Enhance timestamp handling in report generation by adding support for flexible date formats and local time conversion based on configuration. Refactor storm cell visualization functions to improve clarity and accuracy in displaying storm data. Update report strings for better user understanding and localization.

src/reporting/docx.py

@@ -30,6 +30,7 @@ from src.reporting.docx_sections import (
 	build_turbine_information_table_data,
 )
 from src.utils import (
+	filter_lightning_data_by_date_range,
 	format_datetime_ddmmyyyy_hhmm,
 	format_datetime_to_local_display,
 	get_utc_offset_label,
@@ -169,6 +170,11 @@ def _add_bullets(doc: Document, items: Iterable[str], size_pt: int = 10) -> None
 		r.font.size = Pt(size_pt)
 
 
+def _storm_severity_label(severity: str, s) -> str:
+	key = str(severity).strip().lower()
+	return s.storm_severity_names.get(key, str(severity).strip().title() or s.unknown)
+
+
 def _build_key_findings(
 	lightning_df: pd.DataFrame,
 	turbine_df: pd.DataFrame,
@@ -248,7 +254,7 @@ def _build_key_findings(
 	if nearest_km is not None and nearest_turbine is not None:
 		bullets.append(s.kf_nearest_strike.format(distance=nearest_km, name=nearest_turbine))
 	if turbine_count > 0:
-		bullets.append(s.kf_high_risk_turbines.format(count=high_plus_count, total=turbine_count))
+		bullets.append(s.kf_high_risk_turbines.format(count=high_plus_count))
 	if active_days > 1:
 		bullets.append(s.kf_active_days.format(days=active_days))
 	if storm_cell_count > 0 and storm_closest_to_centroid_km is not None:
@@ -612,6 +618,9 @@ def create_docx_report(
 		storm_data = filter_storm_data_by_date_range(storm_data, start_date, end_date)
 		storm_data = filter_storm_data_by_turbine_proximity(storm_data, turbine_df)
 
+	if start_date or end_date:
+		lightning_df = filter_lightning_data_by_date_range(lightning_df, start_date, end_date)
+
 	turbine_df = calculate_turbine_risks(turbine_df, lightning_df)
 	stats = calculate_lightning_statistics(lightning_df, centroid_lat, centroid_lng, start_date, end_date)
 	histogram_figs = create_lightning_histogram_pages(lightning_df, centroid_lat, centroid_lng)
@@ -977,6 +986,15 @@ def create_docx_report(
 		_add_paragraph(doc, s.storm_cells_overview, size_pt=11, bold=True)
 		_add_paragraph(doc, s.storm_cells_overview_1, size_pt=10)
 		_add_paragraph(doc, s.storm_cells_overview_2, size_pt=10)
+		_add_bullets(
+			doc,
+			[
+				s.storm_cells_severity_legend_low,
+				s.storm_cells_severity_legend_medium,
+				s.storm_cells_severity_legend_high,
+			],
+			size_pt=10,
+		)
 
 		summary = create_storm_cells_summary(storm_data)
 		_add_paragraph(doc, s.storm_cells_summary, size_pt=11, bold=True)
@@ -986,21 +1004,16 @@ def create_docx_report(
 		_add_paragraph(doc, s.severity_breakdown, size_pt=10, bold=True)
 		_add_bullets(
 			doc,
-			[s.severity_cells.format(severity=severity, count=count) for severity, count in severity_counts.items()],
+			[
+				s.severity_cells.format(
+					severity=_storm_severity_label(severity, s),
+					count=count,
+				)
+				for severity, count in severity_counts.items()
+			],
 			size_pt=10,
 		)
 
-		daily_breakdown: dict[str, int] = summary.get("daily_breakdown", {}) or {}
-		_add_paragraph(doc, s.daily_storm_breakdown, size_pt=10, bold=True)
-		sorted_days = sorted(daily_breakdown.keys())
-		daily_items: list[str] = []
-		for day in sorted_days[:10]:
-			daily_items.append(s.daily_storm_item.format(day=day, count=daily_breakdown.get(day, 0)))
-		if len(sorted_days) > 10:
-			daily_items.append(s.more_days.format(n=len(sorted_days) - 10))
-		if daily_items:
-			_add_bullets(doc, daily_items, size_pt=10)
-
 		_add_paragraph(doc, s.complete_storm_list, size_pt=10, bold=True)
 
 		def _storm_effective_time(storm: dict[str, Any]) -> datetime:
@@ -1027,15 +1040,16 @@ def create_docx_report(
 			effective_formatted = format_datetime_to_local_display(effective_raw, report_tz)
 			expire_formatted = format_datetime_to_local_display(expire_raw, report_tz)
 
