Spaces:

Esmaeilkianii
/

Sugarcane

Running

App Files Files Community

Sugarcane / app.py

Esmaeilkianii

Update app.py

fc36b20 verified about 3 hours ago

raw

history blame contribute delete

105 kB

	import streamlit as st
	import pandas as pd
	import numpy as np
	import folium
	from streamlit_folium import folium_static
	import ee
	import os
	import json
	import time
	from datetime import datetime, timedelta
	import plotly.express as px
	import plotly.graph_objects as go
	from PIL import Image
	import base64
	from io import BytesIO
	import matplotlib.pyplot as plt
	import seaborn as sns
	import altair as alt
	from streamlit_option_menu import option_menu
	from streamlit_lottie import st_lottie
	import requests
	import hydralit_components as hc
	from streamlit_extras.colored_header import colored_header
	from streamlit_extras.metric_cards import style_metric_cards
	from streamlit_extras.chart_container import chart_container
	from streamlit_extras.add_vertical_space import add_vertical_space
	from streamlit_card import card
	import pydeck as pdk
	import math

	# Page configuration with custom theme
	st.set_page_config(
	page_title="سامانه هوشمند پایش مزارع نیشکر دهخدا",
	page_icon="🌿",
	layout="wide",
	initial_sidebar_state="expanded"
	)

	# Enhanced Custom CSS with modern design and animations
	st.markdown("""
	<style>
	@import url('https://fonts.googleapis.com/css2?family=Vazirmatn:wght@100;200;300;400;500;600;700;800;900&display=swap');

	* {
	font-family: 'Vazirmatn', sans-serif !important;
	transition: all 0.3s ease-in-out;
	}

	.main {
	background: linear-gradient(135deg, #f5f7fa 0%, #e4e9f2 100%);
	background-size: 400% 400%;
	animation: gradient 15s ease infinite;
	}

	@keyframes gradient {
	0% { background-position: 0% 50%; }
	50% { background-position: 100% 50%; }
	100% { background-position: 0% 50%; }
	}

	.main-header {
	background: linear-gradient(90deg, #1a8754 0%, #115740 100%);
	padding: 2rem;
	border-radius: 20px;
	box-shadow: 0 10px 40px rgba(0, 0, 0, 0.15);
	margin-bottom: 2.5rem;
	position: relative;
	overflow: hidden;
	animation: header-glow 5s infinite alternate;
	transform: translateY(0);
	transition: transform 0.5s ease, box-shadow 0.5s ease;
	}

	.main-header:hover {
	transform: translateY(-5px);
	box-shadow: 0 15px 50px rgba(26, 135, 84, 0.3);
	}

	@keyframes header-glow {
	0% { box-shadow: 0 10px 40px rgba(26, 135, 84, 0.1); }
	100% { box-shadow: 0 15px 50px rgba(26, 135, 84, 0.4); }
	}

	.main-header::before {
	content: '';
	position: absolute;
	top: -50%;
	left: -50%;
	width: 200%;
	height: 200%;
	background: radial-gradient(circle, rgba(255,255,255,0.15) 0%, rgba(255,255,255,0) 70%);
	transform: rotate(30deg);
	z-index: 0;
	animation: shine 8s infinite linear;
	}

	@keyframes shine {
	0% { transform: rotate(30deg) translateX(-30%); }
	100% { transform: rotate(30deg) translateX(30%); }
	}

	.main-header h1 {
	color: white;
	font-weight: 800;
	margin: 0;
	position: relative;
	z-index: 1;
	text-shadow: 0 2px 10px rgba(0, 0, 0, 0.2);
	animation: text-focus-in 1s cubic-bezier(0.550, 0.085, 0.680, 0.530) both;
	}

	@keyframes text-focus-in {
	0% { filter: blur(12px); opacity: 0; }
	100% { filter: blur(0px); opacity: 1; }
	}

	.main-header p {
	color: rgba(255, 255, 255, 0.9);
	margin: 0.5rem 0 0 0;
	position: relative;
	z-index: 1;
	font-weight: 300;
	font-size: 1.1rem;
	animation: fade-in 1.2s cubic-bezier(0.390, 0.575, 0.565, 1.000) both;
	animation-delay: 0.5s;
	}

	@keyframes fade-in {
	0% { opacity: 0; transform: translateY(10px); }
	100% { opacity: 1; transform: translateY(0); }
	}

	.stcard {
	border-radius: 20px;
	box-shadow: 0 8px 30px rgba(0, 0, 0, 0.08);
	transition: all 0.4s ease;
	overflow: hidden;
	background: rgba(255, 255, 255, 0.9);
	backdrop-filter: blur(10px);
	border: 1px solid rgba(255, 255, 255, 0.5);
	}

	.stcard:hover {
	transform: translateY(-10px) scale(1.02);
	box-shadow: 0 15px 40px rgba(0, 0, 0, 0.15);
	}

	.stButton>button {
	border-radius: 50px;
	padding: 0.6rem 2rem;
	font-weight: 600;
	transition: all 0.4s ease;
	border: none;
	position: relative;
	overflow: hidden;
	box-shadow: 0 4px 15px rgba(0, 0, 0, 0.1);
	letter-spacing: 0.5px;
	}

	.stButton>button::before {
	content: '';
	position: absolute;
	top: 0;
	left: -100%;
	width: 100%;
	height: 100%;
	background: linear-gradient(90deg, transparent, rgba(255, 255, 255, 0.2), transparent);
	transition: all 0.6s ease;
	}

	.stButton>button:hover {
	transform: translateY(-3px) scale(1.05);
	box-shadow: 0 8px 20px rgba(0, 0, 0, 0.15);
	}

	.stButton>button:hover::before {
	left: 100%;
	}

	.stButton>button:active {
	transform: translateY(1px) scale(0.98);
	}

	.primary-btn {
	background: linear-gradient(45deg, #1a8754 0%, #27ae60 100%);
	color: white;
	}

	.secondary-btn {
	background: white;
	color: #1a8754;
	border: 2px solid #1a8754 !important;
	}

	.metric-card {
	background: rgba(255, 255, 255, 0.9);
	border-radius: 20px;
	padding: 1.8rem;
	box-shadow: 0 8px 30px rgba(0, 0, 0, 0.08);
	transition: all 0.4s ease;
	text-align: center;
	position: relative;
	overflow: hidden;
	backdrop-filter: blur(10px);
	border: 1px solid rgba(255, 255, 255, 0.5);
	z-index: 1;
	}

	.metric-card::before {
	content: '';
	position: absolute;
	top: -50%;
	left: -50%;
	width: 200%;
	height: 200%;
	background: radial-gradient(circle, rgba(26, 135, 84, 0.05) 0%, rgba(26, 135, 84, 0) 70%);
	transform: rotate(30deg);
	z-index: -1;
	}

	.metric-card:hover {
	transform: translateY(-10px) scale(1.03);
	box-shadow: 0 15px 40px rgba(0, 0, 0, 0.12);
	}

	.metric-card .metric-value {
	font-size: 3rem;
	font-weight: 800;
	background: linear-gradient(45deg, #1a8754, #27ae60);
	-webkit-background-clip: text;
	-webkit-text-fill-color: transparent;
	margin-bottom: 0.8rem;
	line-height: 1;
	animation: pulse 2s infinite;
	}

	@keyframes pulse {
	0% { transform: scale(1); }
	50% { transform: scale(1.05); }
	100% { transform: scale(1); }
	}

	.metric-card .metric-label {
	font-size: 1.1rem;
	color: #4a5568;
	font-weight: 500;
	}

	.map-container {
	border-radius: 20px;
	overflow: hidden;
	box-shadow: 0 8px 30px rgba(0, 0, 0, 0.08);
	border: 1px solid rgba(255, 255, 255, 0.5);
	transition: all 0.4s ease;
	}

	.map-container:hover {
	box-shadow: 0 15px 40px rgba(0, 0, 0, 0.15);
	transform: translateY(-5px);
	}

	.stTabs [data-baseweb="tab-list"] {
	gap: 10px;
	background-color: rgba(255, 255, 255, 0.7);
	padding: 10px;
	border-radius: 50px;
	box-shadow: 0 4px 15px rgba(0, 0, 0, 0.05);
	}

	.stTabs [data-baseweb="tab"] {
	border-radius: 50px;
	padding: 10px 20px;
	background-color: transparent;
	transition: all 0.3s ease;
	font-weight: 500;
	}

	.stTabs [data-baseweb="tab"]:hover {
	background-color: rgba(26, 135, 84, 0.1);
	}

	.stTabs [aria-selected="true"] {
	background: linear-gradient(45deg, #1a8754, #27ae60) !important;
	color: white !important;
	box-shadow: 0 4px 15px rgba(26, 135, 84, 0.3);
	}

	[data-testid="stSidebar"] {
	background: linear-gradient(180deg, #ffffff 0%, #f8f9fa 100%);
	border-right: 1px solid rgba(0, 0, 0, 0.05);
	box-shadow: 5px 0 15px rgba(0, 0, 0, 0.03);
	}

	@keyframes fadeIn {
	0% { opacity: 0; transform: translateY(30px); }
	100% { opacity: 1; transform: translateY(0); }
	}

	.animate-fadeIn {
	animation: fadeIn 0.7s ease forwards;
	}

	.loading-spinner {
	display: flex;
	justify-content: center;
	align-items: center;
	height: 120px;
	}

	.loading-spinner::after {
	content: "";
	width: 50px;
	height: 50px;
	border: 4px solid rgba(26, 135, 84, 0.1);
	border-top: 4px solid #1a8754;
	border-radius: 50%;
	animation: spin 1s linear infinite;
	}

	@keyframes spin {
	0% { transform: rotate(0deg); }
	100% { transform: rotate(360deg); }
	}

	.rtl {
	direction: rtl;
	text-align: right;
	}

	::-webkit-scrollbar {
	width: 10px;
	height: 10px;
	}

	::-webkit-scrollbar-track {
	background: #f1f1f1;
	border-radius: 10px;
	}

	::-webkit-scrollbar-thumb {
	background: linear-gradient(45deg, #1a8754, #27ae60);
	border-radius: 10px;
	border: 2px solid #f1f1f1;
	}

	::-webkit-scrollbar-thumb:hover {
	background: linear-gradient(45deg, #115740, #1a8754);
	}

	.tooltip {
	position: relative;
	display: inline-block;
	}

	.tooltip .tooltiptext {
	visibility: hidden;
	width: 150px;
	background: rgba(0, 0, 0, 0.8);
	color: #fff;
	text-align: center;
	border-radius: 10px;
	padding: 10px;
	position: absolute;
	z-index: 1000;
	bottom: 125%;
	left: 50%;
	margin-left: -75px;
	opacity: 0;
	transition: opacity 0.3s, transform 0.3s;
	transform: translateY(10px);
	box-shadow: 0 5px 15px rgba(0, 0, 0, 0.1);
	font-size: 0.9rem;
	}

	.tooltip:hover .tooltiptext {
	visibility: visible;
	opacity: 1;
	transform: translateY(0);
	}

	.dataframe {
	border-collapse: collapse;
	width: 100%;
	border-radius: 15px;
	overflow: hidden;
	box-shadow: 0 8px 30px rgba(0, 0, 0, 0.08);
	animation: table-appear 0.8s ease-out;
	}

	@keyframes table-appear {
	0% { opacity: 0; transform: translateY(20px); }
	100% { opacity: 1; transform: translateY(0); }
	}

	.dataframe th {
	background: linear-gradient(45deg, #1a8754, #27ae60);
	color: white;
	padding: 15px;
	text-align: right;
	font-weight: 600;
	position: relative;
	overflow: hidden;
	}

	.dataframe th::after {
	content: '';
	position: absolute;
	top: 0;
	left: -100%;
	width: 100%;
	height: 100%;
	background: linear-gradient(90deg, transparent, rgba(255, 255, 255, 0.2), transparent);
	transition: all 0.6s ease;
	}

