Upload 11 files

.gitattributes

@@ -33,3 +33,4 @@ saved_model/**/* filter=lfs diff=lfs merge=lfs -text
 *.zip filter=lfs diff=lfs merge=lfs -text
 *.zst filter=lfs diff=lfs merge=lfs -text
 *tfevents* filter=lfs diff=lfs merge=lfs -text
+viirs-jpss1_2024_Thailand.csv filter=lfs diff=lfs merge=lfs -text

app.py

@@ -1,211 +1,211 @@
-import streamlit as st
-import pandas as pd
-import folium
-from folium.plugins import HeatMap, MarkerCluster
-from streamlit_folium import st_folium
-import geopandas as gpd
-import lightgbm as lgb
-from shapely.geometry import Point
-import os
-from google import genai
-from ultralytics import YOLO
-import cv2
-
-# === ตั้งค่า UI ===
-st.set_page_config(page_title="🔥 Wildfire Hotspot Prediction", layout="wide")
-
-# === โหลดโมเดลและข้อมูลพยากรณ์ ===
-booster = lgb.Booster(model_file="model.txt")
-to_pred = pd.read_csv("to_pred.csv")
-
-features = [
-    "lag1","lag3","lag7","lag14",
-    "rollsum_3","rollsum_7","rollsum_14",
-    "sin_doy","cos_doy","month","dow"
-]
-
-proba = booster.predict(to_pred[features], num_iteration=booster.best_iteration)
-to_pred["proba_next_day"] = proba
-
-# === โหลด polygon ประเทศไทย ===
-url = "https://raw.githubusercontent.com/datasets/geo-boundaries-world-110m/master/countries.geojson"
-world = gpd.read_file(url)
-th = world[world["name"]=="Thailand"].to_crs(epsg=4326)
-
-gdf_pred = gpd.GeoDataFrame(
-    to_pred,
-    geometry=[Point(xy) for xy in zip(to_pred["lon_c"], to_pred["lat_c"])],
-    crs="EPSG:4326"
-)
-gdf_pred = gdf_pred[gdf_pred.within(th.iloc[0].geometry)].copy()
-
-# === UI Header ===
-st.markdown(
-    """
-    <div style='border: 3px solid #FF4B4B; padding: 15px; border-radius: 10px; text-align: center;'>
-        <h1 style='color: #FF4B4B;'>🔥 ระบบพยากรณ์ไฟป่าในประเทศไทย 🔥</h1>
-    </div>
-    """,
-    unsafe_allow_html=True
-)
-st.markdown("")
-st.sidebar.markdown(
-    """
-    <div style='border: 3px solid green; padding: 10px; border-radius: 8px; text-align: center;'>
-        <h2 style='color:green;'>🌱 Py PHAR</h2>
-    </div>
-    """,
-    unsafe_allow_html=True
-)
-
-st.sidebar.header("⚙️ ตั้งค่าการแสดงผล")
-
-# ปุ่มเปิด/ปิด Forecasting
-use_forecast = st.sidebar.checkbox("เปิดระบบ Forecasting", value=True)
-# ปุ่มเปิด/ปิด Historical
-show_hist = st.sidebar.checkbox("แสดงจุดไฟป่าที่เคยเกิดขึ้น (Historical)", value=False)
-
-# === Folium Map ===
-center = [th.geometry.iloc[0].centroid.y, th.geometry.iloc[0].centroid.x]
-m = folium.Map(location=center, zoom_start=5, tiles="CartoDB positron")
-folium.GeoJson(th.__geo_interface__, name="Thailand").add_to(m)
-
-if use_forecast:
-    radius = st.sidebar.slider("ขนาดรัศมี (radius)", 5, 30, 12)
-    blur = st.sidebar.slider("Blur", 1, 30, 8)
-    min_opacity = st.sidebar.slider("ความเข้มขั้นต่ำ (min_opacity)", 0.0, 1.0, 0.4, 0.05)
-    threshold = st.sidebar.slider("แสดงเฉพาะความเสี่ยง ≥ ", 0.0, 1.0, 0.3, 0.05)
-
-    heat_data = gdf_pred[gdf_pred["proba_next_day"] >= threshold][
-        ["lat_c","lon_c","proba_next_day"]
-    ].values.tolist()
-
-    HeatMap(
-        heat_data,
-        radius=radius,
-        blur=blur,
-        min_opacity=min_opacity,