+			raw_severity = storm.get("lightning_severity", s.unknown)
 			table_data.append(
 				[
 					str(i),
-					str(storm.get("lightning_severity", s.unknown)),
+					_storm_severity_label(str(raw_severity), s),
 					effective_formatted,
 					expire_formatted,
 				]
 			)
-			severity = str(storm.get("lightning_severity", s.unknown) or s.unknown).strip().lower()
+			severity = str(raw_severity or s.unknown).strip().lower()
 			if severity == "high":
 				row_colors.append("purple")
 			elif severity == "medium":

src/reporting/docx_sections.py

@@ -11,36 +11,69 @@ from src.reporting.precompute import precompute_distances_and_rings
 from src.reporting.strings import ReportLanguage, get_report_language, get_strings
 
 
-def _parse_chart_times(values: pd.Series) -> pd.Series:
+def _parse_epoch_to_farm_local(numeric: pd.Series, tz_name: str | None) -> pd.Series:
-	def _to_local_naive(ts: pd.Series) -> pd.Series:
-		if config.timezone:
-			try:
-				ts = ts.dt.tz_convert(config.timezone)
-			except Exception:
-				pass
-		try:
-			return ts.dt.tz_localize(None)
-		except Exception:
-			return ts
-
-	numeric = pd.to_numeric(values, errors="coerce")
 	numeric_valid = numeric.dropna()
+	if len(numeric_valid) == 0:
+		return pd.to_datetime(numeric, errors="coerce")
 
-	if len(numeric_valid) > 0 and len(numeric_valid) >= max(1, int(len(values) * 0.7)):
+	abs_max = float(numeric_valid.abs().max())
-		abs_max = float(numeric_valid.abs().max())
+	if abs_max >= 1e17:
-		if abs_max >= 1e17:
+		unit = "ns"
-			unit = "ns"
+	elif abs_max >= 1e14:
-		elif abs_max >= 1e14:
+		unit = "us"
-			unit = "us"
+	elif abs_max >= 1e11:
-		elif abs_max >= 1e11:
+		unit = "ms"
-			unit = "ms"
+	else:
+		unit = "s"
+	parsed = pd.to_datetime(numeric, errors="coerce", unit=unit, utc=True)
+	if getattr(parsed.dt, "tz", None) is not None and tz_name:
+		parsed = parsed.dt.tz_convert(tz_name)
+	return parsed.dt.tz_localize(None) if getattr(parsed.dt, "tz", None) is not None else parsed
+
+
+def _farm_local_naive_times(values: pd.Series) -> pd.Series:
+	"""Normalize strike timestamps to naive farm-local wall clock."""
+	tz_name = config.timezone
+
+	if pd.api.types.is_datetime64_any_dtype(values):
+		parsed = pd.to_datetime(values, errors="coerce")
+	elif pd.api.types.is_numeric_dtype(values):
+		parsed = _parse_epoch_to_farm_local(values, tz_name)
+	else:
+		numeric = pd.to_numeric(values, errors="coerce")
+		numeric_valid = numeric.dropna()
+		if len(numeric_valid) > 0 and len(numeric_valid) >= max(1, int(len(values) * 0.7)):
+			parsed = _parse_epoch_to_farm_local(numeric, tz_name)
 		else:
-			unit = "s"
+			parsed = pd.to_datetime(values, errors="coerce")
-		parsed = pd.to_datetime(numeric, errors="coerce", unit=unit, utc=True)
-		return _to_local_naive(parsed)
 