	.dataframe th:hover::after {
	left: 100%;
	}

	.dataframe td {
	padding: 12px 15px;
	border-bottom: 1px solid rgba(0, 0, 0, 0.05);
	transition: all 0.3s ease;
	}

	.dataframe tr:nth-child(even) {
	background-color: rgba(0, 0, 0, 0.02);
	}

	.dataframe tr:hover {
	background-color: rgba(26, 135, 84, 0.05);
	transform: scale(1.01);
	}

	.stProgress > div > div > div > div {
	background: linear-gradient(45deg, #1a8754, #27ae60);
	border-radius: 10px;
	}

	.notification {
	background: linear-gradient(45deg, #d1e7dd, #e8f5e9);
	color: #0f5132;
	padding: 1.2rem;
	border-radius: 15px;
	margin-bottom: 1.5rem;
	display: flex;
	align-items: center;
	animation: slideIn 0.7s ease, pulse-light 2s infinite alternate;
	box-shadow: 0 8px 20px rgba(15, 81, 50, 0.1);
	border-left: 5px solid #1a8754;
	}

	@keyframes pulse-light {
	0% { box-shadow: 0 8px 20px rgba(15, 81, 50, 0.1); }
	100% { box-shadow: 0 8px 30px rgba(15, 81, 50, 0.2); }
	}

	@keyframes slideIn {
	0% { transform: translateX(100%); opacity: 0; }
	100% { transform: translateX(0); opacity: 1; }
	}

	.notification-icon {
	margin-right: 1rem;
	font-size: 1.5rem;
	color: #1a8754;
	}

	.custom-select {
	background-color: white;
	border-radius: 15px;
	padding: 0.8rem;
	border: 1px solid rgba(0, 0, 0, 0.1);
	box-shadow: 0 5px 15px rgba(0, 0, 0, 0.05);
	transition: all 0.3s ease;
	}

	.custom-select:focus {
	border-color: #1a8754;
	box-shadow: 0 5px 20px rgba(26, 135, 84, 0.15);
	transform: translateY(-2px);
	}

	.glass-card {
	background: rgba(255, 255, 255, 0.7);
	backdrop-filter: blur(15px);
	-webkit-backdrop-filter: blur(15px);
	border-radius: 20px;
	border: 1px solid rgba(255, 255, 255, 0.5);
	padding: 2rem;
	box-shadow: 0 10px 30px rgba(0, 0, 0, 0.1);
	transition: all 0.4s ease;
	animation: card-appear 0.8s ease-out;
	}

	@keyframes card-appear {
	0% { opacity: 0; transform: translateY(30px) scale(0.95); }
	100% { opacity: 1; transform: translateY(0) scale(1); }
	}

	.glass-card:hover {
	transform: translateY(-10px);
	box-shadow: 0 15px 40px rgba(0, 0, 0, 0.15);
	border-color: rgba(26, 135, 84, 0.3);
	}

	.neumorphic-card {
	background: #f0f0f3;
	border-radius: 20px;
	box-shadow: 15px 15px 30px #d1d1d4, -15px -15px 30px #ffffff;
	padding: 2rem;
	transition: all 0.4s ease;
	}

	.neumorphic-card:hover {
	box-shadow: 20px 20px 40px #d1d1d4, -20px -20px 40px #ffffff;
	}

	.gradient-text {
	background: linear-gradient(45deg, #1a8754, #27ae60);
	-webkit-background-clip: text;
	-webkit-text-fill-color: transparent;
	font-weight: 800;
	font-size: 2rem;
	letter-spacing: 0.5px;
	animation: text-shimmer 2s infinite;
	}

	@keyframes text-shimmer {
	0% { background-position: 0% 50%; }
	100% { background-position: 100% 50%; }
	}

	.pulse-animation {
	animation: pulse 2s infinite;
	}

	.stRadio > div {
	display: flex;
	gap: 15px;
	background: rgba(255, 255, 255, 0.7);
	padding: 10px;
	border-radius: 50px;
	box-shadow: 0 4px 15px rgba(0, 0, 0, 0.05);
	}

	.stRadio label {
	cursor: pointer;
	background-color: transparent;
	padding: 0.7rem 1.5rem;
	border-radius: 50px;
	transition: all 0.3s ease;
	font-weight: 500;
	}

	.stRadio label:hover {
	background-color: rgba(26, 135, 84, 0.1);
	}

	.stRadio input {
	display: none;
	}

	.stRadio input:checked + label {
	background: linear-gradient(45deg, #1a8754, #27ae60);
	color: white;
	box-shadow: 0 4px 15px rgba(26, 135, 84, 0.3);
	}

	.stSelectbox, .stNumberInput {
	background-color: rgba(255, 255, 255, 0.7);
	border-radius: 15px;
	padding: 15px;
	margin: 15px 0;
	box-shadow: 0 5px 15px rgba(0, 0, 0, 0.05);
	transition: all 0.3s ease;
	border: 1px solid rgba(255, 255, 255, 0.5);
	}

	.stSelectbox:hover, .stNumberInput:hover {
	transform: translateY(-3px);
	box-shadow: 0 8px 20px rgba(0, 0, 0, 0.08);
	}

	.custom-card {
	background: linear-gradient(135deg, #ffffff 0%, #f8f9fa 100%);
	padding: 25px;
	border-radius: 20px;
	box-shadow: 0 10px 30px rgba(0, 0, 0, 0.08);
	margin: 15px 0;
	transition: all 0.4s ease;
	border: 1px solid rgba(255, 255, 255, 0.5);
	position: relative;
	overflow: hidden;
	}

	.custom-card::before {
	content: '';
	position: absolute;
	top: 0;
	left: 0;
	width: 100%;
	height: 5px;
	background: linear-gradient(90deg, #1a8754, #27ae60);
	}

	.custom-card:hover {
	transform: translateY(-10px) scale(1.02);
	box-shadow: 0 15px 40px rgba(0, 0, 0, 0.12);
	}

	.metric-container {
	display: flex;
	justify-content: space-between;
	flex-wrap: wrap;
	gap: 20px;
	}

	.metric-card {
	background: linear-gradient(135deg, #1a8754 0%, #27ae60 100%);
	color: white;
	padding: 25px;
	border-radius: 20px;
	margin: 5px;
	flex: 1;
	min-width: 200px;
	text-align: center;
	box-shadow: 0 10px 30px rgba(26, 135, 84, 0.2);
	transition: all 0.4s ease;
	position: relative;
	overflow: hidden;
	z-index: 1;
	}

	.metric-card::before {
	content: '';
	position: absolute;
	top: -50%;
	left: -50%;
	width: 200%;
	height: 200%;
	background: radial-gradient(circle, rgba(255,255,255,0.1) 0%, rgba(255,255,255,0) 70%);
	transform: rotate(30deg);
	z-index: -1;
	}

	.metric-card:hover {
	transform: translateY(-10px) scale(1.05);
	box-shadow: 0 15px 40px rgba(26, 135, 84, 0.3);
	}

	.metric-card h3 {
	font-size: 2.5rem;
	font-weight: 800;
	margin-bottom: 10px;
	text-shadow: 0 2px 10px rgba(0, 0, 0, 0.2);
	}

	.metric-card p {
	font-size: 1.1rem;
	opacity: 0.9;
	}

	/* Animated buttons */
	.animated-btn {
	background: linear-gradient(45deg, #1a8754, #27ae60);
	color: white;
	border: none;
	padding: 12px 30px;
	border-radius: 50px;
	font-weight: 600;
	font-size: 1rem;
	cursor: pointer;
	box-shadow: 0 8px 20px rgba(26, 135, 84, 0.3);
	transition: all 0.4s ease;
	position: relative;
	overflow: hidden;
	display: inline-block;
	text-align: center;
	letter-spacing: 0.5px;
	z-index: 1;
	}

	.animated-btn::before {
	content: '';
	position: absolute;
	top: 0;
	left: -100%;
	width: 100%;
	height: 100%;
	background: linear-gradient(90deg, transparent, rgba(255, 255, 255, 0.2), transparent);
	transition: all 0.6s ease;
	z-index: -1;
	}

	.animated-btn:hover {
	transform: translateY(-5px) scale(1.05);
	box-shadow: 0 12px 30px rgba(26, 135, 84, 0.4);
	}

	.animated-btn:hover::before {
	left: 100%;
	}

	.animated-btn:active {
	transform: translateY(2px) scale(0.98);
	}

	/* Floating elements */
	.floating {
	animation: floating 3s ease-in-out infinite;
	}

	@keyframes floating {
	0% { transform: translateY(0px); }
	50% { transform: translateY(-15px); }
	100% { transform: translateY(0px); }
	}

	/* 3D Card effect */
	.card-3d {
	transition: all 0.5s ease;
	transform-style: preserve-3d;
	perspective: 1000px;
	}

	.card-3d:hover {
	transform: rotateY(10deg) rotateX(10deg);
	}

	/* Glowing effect */
	.glow {
	position: relative;
	}

	.glow::after {
	content: '';
	position: absolute;
	top: 0;
	left: 0;
	width: 100%;
	height: 100%;
	border-radius: inherit;
	box-shadow: 0 0 20px 5px rgba(26, 135, 84, 0.5);
	opacity: 0;
	transition: opacity 0.3s ease;
	}

	.glow:hover::after {
	opacity: 1;
	}

	/* Ripple effect */
	.ripple {
	position: relative;
	overflow: hidden;
	}

	.ripple::after {
	content: '';
	position: absolute;
	top: 50%;
	left: 50%;
	width: 0;
	height: 0;
	background: rgba(255, 255, 255, 0.4);
	border-radius: 50%;
	transform: translate(-50%, -50%);
	opacity: 0;
	}

	.ripple:active::after {
	width: 300%;
	height: 300%;
	opacity: 1;
	transition: all 0.6s ease;
	}

	/* Neon glow */
	.neon-glow {
	box-shadow: 0 0 10px #1a8754, 0 0 20px #1a8754, 0 0 30px #1a8754;
	animation: neon-pulse 2s infinite alternate;
	}

	@keyframes neon-pulse {
	0% { box-shadow: 0 0 10px #1a8754, 0 0 20px #1a8754, 0 0 30px #1a8754; }
	100% { box-shadow: 0 0 15px #1a8754, 0 0 30px #1a8754, 0 0 45px #1a8754; }
	}

	/* Particle background */
	.particle-bg {
	position: relative;
	}

	.particle-bg::before {
	content: '';
	position: absolute;
	top: 0;
	left: 0;
	width: 100%;
	height: 100%;
	background-image:
	radial-gradient(circle, #1a8754 1px, transparent 1px),
	radial-gradient(circle, #1a8754 1px, transparent 1px);
	background-size: 30px 30px;
	background-position: 0 0, 15px 15px;
	opacity: 0.1;
	z-index: -1;
	}

	/* Animated icons */
	.animated-icon {
	display: inline-block;
	animation: icon-bounce 2s infinite;
	}

	@keyframes icon-bounce {
	0%, 100% { transform: translateY(0); }
	50% { transform: translateY(-10px); }
	}

	}
	</style>
	""", unsafe_allow_html=True)

	# Initialize Earth Engine
	@st.cache_resource
	def initialize_earth_engine():
	try:
	service_account = 'dehkhodamap-e9f0da4ce9f6514021@ee-esmaeilkiani13877.iam.gserviceaccount.com'
	credentials_dict = {
	"type": "service_account",
	"project_id": "ee-esmaeilkiani13877",
	"private_key_id": "cfdea6eaf4115cb6462626743e4b15df85fd0c7f",
	"private_key": "-----BEGIN PRIVATE KEY-----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\nLa4DJE9BagGdVNTDtynBhKhZ\n-----END PRIVATE KEY-----\n",
	"client_email": "dehkhodamap-e9f0da4ce9f6514021@ee-esmaeilkiani13877.iam.gserviceaccount.com",
	"client_id": "113062529451626176784",
	"auth_uri": "https://accounts.google.com/o/oauth2/auth",
	"token_uri": "https://oauth2.googleapis.com/token",
	"auth_provider_x509_cert_url": "https://www.googleapis.com/oauth2/v1/certs",
	"client_x509_cert_url": "https://www.googleapis.com/robot/v1/metadata/x509/dehkhodamap-e9f0da4ce9f6514021%40ee-esmaeilkiani13877.iam.gserviceaccount.com",
	"universe_domain": "googleapis.com"
	}

	credentials_file = 'ee-esmaeilkiani13877-cfdea6eaf411.json'
	with open(credentials_file, 'w') as f:
	json.dump(credentials_dict, f)

	credentials = ee.ServiceAccountCredentials(service_account, credentials_file)
	ee.Initialize(credentials)

	os.remove(credentials_file)

	return True
	except Exception as e:
	st.error(f"خطا در اتصال به Earth Engine: {e}")
	return False

