Spaces:
Sleeping
Sleeping
File size: 7,271 Bytes
c018f5d | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 | # main.py
from fastapi import FastAPI, HTTPException
from pydantic import BaseModel
import pandas as pd
import numpy as np
import joblib, json, os
from math import radians, cos, sin, asin, sqrt
# =========================
# تحميل الموديل والـ artifacts
# =========================
MODEL_DIR = os.path.join(os.path.dirname(__file__), "..", "models")
MODEL_PATH = os.path.join(MODEL_DIR, "model.pkl")
PREPROCESSOR_PATH = os.path.join(MODEL_DIR, "preprocessor.pkl")
FEATURES_PATH = os.path.join(MODEL_DIR, "feature_names.json")
model = joblib.load(MODEL_PATH)
preprocessor = joblib.load(PREPROCESSOR_PATH)
with open(FEATURES_PATH) as f:
feature_names = json.load(f)
# =========================
# تحميل البيانات من CSV
# =========================
DATA_PATH = os.path.join(os.path.dirname(__file__), "..", "data", "features_data.csv")
features_df = pd.read_csv(DATA_PATH)
# =========================
# Feature Engineering
# =========================
def get_season(month: int) -> str:
if month in [12, 1, 2]:
return "Winter"
elif month in [3, 4, 5]:
return "Spring"
elif month in [6, 7, 8]:
return "Summer"
return "Autumn"
def feature_engineering(df: pd.DataFrame) -> pd.DataFrame:
df = df.copy()
df["season"] = df["month"].apply(get_season)
soil_total = df[["sand", "silt", "clay"]].sum(axis=1).replace(0, np.nan)
df["sand_ratio"] = (df["sand"] / soil_total).fillna(0.0)
df["silt_ratio"] = (df["silt"] / soil_total).fillna(0.0)
df["clay_ratio"] = (df["clay"] / soil_total).fillna(0.0)
df["soc_cec"] = df["soc"] * df["cec"]
return df
# =========================
# Input Schema
# =========================
class MapClick(BaseModel):
lat: float
lon: float
# =========================
# Helpers
# =========================
def haversine(lat1, lon1, lat2, lon2):
"""حساب المسافة بين نقطتين (كم)"""
R = 6371.0
dlat = radians(lat2 - lat1)
dlon = radians(lon2 - lon1)
a = sin(dlat/2)**2 + cos(radians(lat1)) * cos(radians(lat2)) * sin(dlon/2)**2
c = 2 * asin(sqrt(a))
return R * c
def fetch_nearest_features(lat: float, lon: float, max_km=15):
"""إرجاع أقرب نقطة من CSV"""
best = None
best_dist = 1e9
for _, row in features_df.iterrows():
d = haversine(lat, lon, row["latitude"], row["longitude"])
if d < best_dist:
best_dist = d
best = row.to_dict()
best["distance_km"] = d
if best and best_dist <= max_km:
return best
return None
def classify_desertification(ndvi: float) -> str:
if ndvi < 0.2:
return "شديد"
elif ndvi < 0.5:
return "متوسط"
return "منخفض"
# =========================
# توصيات ديناميكية
# =========================
def recommend_actions(severity: str, row: dict) -> list:
recs = []
if severity == "شديد":
recs.extend([
"التشجير وزراعة أحزمة خضراء",
"استخدام تقنيات حصاد المياه",
"منع الرعي الجائر وتنظيمه",
"تطبيق أنظمة ري حديثة (تنقيط/رش)"
])
elif severity == "متوسط":
recs.extend([
"إدارة التربة وتحسين خصوبتها (إضافة مواد عضوية)",
"تنويع المحاصيل واستخدام محاصيل تغطية",
"تحسين ممارسات الري",
"الحد من إزالة الغطاء النباتي"
])
else: # منخفض
recs.extend([
"المحافظة على الغطاء النباتي الحالي",
"المتابعة والرصد الدوري للتغيرات",
"التوسع في الزراعة المستدامة",
"التوعية المجتمعية لمنع الممارسات الضارة"
])
# توصيات إضافية مبنية على الـ features
rainfall = row.get("tp_m", 0)
temp = row.get("t2m_c", 0)
sand_ratio = row.get("sand_ratio", 0)
clay_ratio = row.get("clay_ratio", 0)
soc_cec = row.get("soc_cec", 0)
if rainfall > 200 and sand_ratio > 0.6 and severity == "منخفض":
recs.append("تشجيع الزراعات الاقتصادية سريعة النمو لاستغلال الموارد المائية")
if rainfall < 50 and clay_ratio > 0.4 and severity != "منخفض":
recs.append("إنشاء سدود صغيرة أو خزانات لتخزين مياه الأمطار")
if temp > 35 and severity == "شديد":
recs.append("زراعة محاصيل مقاومة للجفاف والحرارة (مثل الشعير والدخن)")
if sand_ratio > 0.7:
recs.append("إضافة مواد عضوية أو طينية للتربة الرملية لزيادة قدرتها على الاحتفاظ بالماء")
if clay_ratio > 0.5:
recs.append("تجهيز أنظمة صرف زراعي لمنع تملح التربة الثقيلة")
if soc_cec < 0.2 and severity != "منخفض":
recs.append("إضافة محسنات للتربة (كمبوست/سماد عضوي) لرفع خصوبة التربة")
return recs
# =========================
# FastAPI app
# =========================
app = FastAPI(title="Desertification Prediction API")
# ----- Root route -----
@app.get("/")
def root():
return {"message": "Welcome to the Desertification Prediction API. Use /predict-by-location to get predictions."}
# ----- Prediction route -----
@app.post("/predict-by-location")
def predict_by_location(click: MapClick):
try:
# 1. دور على أقرب نقطة من CSV
row = fetch_nearest_features(click.lat, click.lon, max_km=15)
if not row:
raise HTTPException(status_code=404, detail="لا توجد بيانات قريبة لهذه الإحداثيات")
# 2. حوّل النقطة DataFrame
df = pd.DataFrame([row])
# 3. Feature engineering
df = feature_engineering(df)
# 4. تأكد إن الأعمدة مرتبة حسب feature_names
df = df[feature_names]
# 5. Prediction
X_trans = preprocessor.transform(df)
ndvi_pred = float(model.predict(X_trans)[0])
# 6. تقييم التصحر + توصيات
severity = classify_desertification(ndvi_pred)
recs = recommend_actions(severity, df.iloc[0].to_dict())
return {
"clicked_point": {"lat": click.lat, "lon": click.lon},
"nearest_data_point": {
"lat": row["latitude"],
"lon": row["longitude"],
"distance_km": round(row["distance_km"], 2)
},
"predicted_ndvi": round(ndvi_pred, 3),
"desertification_level": severity,
"recommendations": recs
}
except Exception as e:
raise HTTPException(status_code=500, detail=str(e))
|