-	parsed = pd.to_datetime(values, errors="coerce", utc=True)
+	if getattr(parsed.dt, "tz", None) is None:
-	return _to_local_naive(parsed)
+		return parsed
+	if tz_name:
+		parsed = parsed.dt.tz_convert(tz_name)
+	return parsed.dt.tz_localize(None)
+
+
+def _chart_xaxis_range(time_values: np.ndarray) -> tuple[pd.Timestamp, pd.Timestamp]:
+	start_label = getattr(config, "analysis_start_date", None)
+	end_label = getattr(config, "analysis_end_date", None)
+	if start_label and end_label:
+		try:
+			return (
+				pd.to_datetime(str(start_label).strip(), format="%d-%m-%Y %H:%M"),
+				pd.to_datetime(str(end_label).strip(), format="%d-%m-%Y %H:%M"),
+			)
+		except ValueError:
+			pass
+
+	times = pd.to_datetime(time_values)
+	x_min = pd.Timestamp(times.min())
+	x_max = pd.Timestamp(times.max())
+	span = x_max - x_min
+	padding = max(pd.Timedelta(minutes=1), span * 0.1)
+	if span == pd.Timedelta(0):
+		padding = pd.Timedelta(minutes=2)
+	return x_min - padding, x_max + padding
 
 
 def _build_current_vs_distance_chart(
@@ -67,17 +100,17 @@ def _build_current_vs_distance_chart(
 	distances = dists_km[combined_mask]
 	currents = subset["current"].values.astype(float)
 
-	time_series = _parse_chart_times(subset["local_time"])
+	display_times = _farm_local_naive_times(subset["local_time"])
-	valid_mask = ~time_series.isna()
+	valid_mask = ~display_times.isna()
 	if valid_mask.sum() == 0:
 		return None
 
-	time_series = time_series.loc[valid_mask]
+	display_times = display_times.loc[valid_mask]
 	distances = distances[valid_mask.values]
 	currents = currents[valid_mask.values]
 
-	sort_idx = np.argsort(time_series.values.astype("datetime64[ns]"))
+	sort_idx = np.argsort(display_times.values.astype("datetime64[ns]"))
-	time_values = time_series.values[sort_idx]
+	time_values = display_times.values[sort_idx]
 	distances = distances[sort_idx]
 	currents = currents[sort_idx]
 
@@ -124,6 +157,14 @@ def _build_current_vs_distance_chart(
 		)
 
 	timezone_label = config.timezone or "UTC"
+	x_min, x_max = _chart_xaxis_range(time_values)
+	span_minutes = max(1.0, (x_max - x_min).total_seconds() / 60.0)
+	if span_minutes <= 15:
+		dtick = 60 * 1000
+	elif span_minutes <= 60:
+		dtick = 5 * 60 * 1000
+	else:
+		dtick = 10 * 60 * 1000
 
 	fig.update_layout(
 		font=dict(size=16),
@@ -137,8 +178,9 @@ def _build_current_vs_distance_chart(
 			showgrid=True,
 			gridcolor="lightgray",
 			zeroline=False,
+			range=[x_min, x_max],
 			tickformat="%d-%m-%Y %H:%M",
-			nticks=6,
+			dtick=dtick,
 			tickangle=-25,
 			tickfont=dict(size=22),
 			title_font=dict(size=28),
@@ -167,7 +209,6 @@ def _build_current_vs_distance_chart(
 		height=fig_height,
 		margin=dict(l=70, r=40, t=50, b=130),
 	)
-
 	return fig
 
 