	# Load data
	@st.cache_data
	def load_farm_data():
	try:
	df = pd.read_csv("پایگاه داده (1).csv")
	return df
	except Exception as e:
	st.error(f"خطا در بارگذاری داده‌های مزارع: {e}")
	return pd.DataFrame()

	@st.cache_data
	def load_coordinates_data():
	try:
	df = pd.read_csv("farm_coordinates.csv")
	return df
	except Exception as e:
	st.error(f"خطا در بارگذاری داده‌های مختصات: {e}")
	return pd.DataFrame()

	# Load animation JSON
	@st.cache_data
	def load_lottie_url(url: str):
	r = requests.get(url)
	if r.status_code != 200:
	return None
	return r.json()

	# Function to get weather data
	def get_weather_data(lat, lon, api_key):
	url = f"http://api.openweathermap.org/data/2.5/weather?lat={lat}&lon={lon}&appid={api_key}&units=metric"
	response = requests.get(url)
	if response.status_code == 200:
	return response.json()
	else:
	return None

	# Function to estimate water requirement
	def estimate_water_requirement(farm_id, date_str):
	api_key = "ed47316a45379e2221a75f813229fb46"
	farm_row = coordinates_df[coordinates_df['مزرعه'] == farm_id].iloc[0]
	lat, lon = farm_row['عرض جغرافیایی'], farm_row['طول جغرافیایی']
	weather_data = get_weather_data(lat, lon, api_key)
	if weather_data:
	temperature = weather_data['main']['temp']
	humidity = weather_data['main']['humidity']
	water_requirement = (temperature - 20) * 0.5 + (100 - humidity) * 0.1
	return max(0, water_requirement)
	else:
	return None

	# Function to calculate indices from GEE
	@st.cache_data
	def calculate_indices(farm_id, date_str):
	try:
	farm_row = coordinates_df[coordinates_df['مزرعه'] == farm_id].iloc[0]
	lat, lon = farm_row['عرض جغرافیایی'], farm_row['طول جغرافیایی']

	date_obj = datetime.strptime(date_str, '%Y-%m-%d')
	start_date = (date_obj - timedelta(days=7)).strftime('%Y-%m-%d')
	end_date = date_obj.strftime('%Y-%m-%d')

	region = ee.Geometry.Point([lon, lat]).buffer(500)

	s2 = ee.ImageCollection('COPERNICUS/S2_SR') \
	.filterDate(start_date, end_date) \
	.filterBounds(region) \
	.sort('CLOUDY_PIXEL_PERCENTAGE') \
	.first()

	ndvi = s2.normalizedDifference(['B8', 'B4']).rename('NDVI')
	ndwi = s2.normalizedDifference(['B3', 'B8']).rename('NDWI')

	ndvi_value = ndvi.reduceRegion(
	reducer=ee.Reducer.mean(),
	geometry=region,
	scale=10
	).get('NDVI').getInfo()

	ndwi_value = ndwi.reduceRegion(
	reducer=ee.Reducer.mean(),
	geometry=region,
	scale=10
	).get('NDWI').getInfo()

	lai_value = 6 * ndvi_value if ndvi_value else None
	chl_value = 50 * ndvi_value if ndvi_value else None

	return {
	'NDVI': ndvi_value if ndvi_value else 0,
	'NDWI': ndwi_value if ndwi_value else 0,
	'LAI': min(max(lai_value, 0), 6) if lai_value else 0,
	'CHL': chl_value if chl_value else 0
	}
	except Exception as e:
	st.error(f"خطا در محاسبه شاخص‌ها برای مزرعه {farm_id}: {e}")
	return {'NDVI': 0, 'NDWI': 0, 'LAI': 0, 'CHL': 0}

	# Create Earth Engine map with NDVI
	def create_ee_map(farm_id, date_str, layer_type="NDVI"):
	try:
	farm_row = coordinates_df[coordinates_df['مزرعه'] == farm_id].iloc[0]
	lat, lon = farm_row['عرض جغرافیایی'], farm_row['طول جغرافیایی']

	m = folium.Map(location=[lat, lon], zoom_start=14, tiles='CartoDB positron')

	date_obj = datetime.strptime(date_str, '%Y-%m-%d')
	start_date = (date_obj - timedelta(days=7)).strftime('%Y-%m-%d')
	end_date = date_obj.strftime('%Y-%m-%d')

	region = ee.Geometry.Point([lon, lat]).buffer(1500)

	s2 = ee.ImageCollection('COPERNICUS/S2_SR') \
	.filterDate(start_date, end_date) \
	.filterBounds(region) \
	.sort('CLOUDY_PIXEL_PERCENTAGE') \
	.first()

	if layer_type == "NDVI":
	index = s2.normalizedDifference(['B8', 'B4']).rename('NDVI')
	viz_params = {
	'min': -0.2,
	'max': 0.8,
	'palette': ['#ff0000', '#ffd700', '#32cd32'] # قرمز، زرد، سبز
	}
	legend_title = 'شاخص پوشش گیاهی (NDVI)'

	map_id_dict = ee.Image(index).getMapId(viz_params)
	folium.TileLayer(
	tiles=map_id_dict['tile_fetcher'].url_format,
	attr='Google Earth Engine',
	name=layer_type,
	overlay=True,
	control=True
	).add_to(m)

	folium.Marker(
	[lat, lon],
	popup=f'مزرعه {farm_id}',
	tooltip=f'مزرعه {farm_id}',
	icon=folium.Icon(color='green', icon='leaf')
	).add_to(m)

	folium.Circle(
	[lat, lon],
	radius=1500,
	color='green',
	fill=True,
	fill_color='green',
	fill_opacity=0.1
	).add_to(m)

	folium.LayerControl().add_to(m)

	legend_html = '''
	<div style="position: fixed;
	bottom: 50px; right: 50px;
	border: 2px solid grey; z-index: 9999;
	background-color: white;
	padding: 10px;
	border-radius: 5px;
	direction: rtl;
	font-family: 'Vazirmatn', sans-serif;">
	<div style="font-size: 14px; font-weight: bold; margin-bottom: 5px;">راهنما: شاخص NDVI</div>
	<div style="display: flex; align-items: center; margin-bottom: 5px;">
	<div style="background: #ff0000; width: 20px; height: 20px; margin-left: 5px;"></div>
	<span>ضعیف (NDVI ≤ 0.3)</span>
	</div>
	<div style="display: flex; align-items: center; margin-bottom: 5px;">
	<div style="background: #ffd700; width: 20px; height: 20px; margin-left: 5px;"></div>
	<span>متوسط (0.3 < NDVI ≤ 0.6)</span>
	</div>
	<div style="display: flex; align-items: center;">
	<div style="background: #32cd32; width: 20px; height: 20px; margin-left: 5px;"></div>
	<span>سالم (NDVI > 0.6)</span>
	</div>
	</div>
	'''
	m.get_root().html.add_child(folium.Element(legend_html))

	return m
	except Exception as e:
	st.error(f"خطا در ایجاد نقشه: {e}")
	return None

	# Generate mock growth data
	def generate_mock_growth_data(farm_data, selected_variety="all", selected_age="all"):
	weeks = list(range(1, 23))

	filtered_farms = farm_data
	if selected_variety != "all":
	filtered_farms = filtered_farms[filtered_farms['واریته'] == selected_variety]
	if selected_age != "all":
	filtered_farms = filtered_farms[filtered_farms['سن'] == selected_age]

	farm_growth_data = []
	for _, farm in filtered_farms.iterrows():
	base_height = np.random.uniform(50, 100)
	growth_rate = np.random.uniform(5, 15)

	growth_data = {
	'farm_id': farm['مزرعه'],
	'variety': farm['واریته'],
	'age': farm['سن'],
	'weeks': weeks,
	'heights': [round(base_height + growth_rate * week) for week in weeks]
	}
	farm_growth_data.append(growth_data)

	if farm_growth_data:
	avg_heights = []
	for week in weeks:
	week_heights = [farm['heights'][week-1] for farm in farm_growth_data]
	avg_heights.append(round(sum(week_heights) / len(week_heights)))

	avg_growth_data = {
	'farm_id': 'میانگین',
	'variety': 'همه',
	'age': 'همه',
	'weeks': weeks,
	'heights': avg_heights
	}

	return {
	'individual': farm_growth_data,
	'average': avg_growth_data
	}
	else:
	return {
	'individual': [],
	'average': {
	'farm_id': 'میانگین',
	'variety': 'همه',
	'age': 'همه',
	'weeks': weeks,
	'heights': [0] * len(weeks)
	}
	}

	# Calculate statistics for a farm
	def calculate_farm_stats(farm_id, layer_type="NDVI"):
	if layer_type == "NDVI":
	mean = round(np.random.uniform(0.6, 0.8), 2)
	min_val = round(mean - np.random.uniform(0.2, 0.3), 2)
	max_val = round(mean + np.random.uniform(0.1, 0.2), 2)
	std_dev = round(np.random.uniform(0.05, 0.15), 2)
	elif layer_type == "NDMI":
	mean = round(np.random.uniform(0.3, 0.5), 2)
	min_val = round(mean - np.random.uniform(0.2, 0.3), 2)
	max_val = round(mean + np.random.uniform(0.1, 0.2), 2)
	std_dev = round(np.random.uniform(0.05, 0.15), 2)
	elif layer_type == "EVI":
	mean = round(np.random.uniform(0.4, 0.6), 2)
	min_val = round(mean - np.random.uniform(0.2, 0.3), 2)
	max_val = round(mean + np.random.uniform(0.1, 0.2), 2)
	std_dev = round(np.random.uniform(0.05, 0.15), 2)
	elif layer_type == "NDWI":
	mean = round(np.random.uniform(-0.1, 0.1), 2)
	min_val = round(mean - np.random.uniform(0.2, 0.3), 2)
	max_val = round(mean + np.random.uniform(0.1, 0.2), 2)
	std_dev = round(np.random.uniform(0.05, 0.15), 2)
	elif layer_type == "SoilMoisture":
	mean = round(np.random.uniform(-20, -10), 2)
	min_val = round(mean - np.random.uniform(5, 10), 2)
	max_val = round(mean + np.random.uniform(5, 10), 2)
	std_dev = round(np.random.uniform(2, 5), 2)

	hist_data = np.random.normal(mean, std_dev, 1000)
	hist_data = np.clip(hist_data, min_val, max_val)

	return {
	'mean': mean,
	'min': min_val,
	'max': max_val,
	'std_dev': std_dev,
	'histogram_data': hist_data
	}

	# Initialize Earth Engine
	ee_initialized = initialize_earth_engine()

	# Load data
	farm_df = load_farm_data()
	coordinates_df = load_coordinates_data()

	# Load animations
	lottie_farm = load_lottie_url('https://assets5.lottiefiles.com/packages/lf20_ystsffqy.json')
	lottie_analysis = load_lottie_url('https://assets3.lottiefiles.com/packages/lf20_qp1q7mct.json')
	lottie_report = load_lottie_url('https://assets9.lottiefiles.com/packages/lf20_vwcugezu.json')