-        max_val=1.0,
-        name="Prediction HeatMap"
-    ).add_to(m)
-
-# === Historical Hotspots ===
-if show_hist:
-    hist_path = os.path.join(".", "viirs-jpss1_2024_Thailand.csv")
-    if os.path.exists(hist_path):
-        hist_df = pd.read_csv(hist_path)
-
-        def pick_col(df, keys):
-            for c in df.columns:
-                if any(k in c.lower() for k in keys):
-                    return c
-            return None
-
-        lat_col = pick_col(hist_df, ["lat", "latitude"])
-        lon_col = pick_col(hist_df, ["lon", "longitude"])
-
-        if lat_col and lon_col:
-            hist_df = hist_df.rename(columns={lat_col: "lat", lon_col: "lon"})
-            gdf_hist = gpd.GeoDataFrame(
-                hist_df,
-                geometry=[Point(xy) for xy in zip(hist_df["lon"], hist_df["lat"])],
-                crs="EPSG:4326"
-            )
-            gdf_hist = gdf_hist[gdf_hist.within(th.iloc[0].geometry)].copy()
-            if not gdf_hist.empty:
-                marker_cluster = MarkerCluster(name="Historical Hotspots").add_to(m)
-                for _, row in gdf_hist.head(int(len(gdf_hist) * 0.01)).iterrows():
-                    folium.CircleMarker(
-                        location=[row["lat"], row["lon"]],
-                        radius=2,
-                        color="blue",
-                        fill=True,
-                        fill_opacity=0.6
-                    ).add_to(marker_cluster)
-
-folium.LayerControl().add_to(m)
-
-# === Layout ครึ่งจอ ===
-col1, col2 = st.columns([1,1])
-
-with col1:
-    map_data = st_folium(m, use_container_width=True, height=500)
-
-with col2:
-    st.markdown("### 🧾 เลือกชื่อดามเทียม")
-    names = ["THEOS-2", "Sentinel-2", "NOAA-20"]
-    selected_name = st.selectbox("เลือกชื่อ:", names, key="prosthetic_name")
-    st.success(f"คุณเลือก: {selected_name}")
-
-    model = YOLO("best.pt")
-
-    example_map = {
-        "เชียงใหม่ – ดอยอินทนนท์": "18_5880-98_4870.jpg",
-        "อุบลราชธานี – ป่าดงใหญ่": "15_3000-104_8500.jpg",
-        "นราธิวาส – ริมทะเล": "6_1000-101_7000.jpg"
-    }
-
-    colA, colB = st.columns([1,2])
-
-    with colA:
-        choice = st.radio("Example:", list(example_map.keys()))
-
-    with colB:
-        if choice:
-            file = example_map[choice]
-            if os.path.exists(file):
-                results = model.predict(source=file, conf=0.25, save=False, verbose=False)
-
-                # วาด bounding box
-                result_img = results[0].plot()
-                result_img = cv2.cvtColor(result_img, cv2.COLOR_BGR2RGB)
-
-                st.image(result_img, use_container_width=True)
-
-                # === แปลงชื่อไฟล์เป็น lat/lon ===
-                basename = os.path.splitext(file)[0]  # ตัด .jpg ออก
-                lat_str, lon_str = basename.split("-")
-                lat = float(lat_str.replace("_", "."))
-                lon = float(lon_str.replace("_", "."))
-# === Gemini Integration ===
-api_key = "AIzaSyCNGmO0X87UdOnkk6FNkn-2mZLe0ysmW10"  # <<== ใส่คีย์ตรงนี้
-if api_key:
-    client = genai.Client(api_key=api_key)
-