src/reporting/gemini_commentary.py

@@ -149,7 +149,8 @@ def build_gemini_prompt(context: dict[str, Any], language: ReportLanguage | None
 			+ (f"\n- storm_summary:\n{chr(10).join(storm_lines)}" if storm_lines else "\n- storm_summary: not available")
 			+ "\n\n"
 			"Paragraf gereksinimleri:\n"
-			"- İlk cümlede analiz dönemini, toplam olay sayısını, analiz yarıçapını ve yıldırım yoğunluğunu (olay/km²) belirt.\n"
+			"- İlk cümlede analiz dönemini \"{başlangıç} - {bitiş} arasında\" biçiminde ver; \"döneminde\" kullanma.\n"
+			"- İlk cümlede toplam olay sayısını (\"toplam X olay\"), yarıçapı (\"X km yarıçaplı alanda\") ve yıldırım-şimşek yoğunluğunu (olay/km²) tek cümlede birleştir; \"yıldırım olayı\" veya \"analiz alanında\" deme.\n"
 			"- Mesafe halkası dağılımından bir önemli çıkarım ekle; olayların hangi halkada yoğunlaştığını açıkça söyle.\n"
 			"- is_single_turbine_report true ise: \"{top_turbine_name} türbini için log-risk skoru ... sınıfındadır\" gibi doğal bir ifade kullan.\n"
 			"- is_single_turbine_report false ise: analiz alanında en yüksek riskli türbini ve risk sınıfını belirt.\n"
@@ -161,8 +162,8 @@ def build_gemini_prompt(context: dict[str, Any], language: ReportLanguage | None
 			"- Ton analitik, net ve alarmist olmayan olsun.\n"
 			"\n"
 			"Örnek üslup (yalnızca stil rehberi; sayıları kopyalama):\n"
-			"\"03-05-2026 10:43–03-05-2026 10:43 döneminde 9,0 km yarıçaplı analiz alanında toplam 2 yıldırım olayı kaydedilmiştir. "
+			"\"03-05-2026 10:43–03-05-2026 10:43 arasında 9,0 km yarıçaplı alanda toplam 2 olay kaydedilmiştir ve yıldırım-şimşek yoğunluğu 0,008 olay/km² olarak hesaplanmıştır. "
-			"Yıldırım yoğunluğu 0,008 olay/km² olarak hesaplanmıştır. Yıldırım olayları 1,0–3,0 km halkasında (2 yıldırım, 0 şimşek) yoğunlaşmıştır. "
+			"Yıldırım olayları 1,0–3,0 km halkasında (2 yıldırım, 0 şimşek) yoğunlaşmıştır. "
 			"T5 türbini için log-risk skoru Düşük Risk sınıfındadır. Bu raporda fırtına hücresi verisi bulunmamaktadır.\"\n"
 			"\n"
 			"Çıktı:\n"
@@ -276,15 +277,15 @@ def fallback_commentary(context: dict[str, Any], language: ReportLanguage | None
 
 	if s.gemini_write_turkish:
 		radius_txt = (
-			f"{analysis_radius_km:.1f} km yarıçaplı analiz alanında"
+			f"{analysis_radius_km:.1f} km yarıçaplı alanda"
 			if isinstance(analysis_radius_km, (int, float))
-			else "analiz alanında"
+			else "alanda"
 		)
-		events_txt = f"toplam {total_events} yıldırım olayı" if total_events is not None else "yıldırım olayı"
+		events_txt = f"toplam {total_events} olay" if total_events is not None else "olay"
 		ring_sentence = _build_ring_distribution_sentence_tr(best_ring, outermost_ring, s)
 		paragraph_intro = (
-			f"{analysis_period} döneminde {radius_txt} {events_txt} tespit edilmiştir. "
+			f"{analysis_period} arasında {radius_txt} {events_txt} kaydedilmiştir ve "
-			f"Yıldırım yoğunluğu {density_txt} olarak hesaplanmıştır. "
+			f"yıldırım-şimşek yoğunluğu {density_txt} olarak hesaplanmıştır. "
 			f"{ring_sentence} "
 		)
 		turbine_sentence = (