	# Create session state for storing data
	if 'heights_df' not in st.session_state:
	st.session_state.heights_df = pd.DataFrame(columns=[
	'Farm_ID', 'Week', 'Measurement_Date', 'Height', 'Station1', 'Station2', 'Station3',
	'Station4', 'Station5', 'Groundwater1', 'Groundwater2', 'Sheath_Moisture', 'Nitrogen',
	'Variety', 'Age', 'Area', 'Channel', 'Administration'
	])

	# Main header
	st.markdown('<div class="main-header">', unsafe_allow_html=True)
	st.markdown('<h1>سامانه هوشمند پایش مزارع نیشکر دهخدا</h1>', unsafe_allow_html=True)
	st.markdown('<p>پلتفرم جامع مدیریت، پایش و تحلیل داده‌های مزارع نیشکر با استفاده از تصاویر ماهواره‌ای و هوش مصنوعی</p>', unsafe_allow_html=True)
	st.markdown('</div>', unsafe_allow_html=True)

	# Create a modern navigation menu
	selected = option_menu(
	menu_title=None,
	options=["داشبورد", "نقشه مزارع", "ورود اطلاعات", "تحلیل داده‌ها", "گزارش‌گیری", "تنظیمات"],
	icons=["speedometer2", "map", "pencil-square", "graph-up", "file-earmark-text", "gear"],
	menu_icon="cast",
	default_index=0,
	orientation="horizontal",
	styles={
	"container": {"padding": "0!important", "background-color": "transparent", "margin-bottom": "20px"},
	"icon": {"color": "#1a8754", "font-size": "18px"},
	"nav-link": {"font-size": "16px", "text-align": "center", "margin":"0px", "--hover-color": "#e9f7ef", "border-radius": "10px"},
	"nav-link-selected": {"background-color": "#1a8754", "color": "white", "font-weight": "600"},
	}
	)

	# Dashboard
	if selected == "داشبورد":
	col1, col2, col3, col4 = st.columns(4)

	with col1:
	st.markdown('<div class="metric-card">', unsafe_allow_html=True)
	st.markdown(f'<div class="metric-value">{len(farm_df)}</div>', unsafe_allow_html=True)
	st.markdown('<div class="metric-label">تعداد مزارع</div>', unsafe_allow_html=True)
	st.markdown('</div>', unsafe_allow_html=True)

	with col2:
	active_farms = int(len(farm_df) * 0.85)
	st.markdown('<div class="metric-card">', unsafe_allow_html=True)
	st.markdown(f'<div class="metric-value">{active_farms}</div>', unsafe_allow_html=True)
	st.markdown('<div class="metric-label">مزارع فعال</div>', unsafe_allow_html=True)
	st.markdown('</div>', unsafe_allow_html=True)

	with col3:
	avg_height = 175
	st.markdown('<div class="metric-card">', unsafe_allow_html=True)
	st.markdown(f'<div class="metric-value">{avg_height} cm</div>', unsafe_allow_html=True)
	st.markdown('<div class="metric-label">میانگین ارتفاع</div>', unsafe_allow_html=True)
	st.markdown('</div>', unsafe_allow_html=True)

	with col4:
	avg_moisture = 68
	st.markdown('<div class="metric-card">', unsafe_allow_html=True)
	st.markdown(f'<div class="metric-value">{avg_moisture}%</div>', unsafe_allow_html=True)
	st.markdown('<div class="metric-label">میانگین رطوبت</div>', unsafe_allow_html=True)
	st.markdown('</div>', unsafe_allow_html=True)

	tab1, tab2, tab3, tab4 = st.tabs(["نمای کلی", "نقشه مزارع", "نمودارها", "داده‌ها"])

	with tab1:
	st.markdown("### توزیع واریته‌ها و سن محصول")

	col1, col2 = st.columns(2)

	with col1:
	variety_counts = farm_df['واریته'].value_counts().reset_index()
	variety_counts.columns = ['واریته', 'تعداد']
	fig = px.pie(
	variety_counts,
	values='تعداد',
	names='واریته',
	title='توزیع واریته‌ها',
	color_discrete_sequence=px.colors.sequential.Greens_r
	)
	fig.update_traces(textposition='inside', textinfo='percent+label')
	fig.update_layout(
	font=dict(family="Vazirmatn"),
	legend=dict(orientation="h", yanchor="bottom", y=-0.3, xanchor="center", x=0.5)
	)
	st.plotly_chart(fig, use_container_width=True)

	with col2:
	age_counts = farm_df['سن'].value_counts().reset_index()
	age_counts.columns = ['سن', 'تعداد']
	fig = px.pie(
	age_counts,
	values='تعداد',
	names='سن',
	title='توزیع سن محصول',
	color_discrete_sequence=px.colors.sequential.Blues_r
	)
	fig.update_traces(textposition='inside', textinfo='percent+label')
	fig.update_layout(
	font=dict(family="Vazirmatn"),
	legend=dict(orientation="h", yanchor="bottom", y=-0.3, xanchor="center", x=0.5)
	)
	st.plotly_chart(fig, use_container_width=True)

	st.markdown("### اطلاعات کلی مزارع")

	total_area = farm_df['مساحت'].astype(float).sum()

	col1, col2, col3 = st.columns(3)
	col1.metric("تعداد کل مزارع", f"{len(farm_df)}")
	col2.metric("مساحت کل (هکتار)", f"{total_area:.2f}")
	col3.metric("تعداد کانال‌ها", f"{farm_df['کانال'].nunique()}")

	st.markdown('<hr style="height:2px;border:none;color:#1a8754;background-color:#1a8754;margin:30px 0;">', unsafe_allow_html=True)
	st_lottie(lottie_farm, height=300, key="farm_animation")

	with tab2:
	st.markdown("### نقشه مزارع")

	if coordinates_df is not None and not coordinates_df.empty:
	m = folium.Map(location=[31.45, 48.72], zoom_start=12, tiles='CartoDB positron')

	for _, farm in coordinates_df.iterrows():
	lat = farm['عرض جغرافیایی']
	lon = farm['طول جغرافیایی']
	name = farm['مزرعه']

	farm_info = farm_df[farm_df['مزرعه'] == name]
	if not farm_info.empty:
	variety = farm_info['واریته'].iloc[0]
	age = farm_info['سن'].iloc[0]
	area = farm_info['مساحت'].iloc[0]
	popup_text = f"""
	<div style="direction: rtl; text-align: right; font-family: 'Vazirmatn', sans-serif;">
	<h4>مزرعه {name}</h4>
	<p>واریته: {variety}</p>
	<p>سن: {age}</p>
	<p>مساحت: {area} هکتار</p>
	</div>
	"""
	else:
	popup_text = f"<div style='direction: rtl;'>مزرعه {name}</div>"

	folium.Marker(
	[lat, lon],
	popup=folium.Popup(popup_text, max_width=300),
	tooltip=f"مزرعه {name}",
	icon=folium.Icon(color='green', icon='leaf')
	).add_to(m)

	st.markdown('<div class="map-container">', unsafe_allow_html=True)
	folium_static(m, width=1000, height=600)
	st.markdown('</div>', unsafe_allow_html=True)
	else:
	st.warning("داده‌های مختصات در دسترس نیست.")

	with tab3:
	st.markdown("### نمودار رشد هفتگی")

	col1, col2 = st.columns(2)
	with col1:
	selected_variety = st.selectbox(
	"انتخاب واریته",
	["all"] + list(farm_df['واریته'].unique()),
	format_func=lambda x: "همه واریته‌ها" if x == "all" else x
	)

	with col2:
	selected_age = st.selectbox(
	"انتخاب سن",
	["all"] + list(farm_df['سن'].unique()),
	format_func=lambda x: "همه سنین" if x == "all" else x
	)

	growth_data = generate_mock_growth_data(farm_df, selected_variety, selected_age)

	chart_tab1, chart_tab2 = st.tabs(["میانگین رشد", "رشد مزارع فردی"])

	with chart_tab1:
	avg_data = growth_data['average']
	fig = go.Figure()
	fig.add_trace(go.Scatter(
	x=avg_data['weeks'],
	y=avg_data['heights'],
	mode='lines+markers',
	name='میانگین رشد',
	line=dict(color='#1a8754', width=3),
	marker=dict(size=8, color='#1a8754')
	))
	fig.update_layout(
	title='میانگین رشد هفتگی',
	xaxis_title='هفته',
	yaxis_title='ارتفاع (سانتی‌متر)',
	font=dict(family='Vazirmatn', size=14),
	hovermode='x unified',
	template='plotly_white',
	height=500
	)
	st.plotly_chart(fig, use_container_width=True)

	with chart_tab2:
	if growth_data['individual']:
	fig = go.Figure()
	colors = ['#1a8754', '#1976d2', '#e65100', '#9c27b0', '#d32f2f']
	for i, farm_data in enumerate(growth_data['individual'][:5]):
	fig.add_trace(go.Scatter(
	x=farm_data['weeks'],
	y=farm_data['heights'],
	mode='lines+markers',
	name=f"مزرعه {farm_data['farm_id']}",
	line=dict(color=colors[i % len(colors)], width=2),
	marker=dict(size=6, color=colors[i % len(colors)])
	))
	fig.update_layout(
	title='رشد هفتگی مزارع فردی',
	xaxis_title='هفته',
	yaxis_title='ارتفاع (سانتی‌متر)',
	font=dict(family='Vazirmatn', size=14),
	hovermode='x unified',
	template='plotly_white',
	height=500
	)
	st.plotly_chart(fig, use_container_width=True)
	else:
	st.warning("داده‌ای برای نمایش وجود ندارد.")

	with tab4:
	st.markdown("### داده‌های مزارع")

	search_term = st.text_input("جستجو در داده‌ها", placeholder="نام مزرعه، واریته، سن و...")

	if search_term:
	filtered_df = farm_df[
	farm_df['مزرعه'].astype(str).str.contains(search_term) \|
	farm_df['واریته'].astype(str).str.contains(search_term) \|
	farm_df['سن'].astype(str).str.contains(search_term) \|
	farm_df['کانال'].astype(str).str.contains(search_term)
	]
	else:
	filtered_df = farm_df

	if not filtered_df.empty:
	csv = filtered_df.to_csv(index=False).encode('utf-8')
	st.download_button(
	label="دانلود داده‌ها (CSV)",
	data=csv,
	file_name="farm_data.csv",
	mime="text/csv",
	)
	st.dataframe(
	filtered_df,
	use_container_width=True,
	height=400,
	hide_index=True
	)
	st.info(f"نمایش {len(filtered_df)} مزرعه از {len(farm_df)} مزرعه")
	else:
	st.warning("هیچ داده‌ای یافت نشد.")