-# ✅ ตรวจว่ามี source ไหนบ้าง (Example หรือ Map)
-lat, lon = None, None
-
-if choice:  # กรณีเลือก Example
-    file = example_map[choice]
-    basename = os.path.splitext(file)[0]
-    lat_str, lon_str = basename.split("-")
-    lat = float(lat_str.replace("_", "."))
-    lon = float(lon_str.replace("_", "."))
-    st.info(f"📍 พิกัดจาก Example: {lat:.4f}, {lon:.4f}")
-
-elif map_data and map_data["last_clicked"]:  # กรณีคลิกจากแผนที่
-    lat = map_data["last_clicked"]["lat"]
-    lon = map_data["last_clicked"]["lng"]
-    st.info(f"📍 พิกัดจาก Map: {lat:.4f}, {lon:.4f}")
-
-# ✅ ถ้ามีพิกัดจากที่ใดที่หนึ่ง
-if lat and lon:
-    if st.button("🪴 วิธีการดำเนินการฟื้นฟู ⚡", use_container_width=True):
-        if api_key:
-            prompt = f"""
-                แนะนำวิธีการฟื้นฟูพื้นที่ป่าไม้ในประเทศไทยที่พิกัด โดยในรายงานระบุจังหวัดแทน ไม่ต้องใส่ Latitude และ Longitude ซ้ำ:
-                Latitude: {lat}, Longitude: {lon}.
-                กรุณาอธิบายว่าควรใช้พันธุ์ไม้พื้นถิ่นชนิดใด
-                และวิธีการปลูก/การจัดการที่เหมาะสม
-                โดยอิงกับภูมิภาคประเทศไทย
-                """
-            try:
-                response = client.models.generate_content(
-                    model="gemini-2.5-flash-lite",
-                    contents=prompt
-                )
-                st.write(response.text)
-            except Exception as e:
-                st.error(f"เกิดข้อผิดพลาด: {e}")
-
-
+import streamlit as st
+import pandas as pd
+import folium
+from folium.plugins import HeatMap, MarkerCluster
+from streamlit_folium import st_folium
+import geopandas as gpd
+import lightgbm as lgb
+from shapely.geometry import Point
+import os
+from google import genai
+from ultralytics import YOLO
+import cv2
+
+# === ตั้งค่า UI ===
+st.set_page_config(page_title="🔥 Wildfire Hotspot Prediction", layout="wide")
+
+# === โหลดโมเดลและข้อมูลพยากรณ์ ===
+booster = lgb.Booster(model_file="model.txt")
+to_pred = pd.read_csv("to_pred.csv")
+
+features = [
+    "lag1","lag3","lag7","lag14",
+    "rollsum_3","rollsum_7","rollsum_14",
+    "sin_doy","cos_doy","month","dow"
+]
+
+proba = booster.predict(to_pred[features], num_iteration=booster.best_iteration)
+to_pred["proba_next_day"] = proba
+
+# === โหลด polygon ประเทศไทย ===
+url = "https://raw.githubusercontent.com/datasets/geo-boundaries-world-110m/master/countries.geojson"
+world = gpd.read_file(url)
+th = world[world["name"]=="Thailand"].to_crs(epsg=4326)
+
+gdf_pred = gpd.GeoDataFrame(
+    to_pred,
+    geometry=[Point(xy) for xy in zip(to_pred["lon_c"], to_pred["lat_c"])],
+    crs="EPSG:4326"
+)
+gdf_pred = gdf_pred[gdf_pred.within(th.iloc[0].geometry)].copy()
+
+# === UI Header ===
+st.markdown(
+    """
+    <div style='border: 3px solid #FF4B4B; padding: 15px; border-radius: 10px; text-align: center;'>
+        <h1 style='color: #FF4B4B;'>🔥 ระบบพยากรณ์ไฟป่าในประเทศไทย 🔥</h1>
+    </div>
+    """,
+    unsafe_allow_html=True
+)
+st.markdown("")
+st.sidebar.markdown(
+    """
+    <div style='border: 3px solid green; padding: 10px; border-radius: 8px; text-align: center;'>
+        <h2 style='color:green;'>🌱 Py PHAR</h2>
+    </div>
