radwaamr1's picture
Upload main.py
c018f5d verified
Raw History Blame Contribute Delete
7.27 kB
# 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))