	# Map Page
	elif selected == "نقشه مزارع":
	st.markdown("## نقشه مزارع با شاخص‌های ماهواره‌ای")

	col1, col2 = st.columns([1, 3])

	with col1:
	st.markdown('<div class="glass-card">', unsafe_allow_html=True)
	st.markdown("### تنظیمات نقشه")

	selected_farm = st.selectbox(
	"انتخاب مزرعه",
	options=coordinates_df['مزرعه'].tolist(),
	index=0,
	format_func=lambda x: f"مزرعه {x}"
	)

	selected_date = st.date_input(
	"انتخاب تاریخ",
	value=datetime.now(),
	format="YYYY-MM-DD"
	)

	selected_layer = st.selectbox(
	"انتخاب شاخص",
	options=["NDVI", "NDMI", "EVI", "NDWI", "SoilMoisture"],
	format_func=lambda x: {
	"NDVI": "شاخص پوشش گیاهی (NDVI)",
	"NDMI": "شاخص رطوبت (NDMI)",
	"EVI": "شاخص پیشرفته گیاهی (EVI)",
	"NDWI": "شاخص آب (NDWI)",
	"SoilMoisture": "رطوبت خاک (Soil Moisture)"
	}[x]
	)

	generate_map = st.button(
	"تولید نقشه",
	type="primary",
	use_container_width=True
	)

	st.markdown('<hr style="margin: 20px 0;">', unsafe_allow_html=True)

	st.markdown("### راهنمای شاخص‌ها")

	with st.expander("شاخص پوشش گیاهی (NDVI)", expanded=selected_layer == "NDVI"):
	st.markdown("""
	شاخص تفاضل نرمال‌شده پوشش گیاهی (NDVI) معیاری برای سنجش سلامت و تراکم پوشش گیاهی است.
	- مقادیر بالا (0.6 تا 1.0): پوشش گیاهی متراکم و سالم
	- مقادیر متوسط (0.2 تا 0.6): پوشش گیاهی متوسط
	- مقادیر پایین (-1.0 تا 0.2): پوشش گیاهی کم یا خاک لخت
	فرمول: NDVI = (NIR - RED) / (NIR + RED)
	""")

	with st.expander("شاخص رطوبت (NDMI)", expanded=selected_layer == "NDMI"):
	st.markdown("""
	شاخص تفاضل نرمال‌شده رطوبت (NDMI) برای ارزیابی محتوای رطوبت گیاهان استفاده می‌شود.
	- مقادیر بالا (0.4 تا 1.0): محتوای رطوبت بالا
	- مقادیر متوسط (0.0 تا 0.4): محتوای رطوبت متوسط
	- مقادیر پایین (-1.0 تا 0.0): محتوای رطوبت کم
	فرمول: NDMI = (NIR - SWIR) / (NIR + SWIR)
	""")

	with st.expander("شاخص پیشرفته گیاهی (EVI)", expanded=selected_layer == "EVI"):
	st.markdown("""
	شاخص پیشرفته پوشش گیاهی (EVI) نسخه بهبودیافته NDVI است که حساسیت کمتری به اثرات خاک و اتمسفر دارد.
	- مقادیر بالا (0.4 تا 1.0): پوشش گیاهی متراکم و سالم
	- مقادیر متوسط (0.2 تا 0.4): پوشش گیاهی متوسط
	- مقادیر پایین (0.0 تا 0.2): پوشش گیاهی کم
	فرمول: EVI = 2.5 * ((NIR - RED) / (NIR + 6RED - 7.5BLUE + 1))
	""")

	with st.expander("شاخص آب (NDWI)", expanded=selected_layer == "NDWI"):
	st.markdown("""
	شاخص تفاضل نرمال‌شده آب (NDWI) برای شناسایی پهنه‌های آبی و ارزیابی محتوای آب در گیاهان استفاده می‌شود.
	- مقادیر بالا (0.3 تا 1.0): پهنه‌های آبی
	- مقادیر متوسط (0.0 تا 0.3): محتوای آب متوسط
	- مقادیر پایین (-1.0 تا 0.0): محتوای آب کم یا خاک خشک
	فرمول: NDWI = (GREEN - NIR) / (GREEN + NIR)
	""")

	with st.expander("رطوبت خاک (Soil Moisture)", expanded=selected_layer == "SoilMoisture"):
	st.markdown("""
	رطوبت خاک (Soil Moisture) با استفاده از داده‌های راداری Sentinel-1 سطح رطوبت خاک را به صورت داینامیک بررسی می‌کند.
	- مقادیر بالا: رطوبت خاک بالا
	- مقادیر پایین: رطوبت خاک کم
	این شاخص به مدیریت بهتر منابع آب کمک می‌کند.
	""")

	st.markdown('</div>', unsafe_allow_html=True)

	with col2:
	map_tab, stats_tab = st.tabs(["نقشه", "آمار و تحلیل"])

	with map_tab:
	st.markdown('<div class="map-container">', unsafe_allow_html=True)

	if generate_map or 'last_map' not in st.session_state:
	with st.spinner('در حال تولید نقشه...'):
	m = create_ee_map(
	selected_farm,
	selected_date.strftime('%Y-%m-%d'),
	selected_layer
	)
	if m:
	st.session_state.last_map = m
	folium_static(m, width=800, height=600)
	st.success(f"نقشه {selected_layer} برای مزرعه {selected_farm} با موفقیت تولید شد.")
	else:
	st.error("خطا در تولید نقشه. لطفاً دوباره تلاش کنید.")
	elif 'last_map' in st.session_state:
	folium_static(st.session_state.last_map, width=800, height=600)

	st.markdown('</div>', unsafe_allow_html=True)
	st.info("""
	نکته: این نقشه بر اساس تصاویر Sentinel-2 و Sentinel-1 تولید شده است.
	برای دقت بیشتر، تاریخی با ابرناکی کم انتخاب کنید.
	""")

	with stats_tab:
	if 'last_map' in st.session_state:
	stats = calculate_farm_stats(selected_farm, selected_layer)

	col1, col2, col3, col4 = st.columns(4)

	with col1:
	st.markdown('<div class="metric-card">', unsafe_allow_html=True)
	st.markdown(f'<div class="metric-value">{stats["mean"]}</div>', unsafe_allow_html=True)
	st.markdown(f'<div class="metric-label">میانگین {selected_layer}</div>', unsafe_allow_html=True)
	st.markdown('</div>', unsafe_allow_html=True)

	with col2:
	st.markdown('<div class="metric-card">', unsafe_allow_html=True)
	st.markdown(f'<div class="metric-value">{stats["max"]}</div>', unsafe_allow_html=True)
	st.markdown(f'<div class="metric-label">حداکثر {selected_layer}</div>', unsafe_allow_html=True)
	st.markdown('</div>', unsafe_allow_html=True)

	with col3:
	st.markdown('<div class="metric-card">', unsafe_allow_html=True)
	st.markdown(f'<div class="metric-value">{stats["min"]}</div>', unsafe_allow_html=True)
	st.markdown(f'<div class="metric-label">حداقل {selected_layer}</div>', unsafe_allow_html=True)
	st.markdown('</div>', unsafe_allow_html=True)

	with col4:
	st.markdown('<div class="metric-card">', unsafe_allow_html=True)
	st.markdown(f'<div class="metric-value">{stats["std_dev"]}</div>', unsafe_allow_html=True)
	st.markdown(f'<div class="metric-label">انحراف معیار</div>', unsafe_allow_html=True)
	st.markdown('</div>', unsafe_allow_html=True)

	fig = px.histogram(
	x=stats["histogram_data"],
	nbins=20,
	title=f"توزیع مقادیر {selected_layer} در مزرعه {selected_farm}",
	labels={"x": f"مقدار {selected_layer}", "y": "فراوانی"},
	color_discrete_sequence=["#1a8754"]
	)
	fig.update_layout(
	font=dict(family="Vazirmatn"),
	template="plotly_white",
	bargap=0.1
	)
	st.plotly_chart(fig, use_container_width=True)

	st.markdown("### تحلیل زمانی")
	dates = pd.date_range(end=selected_date, periods=30, freq='D')
	values = np.random.normal(stats["mean"], stats["std_dev"] / 2, 30)
	values = np.clip(values, stats["min"], stats["max"])
	fig = px.line(
	x=dates,
	y=values,
	title=f"روند تغییرات {selected_layer} در 30 روز گذشته",
	labels={"x": "تاریخ", "y": f"مقدار {selected_layer}"},
	markers=True
	)
	fig.update_layout(
	font=dict(family="Vazirmatn"),
	template="plotly_white",
	hovermode="x unified"
	)
	st.plotly_chart(fig, use_container_width=True)

	st.markdown("### تخمین نیاز آبی")
	water_requirement = estimate_water_requirement(selected_farm, selected_date.strftime('%Y-%m-%d'))
	if water_requirement is not None:
	st.metric("نیاز آبی (mm/day)", f"{water_requirement:.2f}")
	st.info(f"نیاز آبی تخمینی برای مزرعه {selected_farm}: {water_requirement:.2f} میلی‌متر در روز")
	else:
	st.warning("داده‌های هواشناسی در دسترس نیست.")

	if selected_layer == "SoilMoisture":
	st.markdown("### پیشنهادات مدیریت آب")
	if stats["mean"] < -20:
	st.markdown("- افزایش آبیاری: رطوبت خاک بسیار پایین است.")
	elif stats["mean"] > -10:
	st.markdown("- کاهش آبیاری: رطوبت خاک بیش از حد است.")
	else:
	st.markdown("- مدیریت بهینه: رطوبت خاک در محدوده مناسب است.")
	else:
	st.warning("لطفاً ابتدا یک نقشه تولید کنید.")

	# Data Entry Page
	elif selected == "ورود اطلاعات":
	st.markdown("## ورود اطلاعات روزانه مزارع")

	tab1, tab2 = st.tabs(["ورود دستی", "آپلود فایل"])

	with tab1:
	col1, col2 = st.columns(2)

	with col1:
	selected_week = st.selectbox(
	"انتخاب هفته",
	options=[str(i) for i in range(1, 23)],
	format_func=lambda x: f"هفته {x}"
	)

	with col2:
	selected_day = st.selectbox(
	"انتخاب روز",
	options=["شنبه", "یکشنبه", "دوشنبه", "سه‌شنبه", "چهارشنبه", "پنجشنبه"],
	format_func=lambda x: x,
	help="روز مورد نظر را برای فیلتر کردن مزارع انتخاب کنید"
	)

	filtered_farms = farm_df[farm_df['روز'] == selected_day]

	if filtered_farms.empty:
	st.warning(f"هیچ مزرعه‌ای برای روز {selected_day} در پایگاه داده وجود ندارد.")
	else:
	st.markdown("### ورود داده‌های مزارع")

	data_key = f"data_{selected_week}_{selected_day}"
	if data_key not in st.session_state:
	st.session_state[data_key] = pd.DataFrame({
	'مزرعه': filtered_farms['مزرعه'],
	'ایستگاه 1': [0] * len(filtered_farms),
	'ایستگاه 2': [0] * len(filtered_farms),
	'ایستگاه 3': [0] * len(filtered_farms),
	'ایستگاه 4': [0] * len(filtered_farms),
	'ایستگاه 5': [0] * len(filtered_farms),
	'چاهک 1': [0] * len(filtered_farms),
	'چاهک 2': [0] * len(filtered_farms),
	'رطوبت غلاف': [0] * len(filtered_farms),
	'نیتروژن': [0] * len(filtered_farms),
	'میانگین ارتفاع': [0] * len(filtered_farms)
	})

	edited_df = st.data_editor(
	st.session_state[data_key],
	use_container_width=True,
	num_rows="fixed",
	column_config={
	"مزرعه": st.column_config.TextColumn("مزرعه", disabled=True),
	"ایستگاه 1": st.column_config.NumberColumn("ایستگاه 1", min_value=0, max_value=300, step=1),
	"ایستگاه 2": st.column_config.NumberColumn("ایستگاه 2", min_value=0, max_value=300, step=1),
	"ایستگاه 3": st.column_config.NumberColumn("ایستگاه 3", min_value=0, max_value=300, step=1),
	"ایستگاه 4": st.column_config.NumberColumn("ایستگاه 4", min_value=0, max_value=300, step=1),
	"ایستگاه 5": st.column_config.NumberColumn("ایستگاه 5", min_value=0, max_value=300, step=1),
	"چاهک 1": st.column_config.NumberColumn("چاهک 1", min_value=0, max_value=300, step=1),
	"چاهک 2": st.column_config.NumberColumn("چاهک 2", min_value=0, max_value=300, step=1),
	"رطوبت غلاف": st.column_config.NumberColumn("رطوبت غلاف", min_value=0, max_value=100, step=1),
	"نیتروژن": st.column_config.NumberColumn("نیتروژن", min_value=0, max_value=100, step=1),
	"میانگین ارتفاع": st.column_config.NumberColumn("میانگین ارتفاع", disabled=True),
	},
	hide_index=True
	)

	for i in range(len(edited_df)):
	stations = [
	edited_df.iloc[i]['ایستگاه 1'],
	edited_df.iloc[i]['ایستگاه 2'],
	edited_df.iloc[i]['ایستگاه 3'],
	edited_df.iloc[i]['ایستگاه 4'],
	edited_df.iloc[i]['ایستگاه 5']
	]
	valid_stations = [s for s in stations if s > 0]
	if valid_stations:
	edited_df.iloc[i, edited_df.columns.get_loc('میانگین ارتفاع')] = round(sum(valid_stations) / len(valid_stations), 1)

