Update app.py

app.py

@@ -1,82 +1,85 @@
-import streamlit as st  
-import pandas as pd  
-import joblib  
-import ee  
-import geemap  
+import streamlit as st
+import ee
+import geemap.foliumap as geemap
+import pandas as pd
+import datetime
 
-# Authenticate Earth Engine
+# 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) 
-
-# Load model and farm data
-model = joblib.load('updated_model.pkl')  
-farm_data = pd.read_csv('Farm_NDRE_TimeSeries.csv')  
-farm_names = farm_data['Farm'].tolist()  
-
-# Function to calculate NDRE
-def calculate_ndre(coordinates, start_date, end_date):  
-    try:  
-        # Convert start_date and end_date to strings
-        start_date_str = start_date.strftime('%Y-%m-%d')
-        end_date_str = end_date.strftime('%Y-%m-%d')
-
-        roi = ee.Geometry.Point(coordinates)  
-        imageCollection = ee.ImageCollection('COPERNICUS/S2_SR') \
-            .filterBounds(roi) \
-            .filterDate(start_date_str, end_date_str) \
-            .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', 20))  
-            
-        def ndre(image):  
-            red_edge = image.select('B8A')  
-            red = image.select('B4')  
-            return image.addBands(red_edge.subtract(red).divide(red_edge.add(red)).rename('NDRE'))  
-
-        ndre_image = imageCollection.map(ndre).median().select('NDRE')  
-
-        ndre_value = ndre_image.reduceRegion(  
-            reducer=ee.Reducer.first(),  
-            geometry=roi,  
-            scale=10  
-        ).getInfo()  
-
-        return ndre_value.get('NDRE') if ndre_value else None  
-
-    except Exception as e:  
-        st.error(f"Error calculating NDRE: {e}")  
-        return None  
-
-# Streamlit User Interface
-st.title("Farm Parameter Prediction App")  
-selected_farm = st.selectbox("Select Farm", farm_names)  
-farm_age = st.number_input("Farm Age (years)", min_value=0)  
-farm_variety = st.text_input("Farm Variety")  
-start_date = st.date_input("Start Date")  
-end_date = st.date_input("End Date")  
-
-# Handling Farm Data Selection and NDRE Calculation
-selected_farm_data = farm_data[farm_data['Farm'] == selected_farm]  
-coordinates = (selected_farm_data['longitude'].iloc[0], selected_farm_data['latitude'].iloc[0])  
-
-if st.button('نمایش نقشه NDRE'):
-    NDRE = calculate_ndre(coordinates, start_date, end_date)
-    if NDRE is not None:
-        st.session_state.ndre_value = NDRE  # Store NDRE in session state
-        st.write(f'شاخص NDRE: {NDRE}')  
-        
-        Map = geemap.Map()  
-        Map.centerObject(ee.Geometry.Point(coordinates), 12)  
-
-        vis_params = {'min': 0, 'max': 1, 'palette': ['blue', 'green', 'yellow', 'red']}  
-        Map.addLayer(ee.Image(NDRE), vis_params, 'NDRE')  
-        Map.to_streamlit(height=500)  
+credentials = ee.ServiceAccountCredentials(service_account, 'path-to-your-private-key.json')
+ee.Initialize(credentials)
+
+# خواندن فایل CSV مزارع
+farms_data = pd.read_csv('path-to-your-farms-data.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:
-        st.error("Unable to calculate NDRE.")
+        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")
 
-# Making Predictions Using the Loaded Model
-if st.button("Predict"):  
-    ndre_value = st.session_state.get('ndre_value', 0)  
-    
     user_input = pd.DataFrame({  
         'Age': [farm_age],  
         'Variety': [farm_variety],