src/reporting/strings.py

@@ -82,6 +82,9 @@ class ReportStrings:
     storm_cells_overview: str
     storm_cells_overview_1: str
     storm_cells_overview_2: str
+    storm_cells_severity_legend_low: str
+    storm_cells_severity_legend_medium: str
+    storm_cells_severity_legend_high: str
     storm_cells_summary: str
     total_storm_cells: str
     severity_breakdown: str
@@ -250,7 +253,7 @@ _STRINGS_EN = ReportStrings(
     kf_peak_activity="Peak activity: {when} ({count} events in one minute)",
     kf_strongest_strike="Strongest cloud-to-ground strike: {ka:.1f} kA",
     kf_nearest_strike="Nearest cloud-to-ground strike to a turbine: {distance:.1f} km ({name})",
-    kf_high_risk_turbines="Turbines at High risk or above: {count} of {total}",
+    kf_high_risk_turbines="High-risk turbines: {count}",
     kf_active_days="Days with recorded activity: {days}",
     kf_storm_distance="Storm cells detected: {count} (closest {distance:.1f} km from the centroid)",
     recommendation_heading="Recommendation",
@@ -287,8 +290,11 @@ _STRINGS_EN = ReportStrings(
     frequent_lightning_periods="Frequent Lightning Activity Periods",
     storm_cells_analysis_summary="Storm Cells Analysis Summary",
     storm_cells_overview="Storm Cells Overview:",
-    storm_cells_overview_1="The following pages show storm cell boundaries organized by day during the analysis period.",
+    storm_cells_overview_1="The following pages show storm cell boundaries observed within the analyzed area.",
-    storm_cells_overview_2="Each cell represents a storm system with defined boundaries and storm severity levels.",
+    storm_cells_overview_2="Each polygon shows the area affected by a storm system. Polygons in different colors represent storm severity.",
+    storm_cells_severity_legend_low="Green polygon: low severity",
+    storm_cells_severity_legend_medium="Orange polygon: medium severity",
+    storm_cells_severity_legend_high="Purple polygon: high severity",
     storm_cells_summary="Storm Cells Summary:",
     total_storm_cells="Total storm cells: {count}",
     severity_breakdown="Severity breakdown:",
@@ -446,7 +452,7 @@ _STRINGS_EN = ReportStrings(
 )
 