	st.session_state[data_key] = edited_df

	if st.button("ذخیره اطلاعات", type="primary", use_container_width=True):
	new_data = edited_df.copy()
	new_data['Farm_ID'] = new_data['مزرعه']
	new_data['Week'] = int(selected_week)
	new_data['Measurement_Date'] = (datetime.now() - timedelta(weeks=(22 - int(selected_week)))).strftime('%Y-%m-%d')
	new_data['Height'] = new_data['میانگین ارتفاع']
	new_data['Station1'] = new_data['ایستگاه 1']
	new_data['Station2'] = new_data['ایستگاه 2']
	new_data['Station3'] = new_data['ایستگاه 3']
	new_data['Station4'] = new_data['ایستگاه 4']
	new_data['Station5'] = new_data['ایستگاه 5']
	new_data['Groundwater1'] = new_data['چاهک 1']
	new_data['Groundwater2'] = new_data['چاهک 2']
	new_data['Sheath_Moisture'] = new_data['رطوبت غلاف']
	new_data['Nitrogen'] = new_data['نیتروژن']

	new_data = new_data.merge(
	farm_df[['مزرعه', 'واریته', 'سن', 'مساحت', 'کانال', 'اداره']],
	left_on='Farm_ID',
	right_on='مزرعه',
	how='left'
	)

	new_data = new_data.rename(columns={
	'واریته': 'Variety',
	'سن': 'Age',
	'مساحت': 'Area',
	'کانال': 'Channel',
	'اداره': 'Administration'
	})

	st.session_state.heights_df = pd.concat([st.session_state.heights_df, new_data], ignore_index=True)
	st.success(f"داده‌های هفته {selected_week} برای روز {selected_day} با موفقیت ذخیره شدند.")
	st.balloons()

	with tab2:
	st.markdown("### آپلود فایل اکسل")

	uploaded_file = st.file_uploader("فایل اکسل خود را آپلود کنید", type=["xlsx", "xls", "csv"])

	if uploaded_file is not None:
	try:
	if uploaded_file.name.endswith('.csv'):
	df = pd.read_csv(uploaded_file)
	else:
	df = pd.read_excel(uploaded_file)
	st.dataframe(df, use_container_width=True)
	if st.button("ذخیره فایل", type="primary"):
	st.success("فایل با موفقیت ذخیره شد.")
	st.balloons()
	except Exception as e:
	st.error(f"خطا در خواندن فایل: {e}")

	st.markdown("### راهنمای فرمت فایل")
	st.markdown("""
	فایل اکسل باید شامل ستون‌های زیر باشد:
	- مزرعه
	- ایستگاه 1 تا 5
	- چاهک 1 و 2
	- رطوبت غلاف
	- نیتروژن
	می‌توانید از [این فایل نمونه](https://example.com/sample.xlsx) به عنوان الگو استفاده کنید.
	""")

	st.markdown("""
	<div style="border: 2px dashed #1a8754; border-radius: 10px; padding: 40px; text-align: center; margin: 20px 0;">
	<svg xmlns="http://www.w3.org/2000/svg" width="48" height="48" viewBox="0 0 24 24" fill="none" stroke="#1a8754" stroke-width="2" stroke-linecap="round" stroke-linejoin="round">
	<path d="M21 15v4a2 2 0 0 1-2 2H5a2 2 0 0 1-2-2v-4"></path>
	<polyline points="17 8 12 3 7 8"></polyline>
	<line x1="12" y1="3" x2="12" y2="15"></line>
	</svg>
	<p style="margin-top: 10px; color: #1a8754;">فایل خود را اینجا رها کنید یا روی دکمه بالا کلیک کنید</p>
	</div>
	""", unsafe_allow_html=True)

	# Data Analysis Page
	elif selected == "تحلیل داده‌ها":
	st.markdown("## تحلیل هوشمند داده‌ها")

	col1, col2 = st.columns([1, 2])

	with col1:
	st_lottie(lottie_analysis, height=200, key="analysis_animation")

	with col2:
	st.markdown("""
	<div class="glass-card">
	<h3 class="gradient-text">تحلیل پیشرفته داده‌های مزارع</h3>
	<p>در این بخش می‌توانید تحلیل‌های پیشرفته روی داده‌های مزارع انجام دهید و روندها و الگوهای مختلف را بررسی کنید.</p>
	</div>
	""", unsafe_allow_html=True)

	tab1, tab2, tab3, tab4 = st.tabs(["تحلیل رشد", "مقایسه واریته‌ها", "تحلیل شاخص‌ها", "پیش‌بینی"])

	with tab1:
	st.markdown("### تحلیل رشد مزارع")

	col1, col2 = st.columns(2)

	with col1:
	selected_variety = st.selectbox(
	"انتخاب واریته",
	["all"] + list(farm_df['واریته'].unique()),
	format_func=lambda x: "همه واریته‌ها" if x == "all" else x,
	key="growth_variety"
	)

	with col2:
	selected_age = st.selectbox(
	"انتخاب سن",
	["all"] + list(farm_df['سن'].unique()),
	format_func=lambda x: "همه سنین" if x == "all" else x,
	key="growth_age"
	)

	growth_data = generate_mock_growth_data(farm_df, selected_variety, selected_age)

	if growth_data['individual']:
	chart_data = []
	for farm_data in growth_data['individual']:
	for i, week in enumerate(farm_data['weeks']):
	chart_data.append({
	'Farm': farm_data['farm_id'],
	'Week': week,
	'Height': farm_data['heights'][i],
	'Variety': farm_data['variety'],
	'Age': farm_data['age']
	})

	chart_df = pd.DataFrame(chart_data)

	chart = alt.Chart(chart_df).mark_line(point=True).encode(
	x=alt.X('Week:Q', title='هفته'),
	y=alt.Y('Height:Q', title='ارتفاع (سانتی‌متر)'),
	color=alt.Color('Farm:N', title='مزرعه'),
	tooltip=['Farm', 'Week', 'Height', 'Variety', 'Age']
	).properties(
	width='container',
	height=400,
	title='روند رشد مزارع بر اساس هفته'
	).interactive()

	st.altair_chart(chart, use_container_width=True)

	st.markdown("### تحلیل نرخ رشد")

	growth_rates = []
	for farm_data in growth_data['individual']:
	heights = farm_data['heights']
	for i in range(1, len(heights)):
	growth_rate = heights[i] - heights[i-1]
	growth_rates.append({
	'Farm': farm_data['farm_id'],
	'Week': farm_data['weeks'][i],
	'Growth Rate': growth_rate,
	'Variety': farm_data['variety'],
	'Age': farm_data['age']
	})

	growth_rate_df = pd.DataFrame(growth_rates)

	chart = alt.Chart(growth_rate_df).mark_bar().encode(
	x=alt.X('Week:O', title='هفته'),
	y=alt.Y('mean(Growth Rate):Q', title='نرخ رشد (سانتی‌متر در هفته)'),
	color=alt.Color('Farm:N', title='مزرعه'),
	tooltip=['Farm', 'Week', 'mean(Growth Rate)']
	).properties(
	width='container',
	height=400,
	title='نرخ رشد هفتگی مزارع'
	).interactive()

	st.altair_chart(chart, use_container_width=True)
	else:
	st.warning("داده‌ای برای نمایش وجود ندارد.")

	with tab2:
	st.markdown("### مقایسه واریته‌ها")

	variety_age_groups = farm_df.groupby(['واریته', 'سن']).size().reset_index(name='تعداد')

	fig = px.density_heatmap(
	variety_age_groups,
	x='واریته',
	y='سن',
	z='تعداد',
	title='توزیع مزارع بر اساس واریته و سن',
	color_continuous_scale='Viridis'
	)
	fig.update_layout(
	font=dict(family="Vazirmatn"),
	template="plotly_white",
	xaxis_title="واریته",
	yaxis_title="سن"
	)
	st.plotly_chart(fig, use_container_width=True)

	varieties = farm_df['واریته'].unique()
	variety_heights = {variety: np.random.normal(150, 20, 100) for variety in varieties}

	fig = go.Figure()
	for variety in varieties:
	fig.add_trace(go.Box(
	y=variety_heights[variety],
	name=variety,
	boxpoints='outliers',
	marker_color=f'hsl({hash(variety) % 360}, 70%, 50%)'
	))
	fig.update_layout(
	title='مقایسه ارتفاع بر اساس واریته',
	yaxis_title='ارتفاع (سانتی‌متر)',
	font=dict(family="Vazirmatn"),
	template="plotly_white",
	boxmode='group'
	)
	st.plotly_chart(fig, use_container_width=True)

	st.markdown("### مقایسه آماری واریته‌ها")
	variety_stats = {}
	for variety in varieties:
	heights = variety_heights[variety]
	variety_stats[variety] = {
	'میانگین': np.mean(heights),
	'میانه': np.median(heights),
	'انحراف معیار': np.std(heights),
	'حداقل': np.min(heights),
	'حداکثر': np.max(heights)
	}
	variety_stats_df = pd.DataFrame(variety_stats).T
	st.dataframe(variety_stats_df, use_container_width=True)

	with tab3:
	st.markdown("### تحلیل شاخص‌های ماهواره‌ای")

	selected_day = st.selectbox(
	"انتخاب روز برای تحلیل",
	options=["شنبه", "یکشنبه", "دوشنبه", "سه‌شنبه", "چهارشنبه", "پنجشنبه"],
	format_func=lambda x: x
	)

	filtered_farms = farm_df[farm_df['روز'] == selected_day]

	if filtered_farms.empty:
	st.warning(f"هیچ مزرعه‌ای برای روز {selected_day} یافت نشد.")
	else:
	indices_data = []
	with st.spinner('در حال محاسبه شاخص‌ها از Google Earth Engine...'):
	for _, farm in filtered_farms.iterrows():
	farm_id = farm['مزرعه']
	indices = calculate_indices(farm_id, datetime.now().strftime('%Y-%m-%d'))
	indices_data.append({
	'مزرعه': farm_id,
	'NDVI': indices['NDVI'],
	'NDWI': indices['NDWI'],
	'LAI': indices['LAI'],
	'CHL': indices['CHL']
	})

	indices_df = pd.DataFrame(indices_data)
	indices_df = indices_df.sort_values(by='NDVI', ascending=False)

	st.markdown("### جدول شاخص‌ها")
	st.dataframe(indices_df, use_container_width=True)

	st.markdown("### رتبه‌بندی مزارع بر اساس NDVI")
	col1, col2 = st.columns(2)
	with col1:
	st.markdown("#### بهترین مزارع")
	st.dataframe(indices_df.head(5)[['مزرعه', 'NDVI']], use_container_width=True)
	with col2:
	st.markdown("#### بدترین مزارع")
	st.dataframe(indices_df.tail(5)[['مزرعه', 'NDVI']], use_container_width=True)

	st.markdown("### مزارع دارای تنش (NDVI < 0.3)")
	stressed_farms = indices_df[indices_df['NDVI'] < 0.3]
	if not stressed_farms.empty:
	st.dataframe(stressed_farms[['مزرعه', 'NDVI']], use_container_width=True)
	else:
	st.success("هیچ مزرعه‌ای با تنش (NDVI < 0.3) یافت نشد.")

