                            st.info("گیاهان در وضعیت سلامت خوبی قرار دارند. نظارت منظم توصیه می‌شود.")
-                        elif mean_val > 0.3:
-                            st.warning("سلامت گیاهان متوسط است. بررسی عوامل محدودکننده رشد توصیه می‌شود.")
-                        else:
-                            st.error("سلامت گیاهان ضعیف است. بررسی فوری عوامل تنش‌زا ضروری است.")
-                    
-                    elif analysis_type == "مدیریت آبیاری":
-                        if mean_val < 0.4:
-                            st.error("احتمال تنش آبی وجود دارد. افزایش آبیاری توصیه می‌شود.")
-                        elif mean_val > 0.7:
-                            st.success("وضعیت آبیاری مطلوب است.")
-                        else:
-                            st.info("وضعیت آبیاری قابل قبول است. نظارت منظم توصیه می‌شود.")
-                
-                elif index_code == 'NDMI':
-                    if mean_val > 0.4:
-                        moisture_status = "بالا"
-                        color = "blue"
-                    elif mean_val > 0.2:
-                        moisture_status = "مناسب"
-                        color = "green"
-                    elif mean_val > 0:
-                        moisture_status = "متوسط"
-                        color = "orange"
-                    else:
-                        moisture_status = "پایین"
-                        color = "red"
-                    
-                    st.markdown(f"**وضعیت رطوبت:** <span style='color:{color}'>{moisture_status}</span>", unsafe_allow_html=True)
-                    
-                    if analysis_type == "مدیریت آبیاری":
-                        if mean_val < 0:
-                            st.error("رطوبت خاک پایین است. افزایش آبیاری توصیه می‌شود.")
-                        elif mean_val > 0.4:
-                            st.warning("رطوبت خاک بالاست. کاهش آبیاری توصیه می‌شود.")
-                        else:
-                            st.success("رطوبت خاک در محدوده مناسبی قرار دارد.")
-                
-                # Add more specific recommendations based on analysis type
-                st.markdown("### اقدامات پیشنهادی")
-                if analysis_type == "پایش سلامت و رشد":
-                    st.write("1. بررسی منظم وضعیت سلامت گیاه")
-                    st.write("2. نمونه‌برداری از خاک برای بررسی وضعیت مواد مغذی")
-                    st.write("3. بررسی علائم بیماری‌ها و آفات در مناطق با NDVI پایین")
-                
-                elif analysis_type == "مدیریت آبیاری":
-                    st.write("1. تنظیم برنامه آبیاری بر اساس شاخص‌های رطوبتی")
-                    st.write("2. نصب سنسورهای رطوبت خاک در مناطق بحرانی")
-                    st.write("3. بررسی سیستم زهکشی در مناطق با رطوبت بالا")
-                
-                elif analysis_type == "مدیریت آفات":
-                    st.write("1. بازرسی دقیق مناطق با NDVI پایین برای شناسایی آفات")
-                    st.write("2. برنامه‌ریزی سم‌پاشی هدفمند در مناطق آلوده")
-                    st.write("3. پایش مستمر مناطق مستعد آلودگی")
-                
-                elif analysis_type == "مدیریت برداشت":
-                    st.write("1. اولویت‌بندی مناطق برای برداشت بر اساس شاخص بلوغ")
-                    st.write("2. برنامه‌ریزی مسیرهای بهینه برداشت")
-                    st.write("3. تخمین عملکرد محصول بر اساس شاخص‌های گیاهی")
-                
-                elif analysis_type == "مدیریت زمین":
-                    st.write("1. شناسایی مناطق با پتانسیل بهبود")
-                    st.write("2. برنامه‌ریزی کوددهی بر اساس نقشه‌های شاخص گیاهی")
-                    st.write("3. ارزیابی تأثیر روش‌های مدیریتی مختلف")
-            else:
-                st.error(f"خطا در محاسبه آمار {index_code}")
-        
-        # Historical trend analysis section
-        if recent_image:
-            st.markdown("---")
-            st.subheader("تحلیل روند تاریخی")
-            
-            # Get historical data for the selected index
-            def get_historical_data():
-                # Create a time series of the selected index
-                def calculate_index_for_collection(image):
-                    index = calculate_index(image, index_code)
-                    mean = index.reduceRegion(
-                        reducer=ee.Reducer.mean(),