 _STRINGS_TR = ReportStrings(
-    cover_title="Yıldırım Aktivite Raporu",
+    cover_title="Yıldırım-Şimşek Aktivite Raporu",
     analyzed_period="Analiz Dönemi:",
     analyzed_period_local="Analiz Dönemi (yerel saat):",
     centroid_coordinates="Merkez Koordinatları:",
@@ -466,7 +472,7 @@ _STRINGS_TR = ReportStrings(
     kf_peak_activity="En yoğun an: {when} (bir dakikada {count} olay)",
     kf_strongest_strike="En güçlü yıldırım darbesi: {ka:.1f} kA",
     kf_nearest_strike="Bir türbine en yakın yıldırım: {distance:.1f} km ({name})",
-    kf_high_risk_turbines="Yüksek ve üzeri riskli türbin: {total} türbinden {count} adet",
+    kf_high_risk_turbines="Yüksek riskli türbin: {count} adet",
     kf_active_days="Aktivite görülen gün sayısı: {days}",
     kf_storm_distance="Tespit edilen fırtına hücresi: {count} (merkeze en yakın {distance:.1f} km)",
     recommendation_heading="Öneri",
@@ -503,8 +509,11 @@ _STRINGS_TR = ReportStrings(
     frequent_lightning_periods="Sık Yıldırım Aktivite Dönemleri",
     storm_cells_analysis_summary="Fırtına Hücreleri Analiz Özeti",
     storm_cells_overview="Fırtına Hücreleri Genel Bakış:",
-    storm_cells_overview_1="Aşağıdaki sayfalar, analiz dönemi boyunca günlere göre düzenlenmiş fırtına hücresi sınırlarını gösterir.",
+    storm_cells_overview_1="Aşağıdaki sayfalar analiz edilen bölgede gözlemlenen fırtına hücresi sınırlarını gösterir.",
-    storm_cells_overview_2="Her hücre, tanımlı sınırları ve fırtına şiddet seviyeleri olan bir fırtına sistemini temsil eder.",
+    storm_cells_overview_2="Her poligon bir fırtına sisteminin etki ettiği alanı gösterir. Farklı renkte poligonlar ise fırtınanın şiddetini temsil eder.",
+    storm_cells_severity_legend_low="Yeşil poligon: düşük şiddet",
+    storm_cells_severity_legend_medium="Turuncu poligon: orta şiddet",
+    storm_cells_severity_legend_high="Mor poligon: yüksek şiddet",
     storm_cells_summary="Fırtına Hücreleri Özeti:",
     total_storm_cells="Toplam fırtına hücresi: {count}",
     severity_breakdown="Şiddet dağılımı:",
@@ -516,7 +525,7 @@ _STRINGS_TR = ReportStrings(
     more_days="... ve {n} gün daha",
     complete_storm_list="Tam Fırtına Hücreleri Listesi:",
     storm_cells="Fırtına Hücreleri",
-    storm_cells_daily_viz="Günlük fırtına hücreleri görselleştirmesi.",
+    storm_cells_daily_viz="Fırtına hücrelerinin dağılımı",
     detailed_lightning_data="Ayrıntılı Yıldırım Olay Verileri",
     appendix="Ek",
     risk_calc_method="1. Risk Hesaplama Yöntemi",
@@ -524,13 +533,13 @@ _STRINGS_TR = ReportStrings(
     risk_exposure_1="Bir türbinin risk skoru, analiz dönemi boyunca buluttan yere düşen yıldırımlara ne ölçüde maruz kaldığını gösterir.",
     risk_exposure_2="Her yıldırım darbesi, türbine olan mesafesine ve akım büyüklüğüne bağlı olarak bir risk katkısı sağlar; bu katkıların tümü toplanarak skor elde edilir.",
     p0_desc="P0 (temel faktör): her darbenin katkısına uygulanan temel ölçek katsayısı",
-    current_weight_desc="current_weight: akım büyüklüğünün riski ne kadar artırdığını kontrol eder (büyük = |I| üzerinde daha fazla ağırlık)",
+    current_weight_desc="current_weight: akım büyüklüğünün riski ne kadar artırdığını kontrol eder.",
     distance_desc="Mesafe (d): türbin-darbe mesafesi (kilometre)",
     current_desc="Akım (|I|): mutlak akım büyüklüğü |I| (amper)",
-    alpha_desc="α (mesafe azalma faktörü): riskin mesafeyle nasıl azaldığını kontrol eder (küçük = daha yavaş azalma)",
+    alpha_desc="α (mesafe azalma faktörü): riskin mesafeyle nasıl azaldığını kontrol eder.",
     included_events="Dahil edilen olaylar: yalnızca buluttan yere düşen yıldırımlar (p_type = 0)",
     per_strike_contribution="Darbe başına katkı: |I| ile artar, mesafe ile üstel olarak azalır",
-    turbine_risk_sum="Türbin risk skoru: en dış mesafe halkası içindeki tüm yıldırım (buluttan yere) darbelerinin katkılarının toplamıdır",
+    turbine_risk_sum="Türbin risk skoru: en dış mesafe halkası içindeki tüm yıldırım darbelerinin katkılarının toplamıdır",