	st.markdown("### نمودار NDVI مزارع")
	fig = px.bar(
	indices_df,
	x='مزرعه',
	y='NDVI',
	title=f'شاخص NDVI مزارع برای روز {selected_day}',
	color='NDVI',
	color_continuous_scale=['#ff0000', '#ffd700', '#32cd32'],
	range_color=[0, 1]
	)
	fig.update_layout(
	font=dict(family="Vazirmatn"),
	template="plotly_white",
	height=500
	)
	st.plotly_chart(fig, use_container_width=True)

	with tab4:
	st.markdown("### پیش‌بینی رشد مزارع")

	selected_farm_for_prediction = st.selectbox(
	"انتخاب مزرعه",
	options=farm_df['مزرعه'].tolist(),
	format_func=lambda x: f"مزرعه {x}"
	)

	weeks = list(range(1, 16))
	heights = [50 + i * 10 + np.random.normal(0, 5) for i in range(len(weeks))]

	historical_df = pd.DataFrame({
	'Week': weeks,
	'Height': heights
	})

	future_weeks = list(range(16, 23))

	from sklearn.linear_model import LinearRegression

	model = LinearRegression()
	model.fit(np.array(weeks).reshape(-1, 1), heights)

	future_heights = model.predict(np.array(future_weeks).reshape(-1, 1))

	lower_bound = future_heights - 15
	upper_bound = future_heights + 15

	future_df = pd.DataFrame({
	'Week': future_weeks,
	'Height': future_heights,
	'Lower': lower_bound,
	'Upper': upper_bound
	})

	fig = go.Figure()

	fig.add_trace(go.Scatter(
	x=historical_df['Week'],
	y=historical_df['Height'],
	mode='lines+markers',
	name='داده‌های تاریخی',
	line=dict(color='#1a8754', width=3),
	marker=dict(size=8, color='#1a8754')
	))

	fig.add_trace(go.Scatter(
	x=future_df['Week'],
	y=future_df['Height'],
	mode='lines+markers',
	name='پیش‌بینی',
	line=dict(color='#ff9800', width=3, dash='dash'),
	marker=dict(size=8, color='#ff9800')
	))

	fig.add_trace(go.Scatter(
	x=future_df['Week'].tolist() + future_df['Week'].tolist()[::-1],
	y=future_df['Upper'].tolist() + future_df['Lower'].tolist()[::-1],
	fill='toself',
	fillcolor='rgba(255, 152, 0, 0.2)',
	line=dict(color='rgba(255, 152, 0, 0)'),
	hoverinfo='skip',
	showlegend=False
	))

	fig.update_layout(
	title=f'پیش‌بینی رشد مزرعه {selected_farm_for_prediction}',
	xaxis_title='هفته',
	yaxis_title='ارتفاع (سانتی‌متر)',
	font=dict(family='Vazirmatn', size=14),
	hovermode='x unified',
	template='plotly_white',
	height=500,
	legend=dict(
	orientation="h",
	yanchor="bottom",
	y=1.02,
	xanchor="right",
	x=1
	)
	)

	fig.add_vline(x=15.5, line_width=1, line_dash="dash", line_color="gray")

	st.plotly_chart(fig, use_container_width=True)

	st.markdown("### جزئیات پیش‌بینی")

	col1, col2 = st.columns(2)

	with col1:
	st.metric(
	label="ارتفاع فعلی",
	value=f"{heights[-1]:.1f} cm",
	delta=f"{heights[-1] - heights[-2]:.1f} cm"
	)

	with col2:
	st.metric(
	label="ارتفاع پیش‌بینی شده (هفته 22)",
	value=f"{future_heights[-1]:.1f} cm",
	delta=f"{future_heights[-1] - heights[-1]:.1f} cm"
	)

	prediction_table = pd.DataFrame({
	'هفته': future_weeks,
	'ارتفاع پیش‌بینی شده': [f"{h:.1f}" for h in future_heights],
	'حد پایین': [f"{l:.1f}" for l in lower_bound],
	'حد بالا': [f"{u:.1f}" for u in upper_bound]
	})

	st.dataframe(prediction_table, use_container_width=True, hide_index=True)

	st.markdown("### عوامل مؤثر بر رشد")

	factors = ['رطوبت', 'نیتروژن', 'دما', 'آبیاری', 'نور']
	factor_values = [85, 70, 60, 90, 75]

	fig = go.Figure()

	fig.add_trace(go.Scatterpolar(
	r=factor_values,
	theta=factors,
	fill='toself',
	name='عوامل مؤثر',
	line_color='#1a8754'
	))

	fig.update_layout(
	polar=dict(
	radialaxis=dict(
	visible=True,
	range=[0, 100]
	)
	),
	showlegend=False,
	font=dict(family='Vazirmatn'),
	height=400
	)

	st.plotly_chart(fig, use_container_width=True)

	# Reporting Page
	elif selected == "گزارش‌گیری":
	st.markdown("## گزارش‌گیری پیشرفته")

	col1, col2 = st.columns([1, 2])

	with col1:
	st_lottie(lottie_report, height=200, key="report_animation")

	with col2:
	st.markdown("""
	<div class="glass-card">
	<h3 class="gradient-text">گزارش‌گیری پیشرفته</h3>
	<p>در این بخش می‌توانید گزارش‌های مختلف از وضعیت مزارع تهیه کنید و آن‌ها را به صورت PDF یا Excel دانلود کنید.</p>
	</div>
	""", unsafe_allow_html=True)

	col1, col2 = st.columns(2)

	with col1:
	start_date = st.date_input(
	"تاریخ شروع",
	value=datetime.now() - timedelta(days=30),
	format="YYYY-MM-DD"
	)

	with col2:
	end_date = st.date_input(
	"تاریخ پایان",
	value=datetime.now(),
	format="YYYY-MM-DD"
	)

	report_type = st.selectbox(
	"نوع گزارش",
	options=["گزارش کلی", "گزارش رشد", "گزارش رطوبت", "گزارش مقایسه‌ای واریته‌ها"]
	)

	if st.button("تولید گزارش", type="primary", use_container_width=True):
	with st.spinner('در حال تولید گزارش...'):
	time.sleep(2)

	if report_type == "گزارش کلی":
	st.markdown("### گزارش کلی وضعیت مزارع")

	col1, col2, col3, col4 = st.columns(4)

	with col1:
	st.metric("تعداد کل مزارع", len(farm_df))

	with col2:
	st.metric("میانگین ارتفاع", f"{np.random.uniform(150, 200):.1f} cm")

	with col3:
	st.metric("میانگین رطوبت", f"{np.random.uniform(60, 80):.1f}%")

	with col4:
	st.metric("میانگین نیتروژن", f"{np.random.uniform(40, 60):.1f}%")

	farm_counts = farm_df['اداره'].value_counts()
	fig = px.pie(
	values=farm_counts.values,
	names=farm_counts.index,
	title='توزیع مزارع بر اساس اداره',
	color_discrete_sequence=px.colors.sequential.Greens_r
	)
	fig.update_traces(textposition='inside', textinfo='percent+label')
	fig.update_layout(font=dict(family="Vazirmatn"))
	st.plotly_chart(fig, use_container_width=True)

	weeks = list(range(1, 23))
	heights = [100 + i * 5 + np.random.normal(0, 10) for i in range(len(weeks))]
	fig = px.line(
	x=weeks,
	y=heights,
	title='روند رشد کلی مزارع',
	labels={'x': 'هفته', 'y': 'ارتفاع (سانتی‌متر)'}
	)
	fig.update_layout(font=dict(family="Vazirmatn"))
	st.plotly_chart(fig, use_container_width=True)

	top_farms = pd.DataFrame({
	'مزرعه': ['مزرعه ' + str(i) for i in range(1, 6)],
	'ارتفاع': [round(np.random.uniform(180, 220), 1) for _ in range(5)],
	'رطوبت': [round(np.random.uniform(60, 80), 1) for _ in range(5)],
	'نیتروژن': [round(np.random.uniform(40, 60), 1) for _ in range(5)]
	})
	st.markdown("### 5 مزرعه برتر")
	st.dataframe(top_farms, use_container_width=True, hide_index=True)

	elif report_type == "گزارش رشد":
	st.markdown("### گزارش رشد مزارع")

	col1, col2, col3 = st.columns(3)

	with col1:
	st.metric("میانگین رشد هفتگی", f"{np.random.uniform(10, 15):.1f} cm")

	with col2:
	st.metric("حداکثر رشد هفتگی", f"{np.random.uniform(20, 25):.1f} cm")

	with col3:
	st.metric("حداقل رشد هفتگی", f"{np.random.uniform(5, 10):.1f} cm")

	weeks = list(range(1, 23))
	farms = ['مزرعه 1', 'مزرعه 2', 'مزرعه 3', 'مزرعه 4', 'مزرعه 5']
	fig = go.Figure()
	for farm in farms:
	heights = [100 + i * 5 + np.random.normal(0, 10) for i in range(len(weeks))]
	fig.add_trace(go.Scatter(
	x=weeks,
	y=heights,
	mode='lines+markers',
	name=farm
	))
	fig.update_layout(
	title='روند رشد مزارع',
	xaxis_title='هفته',
	yaxis_title='ارتفاع (سانتی‌متر)',
	font=dict(family="Vazirmatn"),
	legend_title='مزرعه',
	hovermode="x unified"
	)
	st.plotly_chart(fig, use_container_width=True)

	growth_rates = np.random.normal(12, 3, 1000)
	fig = px.histogram(
	x=growth_rates,
	nbins=30,
	title='توزیع نرخ رشد هفتگی',
	labels={'x': 'نرخ رشد (سانتی‌متر در هفته)', 'y': 'فراوانی'},
	color_discrete_sequence=['#1a8754']
	)
	fig.update_layout(font=dict(family="Vazirmatn"))
	st.plotly_chart(fig, use_container_width=True)

	st.markdown("### عوامل مؤثر بر رشد")
	factors = ['رطوبت', 'نیتروژن', 'دما', 'آبیاری', 'نور']
	correlations = [0.8, 0.7, 0.5, 0.9, 0.6]
	fig = px.bar(
	x=factors,
	y=correlations,
	title='همبستگی عوامل مختلف با نرخ رشد',
	labels={'x': 'عامل', 'y': 'ضریب همبستگی'},
	color=correlations,
	color_continuous_scale='Viridis'
	)
	fig.update_layout(font=dict(family="Vazirmatn"))
	st.plotly_chart(fig, use_container_width=True)

	elif report_type == "گزارش رطوبت":
	st.markdown("### گزارش رطوبت مزارع")

	col1, col2, col3 = st.columns(3)

	with col1:
	st.metric("میانگین رطوبت", f"{np.random.uniform(60, 70):.1f}%")

	with col2:
	st.metric("حداکثر رطوبت", f"{np.random.uniform(80, 90):.1f}%")

	with col3:
	st.metric("حداقل رطوبت", f"{np.random.uniform(40, 50):.1f}%")

	dates = pd.date_range(start=start_date, end=end_date)
	moisture_levels = [np.random.uniform(50, 80) for _ in range(len(dates))]
	fig = px.line(
	x=dates,
	y=moisture_levels,
	title='روند رطوبت مزارع',
	labels={'x': 'تاریخ', 'y': 'رطوبت (%)'}
	)
	fig.update_layout(font=dict(family="Vazirmatn"))
	st.plotly_chart(fig, use_container_width=True)

	fig = px.histogram(
	x=moisture_levels,
	nbins=30,
	title='توزیع رطوبت مزارع',
	labels={'x': 'رطوبت (%)', 'y': 'فراوانی'},
	color_discrete_sequence=['#1a8754']
	)
	fig.update_layout(font=dict(family="Vazirmatn"))
	st.plotly_chart(fig, use_container_width=True)

	growth_levels = [h + np.random.normal(0, 10) for h in moisture_levels]
	fig = px.scatter(
	x=moisture_levels,
	y=growth_levels,
	title='رابطه بین رطوبت و رشد',
	labels={'x': 'رطوبت (%)', 'y': 'رشد (سانتی‌متر)'},
	trendline='ols'
	)
	fig.update_layout(font=dict(family="Vazirmatn"))
	st.plotly_chart(fig, use_container_width=True)

	st.markdown("### توصیه‌های مدیریت رطوبت")
	recommendations = [
	"افزایش دفعات آبیاری در مزارع با رطوبت پایین",
	"بهبود سیستم زهکشی در مزارع با رطوبت بالا",
	"استفاده از مالچ برای حفظ رطوبت خاک",
	"تنظیم زمان آبیاری بر اساس شرایط آب و هوایی",
	"پایش مداوم رطوبت خاک با استفاده از سنسورها"
	]
	for rec in recommendations:
	st.markdown(f"- {rec}")