+    """,
+    unsafe_allow_html=True
+)
+
+st.sidebar.header("⚙️ ตั้งค่าการแสดงผล")
+
+# ปุ่มเปิด/ปิด Forecasting
+use_forecast = st.sidebar.checkbox("เปิดระบบ Forecasting", value=True)
+# ปุ่มเปิด/ปิด Historical
+show_hist = st.sidebar.checkbox("แสดงจุดไฟป่าที่เคยเกิดขึ้น (Historical)", value=False)
+
+# === Folium Map ===
+center = [th.geometry.iloc[0].centroid.y, th.geometry.iloc[0].centroid.x]
+m = folium.Map(location=center, zoom_start=5, tiles="CartoDB positron")
+folium.GeoJson(th.__geo_interface__, name="Thailand").add_to(m)
+
+if use_forecast:
+    radius = st.sidebar.slider("ขนาดรัศมี (radius)", 5, 30, 12)
+    blur = st.sidebar.slider("Blur", 1, 30, 8)
+    min_opacity = st.sidebar.slider("ความเข้มขั้นต่ำ (min_opacity)", 0.0, 1.0, 0.4, 0.05)
+    threshold = st.sidebar.slider("แสดงเฉพาะความเสี่ยง ≥ ", 0.0, 1.0, 0.3, 0.05)
+
+    heat_data = gdf_pred[gdf_pred["proba_next_day"] >= threshold][
+        ["lat_c","lon_c","proba_next_day"]
+    ].values.tolist()
+
+    HeatMap(
+        heat_data,
+        radius=radius,
+        blur=blur,
+        min_opacity=min_opacity,
+        max_val=1.0,
+        name="Prediction HeatMap"
+    ).add_to(m)
+
+# === Historical Hotspots ===
+if show_hist:
+    hist_path = os.path.join(".", "viirs-jpss1_2024_Thailand.csv")
+    if os.path.exists(hist_path):
+        hist_df = pd.read_csv(hist_path)
+
+        def pick_col(df, keys):
+            for c in df.columns:
+                if any(k in c.lower() for k in keys):
+                    return c
+            return None
+
+        lat_col = pick_col(hist_df, ["lat", "latitude"])
+        lon_col = pick_col(hist_df, ["lon", "longitude"])
+
+        if lat_col and lon_col:
+            hist_df = hist_df.rename(columns={lat_col: "lat", lon_col: "lon"})
+            gdf_hist = gpd.GeoDataFrame(
+                hist_df,
+                geometry=[Point(xy) for xy in zip(hist_df["lon"], hist_df["lat"])],
+                crs="EPSG:4326"
+            )
+            gdf_hist = gdf_hist[gdf_hist.within(th.iloc[0].geometry)].copy()
+            if not gdf_hist.empty:
+                marker_cluster = MarkerCluster(name="Historical Hotspots").add_to(m)
+                for _, row in gdf_hist.head(int(len(gdf_hist) * 0.01)).iterrows():
+                    folium.CircleMarker(
+                        location=[row["lat"], row["lon"]],
+                        radius=2,
+                        color="blue",
+                        fill=True,
+                        fill_opacity=0.6
+                    ).add_to(marker_cluster)
+
+folium.LayerControl().add_to(m)
+
+# === Layout ครึ่งจอ ===
+col1, col2 = st.columns([1,1])
+
+with col1:
+    map_data = st_folium(m, use_container_width=True, height=500)
+
+with col2:
+    st.markdown("### 🧾 เลือกชื่อดามเทียม")
+    names = ["THEOS-2", "Sentinel-2", "NOAA-20"]
+    selected_name = st.selectbox("เลือกชื่อ:", names, key="prosthetic_name")
+    st.success(f"คุณเลือก: {selected_name}")
+
+    model = YOLO("best.pt")
+
+    example_map = {
+        "เชียงใหม่ – ดอยอินทนนท์": "18_5880-98_4870.jpg",
+        "อุบลราชธานี – ป่าดงใหญ่": "15_3000-104_8500.jpg",
