Update app.py

app.py

@@ -1,103 +1,103 @@
-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, 'ee-esmaeilkiani1387-1b2c5e812a1d.json')
-ee.Initialize(credentials)
-
-# خواندن فایل CSV مزارع
-farms_data = pd.read_csv('Farm_Details_Export.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")
-
+import streamlit as st  
+import datetime  
+import pandas as pd  
+import geemap  
+import ee  # Ensure that Earth Engine is initialized  
+from sklearn.preprocessing import StandardScaler  # Example import, adjust based on your model  
+
+try:  
+    service_account = 'Esmaeil.kiani1387@gmail.com'  
+    credentials_path = 'ee-esmaeilkiani1387-1b2c5e812a1d.json'  
+    ee.Initialize(ee.ServiceAccountCredentials(service_account, credentials_path))  
+except Exception as e:  
+    st.error(f"Error initializing Earth Engine: {e}")  
+    st.stop() # Stop execution if authentication fails 
+    #Load your farms data  
+    Make sure to define `farms_data` DataFrame with columns ['farm_name', 'latitude', 'longitude', 'age', 'variety']  
+    farms_data = pd.read_csv('Farm_Details_Export.csv')  
+
+# 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 (توجه: كد ایجاد تصویر ممکن است نیاز به بررسی داشته باشد)  
+    map_image = map_.to_image()  # Adjust if `to_image` doesn't exist or not functioning correctly  
+    st.download_button(label="دانلود نقشه", data=map_image, file_name="map.png", mime="image/png")  
+
+    # Preparation for the prediction model  
+    # Ensure you have defined `model` and `ndre_value`, which are not included in the provided code  
     user_input = pd.DataFrame({  
         'Age': [farm_age],  
         'Variety': [farm_variety],  
-        'NDRE': [ndre_value]  
-    })
+        'NDRE': [None]  # Assign ndre_value once computed if applicable  
+    })  
     
-    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]}")  
+    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']]  
+
+    # Ensure that your model is properly defined and imported as necessary  
+    if 'model' in locals():  
+        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]}")  
+    else:  
+        st.warning("مدل پیش‌بینی تعریف نشده است.")