     log_transformed="Görselleştirme ve raporlama için log dönüşümlü skor kullanılır",
     risk_interpretation="2. Risk Skoru Yorumu",
     understanding_risk="Risk Skoru Değerlerini Anlama:",
@@ -558,9 +567,9 @@ _STRINGS_TR = ReportStrings(
     centroid_bullet_2="Mesafe halkaları çiftlik merkezinden çizilir; en iç halkalar en yüksek yakınlık riskini temsil eder",
     centroid_bullet_3="Her darbenin yakınlığı, çiftlik merkezinden Haversine formülü ile ölçülür",
     centroid_bullet_4="Analiz, en dış mesafe halkası ile sınırlıdır; bu halkanın dışında kalan darbeler tüm istatistik ve grafiklerin dışında bırakılır",
-    freq_lightning_algo="5. Sık Yıldırım Aktivite Dönemi Tespit Algoritması",
+    freq_lightning_algo="5. Sık Yıldırım-Şimşek Aktivite Dönemi Tespit Algoritması",
     how_period_timespans="Dönem Zaman Aralıkları Nasıl Belirlenir:",
-    gap_based_algo="Algoritma, yoğun yıldırım aktivitesi dönemlerini belirlemek için olaylar arasındaki zaman boşluklarına dayalı bir yaklaşım kullanır.",
+    gap_based_algo="Algoritma, yoğun yıldırım-şimşek aktivitesi dönemlerini belirlemek için olaylar arasındaki zaman boşluklarına dayalı bir yaklaşım kullanır.",
     step_by_step="Adım Adım Süreç:",
     algo_chronological="Kronolojik Sıralama: Tüm yıldırım olayları zaman damgasına (local_time) göre sıralanır",
     algo_gap="Boşluk Hesaplama: Ardışık yıldırım olayları arasındaki zaman farkları hesaplanır",
@@ -568,8 +577,8 @@ _STRINGS_TR = ReportStrings(
     algo_period_validation="Dönem Doğrulama: Yalnızca ≥{min_events} yıldırım olayı içeren dönemler anlamlı kabul edilir",
     algo_timespan="Zaman Aralığı Tanımı: Başlangıç, dönemdeki ilk olay; bitiş ise son olaydır. Süre, ilk olaydan son olaya kadar geçen gerçek zamandır",
     algo_peak="Tepe Alt-Dönem Tespiti: 3 dakikalık hareketli ortalama kullanılır; aktivite, ortalamanın 1 standart sapma üzerine çıktığında tepe dönem olarak kabul edilir ve histogramda sarı ile vurgulanır",
-    entln_title="6. EarthNetworks Toplam Yıldırım Ağı (ENTLN)",
+    entln_title="6. EarthNetworks Toplam Yıldırım-Şimşek Ağı (ENTLN)",
-    entln_block_1="Bu rapordaki yıldırım verileri doğrudan EarthNetworks Toplam Yıldırım Ağı'ndan (ENTLN) alınmıştır; hem bulut içi (şimşek) hem buluttan yere (yıldırım) darbeleri izler. ENTLN, küresel ölçekte konuşlandırılan ilk şimşek ve yıldırım tespit ağıdır. 1.500'den fazla sensör içerir.",
+    entln_block_1="Bu rapordaki yıldırım-şimşek verileri doğrudan EarthNetworks Toplam Yıldırım-Şimşek Ağı'ndan (ENTLN) alınmıştır; hem bulut içi (şimşek) hem buluttan yere (yıldırım) darbeleri izler. ENTLN, küresel ölçekte konuşlandırılan ilk şimşek ve yıldırım tespit ağıdır. 1.500'den fazla sensör içerir.",
     entln_block_2="Ulusal Hava Durumu Servisi, Hava Kuvvetleri Hava Durumu Ajansı ve kamu güvenliği, acil müdahale, havaalanları ve enerji kuruluşları gibi birçok kurum ENTLN bilgisine güvenir.",
     entln_block_3="Uzun menzilli şimşekleri yüksek verimle tespit etme yeteneği, şiddetli hava olaylarının ileri tahmini için kritiktir:",
     entln_tornadoes="Tornado ve siklonlar",
@@ -577,7 +586,7 @@ _STRINGS_TR = ReportStrings(
     entln_downburst="Downburst ve rüzgar kesmesi",
     entln_cg_strikes="Yıldırım darbeleri",
     entln_block_4="Bu potansiyel olarak ölümcül hava olayları genellikle bulut içi flaş (şimşek) başlangıcından 5 ila 30 dakika içinde oluşur. ENTLN, radar ve diğer teknolojilere kıyasla şiddetli hava uyarı sürelerini önemli ölçüde iyileştirebilir.",
-    entln_block_5="Toplam yıldırım ağı dünyada 40'tan fazla ülkede 1.500'den fazla sensörle genişlemiştir. Bu yoğun sensör dağılımı, toplam yıldırım aktivitesinin yüksek verimle yakalanmasını sağlar.",
+    entln_block_5="Toplam yıldırım-şimşek ağı dünyada 40'tan fazla ülkede 1.500'den fazla sensörle genişlemiştir. Bu yoğun sensör dağılımı, toplam yıldırım-şimşek aktivitesinin yüksek verimle tespit edilmesini sağlar.",
     risk_color_legend="Risk Renk Efsanesi (Log Risk):",
     risk_legend_very_low="Çok Düşük Risk (< 0.1)",
     risk_legend_low="Düşük Risk (0.1 - 0.2)",