+        "นราธิวาส – ริมทะเล": "6_1000-101_7000.jpg"
+    }
+
+    colA, colB = st.columns([1,2])
+
+    with colA:
+        choice = st.radio("Example:", list(example_map.keys()))
+
+    with colB:
+        if choice:
+            file = example_map[choice]
+            if os.path.exists(file):
+                results = model.predict(source=file, conf=0.25, save=False, verbose=False)
+
+                # วาด bounding box
+                result_img = results[0].plot()
+                result_img = cv2.cvtColor(result_img, cv2.COLOR_BGR2RGB)
+
+                st.image(result_img, use_container_width=True)
+
+                # === แปลงชื่อไฟล์เป็น lat/lon ===
+                basename = os.path.splitext(file)[0]  # ตัด .jpg ออก
+                lat_str, lon_str = basename.split("-")
+                lat = float(lat_str.replace("_", "."))
+                lon = float(lon_str.replace("_", "."))
+# === Gemini Integration ===
+api_key = "AIzaSyCNGmO0X87UdOnkk6FNkn-2mZLe0ysmW10"  # <<== ใส่คีย์ตรงนี้
+if api_key:
+    client = genai.Client(api_key=api_key)
+
+# ✅ ตรวจว่ามี source ไหนบ้าง (Example หรือ Map)
+lat, lon = None, None
+
+if choice:  # กรณีเลือก Example
+    file = example_map[choice]
+    basename = os.path.splitext(file)[0]
+    lat_str, lon_str = basename.split("-")
+    lat = float(lat_str.replace("_", "."))
+    lon = float(lon_str.replace("_", "."))
+    st.info(f"📍 พิกัดจาก Example: {lat:.4f}, {lon:.4f}")
+
+elif map_data and map_data["last_clicked"]:  # กรณีคลิกจากแผนที่
+    lat = map_data["last_clicked"]["lat"]
+    lon = map_data["last_clicked"]["lng"]
+    st.info(f"📍 พิกัดจาก Map: {lat:.4f}, {lon:.4f}")
+
+# ✅ ถ้ามีพิกัดจากที่ใดที่หนึ่ง
+if lat and lon:
+    if st.button("🪴 วิธีการดำเนินการฟื้นฟู ⚡", use_container_width=True):
+        if api_key:
+            prompt = f"""
+                แนะนำวิธีการฟื้นฟูพื้นที่ป่าไม้ในประเทศไทยที่พิกัด โดยในรายงานระบุจังหวัดแทน ไม่ต้องใส่ Latitude และ Longitude ซ้ำ:
+                Latitude: {lat}, Longitude: {lon}.
+                กรุณาอธิบายว่าควรใช้พันธุ์ไม้พื้นถิ่นชนิดใด
+                และวิธีการปลูก/การจัดการที่เหมาะสม
+                โดยอิงกับภูมิภาคประเทศไทย
+                """
+            try:
+                response = client.models.generate_content(
+                    model="gemini-2.5-flash-lite",
+                    contents=prompt
+                )
+                st.write(response.text)
+            except Exception as e:
+                st.error(f"เกิดข้อผิดพลาด: {e}")
+
+

best.pt

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:8f10ea53bcd4f31a0acd57af2f4b3de01b3779183edc70e94493cdb114aba088
+size 5471194

best_model_lightgbm.pkl

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:1d67f9058e4a0ecae72ed9d27b79ceaa3d48b83501fc745343024859c7bf2e02
+size 1745380

requirement.txt

@@ -0,0 +1,10 @@
+streamlit
+pandas
+folium
+streamlit-folium
+geopandas
+lightgbm
+shapely
+google-generativeai
+ultralytics
+opencv-python-headless

viirs-jpss1_2024_Thailand.csv

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:dab18e541f924cc07e2d2beba7efa9a409a2ba923774fb2cad5840fb8865303b
+size 11810940