-                        geometry=aoi,
-                        scale=30,
-                        maxPixels=1e9
-                    ).get(index_code)
-                    
-                    return image.set('date', image.date().format('YYYY-MM-dd')).set('index_mean', mean)
-                
-                # Get a 12-month collection
-                collection = sentinel.map(calculate_index_for_collection)
-                
-                # Get the dates and index values
-                dates = collection.aggregate_array('date').getInfo()
-                values = collection.aggregate_array('index_mean').getInfo()
-                
-                # Create a dataframe
-                data = {'date': dates, 'value': values}
-                df = pd.DataFrame(data)
-                df = df.dropna()  # Remove any NaN values
-                
-                # Convert to datetime
-                df['date'] = pd.to_datetime(df['date'])
-                
-                # Sort by date
-                df = df.sort_values('date')
-                
-                return df
-            
-            # Get the historical data
-            try:
-                hist_data = get_historical_data()
-                
-                if not hist_data.empty:
-                    # Plot the data
-                    fig, ax = plt.subplots(figsize=(10, 4))
-                    ax.plot(hist_data['date'], hist_data['value'], marker='o', linestyle='-')
-                    ax.set_title(f'روند تغییرات {index_code} در طول زمان')
-                    ax.set_xlabel('تاریخ')
-                    ax.set_ylabel(index_code)
-                    ax.grid(True)
-                    
-                    # Display the plot
-                    st.pyplot(fig)
-                    
-                    # Trend analysis
-                    if len(hist_data) > 1:
-                        first_value = hist_data['value'].iloc[0]
-                        last_value = hist_data['value'].iloc[-1]
-                        change = ((last_value - first_value) / first_value) * 100 if first_value != 0 else 0
-                        
-                        if change > 10:
-                            st.success(f"روند صعودی: افزایش {change:.2f}% در شاخص {index_code} از ابتدای دوره")
-                        elif change < -10:
-                            st.error(f"روند نزولی: کاهش {abs(change):.2f}% در شاخص {index_code} از ابتدای دوره")
-                        else:
-                            st.info(f"روند ثابت: تغییر {change:.2f}% در شاخص {index_code} از ابتدای دوره")
-                else:
-                    st.warning("داده‌های کافی برای تحلیل روند تار��خی وجود ندارد.")
-            except Exception as e:
-                st.error(f"خطا در تحلیل روند تاریخی: {str(e)}")
-else:
-    st.error("اتصال به Google Earth Engine برقرار نشد. لطفا تنظیمات احراز هویت را بررسی کنید.")
+    # فرض یک مقدار ثابت برای CN (شماره منحنی) - در عمل باید دقیق‌تر محاسبه شود
+    CN = 75  # برای زمین کشاورزی فرضی
+    S = (1000 / CN) - 10  # پتانسیل نگهداری
+    P = precipitation  # بارش
+
+    # فرمول SCS-CN برای محاسبه رواناب (Q)
+    Q = P.expression(
+        '((P - 0.2 * S) ** 2) / (P + 0.8 * S)', {
+            'P': P,
+            'S': S
+        }).where(P.lt(0.2 * S), 0)  # اگر بارش کمتر از 0.2S باشد، رواناب صفر است
+
+    return Q
+
+# رابط کاربری Streamlit
+st.title("محاسبه و نمایش رواناب منطقه نیشکر دهخدا")
+st.write("این برنامه رواناب را با استفاده از داده‌های Google Earth Engine محاسبه و نمایش می‌دهد.")
+
+# انتخاب بازه زمانی
+start_date = st.date_input("تاریخ شروع", value=datetime(2023, 1, 1))
+end_date = st.date_input("تاریخ پایان", value=datetime(2023, 12, 31))
+
+if st.button("محاسبه و نمایش نقشه"):
+    # محاسبه رواناب
+    runoff = calculate_runoff(start_date.strftime('%Y-%m-%d'), end_date.strftime('%Y-%m-%d'))
+
+    # ایجاد نقشه با folium و geemap
+    m = geemap.Map(center=[31.4, 48.6], zoom=10)
+    m.addLayer(runoff, {'min': 0, 'max': 50, 'palette': ['blue', 'green', 'yellow', 'red']}, 'رواناب (mm)')
+    m.addLayer(roi, {}, 'منطقه نیشکر دهخدا')
+
+    # نمایش نقشه در Streamlit
+    st.write("نقشه رواناب:")
+    m.to_streamlit(height=600)
+
+st.write("توجه: مقدار شماره منحنی (CN) به صورت فرضی 75 در نظر گرفته شده است. برای دقت بیشتر، باید داده‌های محلی خاک و کاربری زمین استفاده شود.")