	elif report_type == "گزارش مقایسه‌ای واریته‌ها":
	st.markdown("### گزارش مقایسه‌ای واریته‌های نیشکر")

	varieties = ['CP57-614', 'CP69-1062', 'CP73-21', 'SP70-1143', 'IRC99-02']
	heights = [np.random.uniform(180, 220) for _ in varieties]
	sugar_contents = [np.random.uniform(12, 16) for _ in varieties]
	growth_rates = [np.random.uniform(10, 15) for _ in varieties]

	fig = go.Figure(data=[
	go.Bar(name='ارتفاع (cm)', x=varieties, y=heights),
	go.Bar(name='محتوای قند (%)', x=varieties, y=sugar_contents),
	go.Bar(name='رشد (cm/هفته)', x=varieties, y=growth_rates)
	])
	fig.update_layout(
	title='مقایسه واریته‌های نیشکر',
	xaxis_title='واریته',
	yaxis_title='مقدار',
	barmode='group',
	font=dict(family="Vazirmatn")
	)
	st.plotly_chart(fig, use_container_width=True)

	variety_data = pd.DataFrame({
	'واریته': varieties,
	'ارتفاع (cm)': [round(h, 1) for h in heights],
	'محتوای قند (%)': [round(s, 1) for s in sugar_contents],
	'رشد(cm/هفته)': [round(g, 1) for g in growth_rates],
	'مقاومت به آفات': [np.random.choice(['کم', 'متوسط', 'زیاد']) for _ in varieties],
	'نیاز آبی': [np.random.choice(['کم', 'متوسط', 'زیاد']) for _ in varieties]
	})
	st.dataframe(variety_data, use_container_width=True, hide_index=True)

	categories = ['ارتفاع', 'محتوای قند', 'رشد', 'مقاومت به آفات', 'بهره‌وری آب']
	fig = go.Figure()
	for variety in varieties:
	values = [
	heights[varieties.index(variety)] / max(heights) * 100,
	sugar_contents[varieties.index(variety)] / max(sugar_contents) * 100,
	growth_rates[varieties.index(variety)] / max(growth_rates) * 100,
	np.random.uniform(60, 100),
	np.random.uniform(60, 100)
	]
	fig.add_trace(go.Scatterpolar(
	r=values,
	theta=categories,
	fill='toself',
	name=variety
	))
	fig.update_layout(
	polar=dict(
	radialaxis=dict(
	visible=True,
	range=[0, 100]
	)
	),
	title='مقایسه واریته‌ها',
	font=dict(family="Vazirmatn"),
	showlegend=True
	)
	st.plotly_chart(fig, use_container_width=True)

	st.markdown("### توصیه‌های کشت واریته‌ها")
	recommendations = [
	f"واریته {np.random.choice(varieties)} برای مناطق با آب و هوای گرم و مرطوب مناسب‌تر است.",
	f"برای افزایش عملکرد تولید شکر، کشت واریته {np.random.choice(varieties)} توصیه می‌شود.",
	f"در مناطق با محدودیت آب، استفاده از واریته {np.random.choice(varieties)} به دلیل نیاز آبی کمتر مناسب است.",
	f"برای مقاومت بهتر در برابر آفات، واریته {np.random.choice(varieties)} پیشنهاد می‌شود.",
	"تنوع در کشت واریته‌ها می‌تواند به کاهش ریسک‌های مرتبط با آفات و بیماری‌ها کمک کند."
	]
	for rec in recommendations:
	st.markdown(f"- {rec}")

	col1, col2 = st.columns(2)
	with col1:
	st.download_button(
	label="دانلود گزارش (PDF)",
	data=b"This is a mock PDF report",
	file_name="farm_report.pdf",
	mime="application/pdf",
	)
	with col2:
	st.download_button(
	label="دانلود داده‌ها (Excel)",
	data=b"This is a mock Excel file",
	file_name="farm_data.xlsx",
	mime="application/vnd.openxmlformats-officedocument.spreadsheetml.sheet",
	)

	# Settings Page
	elif selected == "تنظیمات":
	st.markdown("## تنظیمات سیستم")

	tab1, tab2, tab3, tab4 = st.tabs(["تنظیمات کاربری", "تنظیمات سیستم", "مدیریت داده‌ها", "پشتیبان‌گیری"])

	with tab1:
	st.markdown("### تنظیمات کاربری")

	st.markdown("#### پروفایل کاربری")
	col1, col2 = st.columns(2)
	with col1:
	user_name = st.text_input("نام کاربری", value="کاربر نمونه")
	with col2:
	user_email = st.text_input("ایمیل", value="user@example.com")

	user_role = st.selectbox(
	"نقش کاربری",
	options=["مدیریت مطالعات", "پرسنل", "اپراتور"],
	index=1
	)

	st.markdown("#### تغییر رمز عبور")
	col1, col2 = st.columns(2)
	with col1:
	current_password = st.text_input("رمز عبور فعلی", type="password")
	with col2:
	new_password = st.text_input("رمز عبور جدید", type="password")

	confirm_password = st.text_input("تکرار رمز عبور جدید", type="password")

	if st.button("تغییر رمز عبور", type="primary"):
	st.success("رمز عبور با موفقیت تغییر کرد.")

	st.markdown("#### تنظیمات اعلان‌ها")
	email_notifications = st.checkbox("دریافت اعلان‌ها از طریق ایمیل", value=True)
	sms_notifications = st.checkbox("دریافت اعلان‌ها از طریق پیامک", value=False)
	notification_frequency = st.radio(
	"تناوب دریافت اعلان‌ها",
	options=["روزانه", "هفتگی", "ماهانه"],
	index=1
	)

	with tab2:
	st.markdown("### تنظیمات سیستم")

	system_language = st.selectbox(
	"زبان سیستم",
	options=["فارسی", "English", "العربية"],
	index=0
	)

	date_format = st.selectbox(
	"فرمت تاریخ",
	options=["YYYY/MM/DD", "DD/MM/YYYY", "MM/DD/YYYY"],
	index=0
	)

	st.markdown("#### تنظیمات ظاهری")
	theme = st.radio(
	"تم",
	options=["روشن", "تیره", "سیستم"],
	index=2
	)
	primary_color = st.color_picker("رنگ اصلی", value="#1a8754")

	st.markdown("#### تنظیمات نقشه")
	default_map_view = st.selectbox(
	"نمای پیش‌فرض نقشه",
	options=["نقشه", "ماهواره", "ترکیبی"],
	index=0
	)
	default_map_layer = st.selectbox(
	"لایه پیش‌فرض نقشه",
	options=["NDVI", "NDMI", "EVI", "NDWI", "SoilMoisture"],
	index=0
	)

	st.markdown("#### تنظیمات مدل هوش مصنوعی")
	ai_model = st.selectbox(
	"مدل هوش مصنوعی",
	options=["GPT-3", "GPT-4", "BERT"],
	index=1
	)
	model_update_frequency = st.selectbox(
	"تناوب به‌روزرسانی مدل",
	options=["روزانه", "هفتگی", "ماهانه"],
	index=1
	)

	if st.button("ذخیره تنظیمات", type="primary"):
	st.success("تنظیمات با موفقیت ذخیره شدند.")

	with tab3:
	st.markdown("### مدیریت داده‌ها")

	st.markdown("#### ورود داده")
	uploaded_file = st.file_uploader("آپلود فایل داده", type=["csv", "xlsx"])
	if uploaded_file is not None:
	st.success(f"فایل {uploaded_file.name} با موفقیت آپلود شد.")
	if st.button("وارد کردن داده‌ها"):
	st.info("در حال پردازش و وارد کردن داده‌ها...")
	time.sleep(2)
	st.success("داده‌ها با موفقیت وارد شدند.")

	st.markdown("#### خروجی داده")
	export_format = st.selectbox(
	"فرمت خروجی",
	options=["CSV", "Excel", "JSON"],
	index=1
	)
	if st.button("دریافت خروجی"):
	st.info("در حال آماده‌سازی فایل خروجی...")
	time.sleep(2)
	st.success("فایل خروجی آماده دانلود است.")
	st.download_button(
	label="دانلود فایل خروجی",
	data=b"This is a mock export file",
	file_name=f"farm_data_export.{export_format.lower()}",
	mime="application/octet-stream",
	)

	st.markdown("#### پاکسازی داده‌ها")
	cleanup_options = st.multiselect(
	"گزینه‌های پاکسازی",
	options=["حذف داده‌های تکراری", "حذف داده‌های ناقص", "نرمال‌سازی داده‌ها"],
	default=["حذف داده‌های تکراری"]
	)
	if st.button("اجرای پاکسازی"):
	st.info("در حال اجرای عملیات پاکسازی...")
	time.sleep(2)
	st.success("عملیات پاکسازی با موفقیت انجام شد.")

	st.markdown("#### تنظیمات نمایش داده")
	chart_theme = st.selectbox(
	"تم نمودارها",
	options=["پیش‌فرض", "روشن", "تیره", "رنگی"],
	index=0
	)
	show_data_labels = st.checkbox("نمایش برچسب‌های داده", value=True)
	if st.button("اعمال تنظیمات نمایش"):
	st.success("تنظیمات نمایش داده با موفقیت اعمال شدند.")

	with tab4:
	st.markdown("### پشتیبان‌گیری و بازیابی")

	st.markdown("#### ایجاد نسخه پشتیبان")
	backup_type = st.radio(
	"نوع پشتیبان‌گیری",
	options=["پشتیبان کامل", "پشتیبان افزایشی"],
	index=0
	)
	include_images = st.checkbox("شامل تصاویر", value=True)
	include_user_data = st.checkbox("شامل داده‌های کاربران", value=True)
	if st.button("ایجاد نسخه پشتیبان", type="primary"):
	st.info("در حال ایجاد نسخه پشتیبان...")
	progress_bar = st.progress(0)
	for i in range(100):
	time.sleep(0.05)
	progress_bar.progress(i + 1)
	st.success("نسخه پشتیبان با موفقیت ایجاد شد.")

	st.markdown("#### بازیابی از نسخه پشتیبان")
	backup_file = st.file_uploader("آپلود فایل پشتیبان", type=["zip", "bak"])
	if backup_file is not None:
	st.warning("هشدار: بازیابی از نسخه پشتیبان ممکن است داده‌های فعلی را بازنویسی کند.")
	if st.button("شروع بازیابی"):
	st.info("در حال بازیابی از نسخه پشتیبان...")
	progress_bar = st.progress(0)
	for i in range(100):
	time.sleep(0.05)
	progress_bar.progress(i + 1)
	st.success("بازیابی از نسخه پشتیبان با موفقیت انجام شد.")

	st.markdown("#### تنظیمات پشتیبان‌گیری خودکار")
	auto_backup = st.checkbox("فعال‌سازی پشتیبان‌گیری خودکار", value=True)
	if auto_backup:
	backup_frequency = st.selectbox(
	"تناوب پشتیبان‌گیری",
	options=["روزانه", "هفتگی", "ماهانه"],
	index=1
	)
	backup_time = st.time_input("زمان پشتیبان‌گیری", value=datetime.now().replace(hour=1, minute=0, second=0, microsecond=0))
	retain_backups = st.number_input("تعداد نسخه‌های پشتیبان برای نگهداری", min_value=1, value=7)

	if st.button("ذخیره تنظیمات پشتیبان‌گیری"):
	st.success("تنظیمات پشتیبان‌گیری با موفقیت ذخیره شدند.")

	# Add a footer
	st.markdown("""
	<footer style="position: fixed; left: 0; bottom: 0; width: 100%; background-color: #1a8754; color: white; text-align: center; padding: 10px 0;">
	<p>© سامانه هوشمند پایش مزارع نیشکر کشت و صنعت دهخدا \| طراحی شده توسط تیم مطالعات کاربردی توسعه</p>
	</footer>
	""", unsafe_allow_html=True)