src/utils.py

@@ -288,6 +288,11 @@ def filter_lightning_data_by_date_range(lightning_df: pd.DataFrame, start_date:
             return None
         
         try:
+            if re.fullmatch(r"\d{2}-\d{2}-\d{4} \d{2}:\d{2}", value_str):
+                dt = datetime.strptime(value_str, '%d-%m-%Y %H:%M')
+                if is_end:
+                    dt = dt.replace(second=59)
+                return dt
             if re.fullmatch(r"\d{2}-\d{2}-\d{4}", value_str):
                 dt = datetime.strptime(value_str, '%d-%m-%Y')
                 if is_end:
@@ -310,7 +315,10 @@ def filter_lightning_data_by_date_range(lightning_df: pd.DataFrame, start_date:
         df['local_time'] = pd.to_datetime(df['local_time'])
     
     if df['local_time'].dt.tz is not None:
-        df['local_time'] = df['local_time'].dt.tz_localize(None)
+        from src.config import config
+
+        tz_name = getattr(config, 'timezone', None) or 'UTC'
+        df['local_time'] = df['local_time'].dt.tz_convert(tz_name).dt.tz_localize(None)
     
     start_dt = _parse_flexible_datetime(start_date, is_end=False)
     end_dt = _parse_flexible_datetime(end_date, is_end=True)

src/visualization/storm_cells.py

@@ -121,7 +121,7 @@ def group_storm_data_by_month(storm_data: List[Dict]) -> Dict[str, List[Dict]]:
 def create_storm_cells_coordinate_plane(storm_data: List[Dict], turbine_df: pd.DataFrame = None, center_lat: float = None, center_lon: float = None, lang: ReportLanguage | None = None) -> go.Figure:
     s = get_strings(lang or get_report_language())
     """
-    Create a coordinate plane visualization showing storm cells with turbines and distance rings.
+    Create a coordinate plane visualization showing storm cell polygons.
     
     Args:
         storm_data: List of storm cell dictionaries with WKT data
@@ -130,7 +130,7 @@ def create_storm_cells_coordinate_plane(storm_data: List[Dict], turbine_df: pd.D
         center_lon: Center longitude for map (optional)
     
     Returns:
-        Plotly figure with storm cells, turbines, and distance rings in coordinate plane view
+        Plotly figure with storm cell polygons in coordinate plane view
     """
     # Calculate center if not provided
     if center_lat is None or center_lon is None:
@@ -157,23 +157,7 @@ def create_storm_cells_coordinate_plane(storm_data: List[Dict], turbine_df: pd.D
     
     fig = go.Figure()
     
-    # Add distance rings if turbine data is provided
     if turbine_df is not None and not turbine_df.empty:
-        from src.analysis.geospatial import create_circle_points
-        
-        # Add distance rings from turbine centroid
-        for radius, color in zip(config.distance_rings, config.ring_colors):
-            circle_lats, circle_lons = create_circle_points(center_lat, center_lon, radius)
-            fig.add_trace(go.Scatter(
-                x=circle_lons,  # X-axis = Longitude
-                y=circle_lats,  # Y-axis = Latitude
-                mode='lines',
-                line=dict(color=color, width=4),
-                opacity=0.6,
-                name=s.map_distance_ring.format(radius=radius / 1000),
-                showlegend=True
-            ))
-        
         # Add turbines colored by risk using fixed intervals
         if 'risk_log' in turbine_df.columns:
             from src.utils import get_turbine_colors_by_fixed_intervals
@@ -281,13 +265,35 @@ def create_storm_cells_coordinate_plane(storm_data: List[Dict], turbine_df: pd.D
             hoverinfo='skip'  # No hover for legend entries
         ))
     
-    # Calculate axis limits based on data and distance rings
+    bounds_lats: list[float] = []
-    max_radius_deg = max(config.distance_rings) / 111000
+    bounds_lons: list[float] = []
-    
+    for storm in storm_data:
-    lat_min = center_lat - max_radius_deg * 1.5
+        coords = parse_wkt_linestring(storm.get('cell_polygon_wkt', ''))
-    lat_max = center_lat + max_radius_deg * 1.5
+        if coords:
-    lon_min = center_lon - max_radius_deg * 1.5
+            lons, lats = zip(*coords)
-    lon_max = center_lon + max_radius_deg * 1.5
+            bounds_lats.extend(lats)
+            bounds_lons.extend(lons)
+    if turbine_df is not None and not turbine_df.empty:
+        bounds_lats.extend(turbine_df['lat'].tolist())
+        bounds_lons.extend(turbine_df['lng'].tolist())
+
+    if bounds_lats and bounds_lons:
+        lat_min = min(bounds_lats)
+        lat_max = max(bounds_lats)
+        lon_min = min(bounds_lons)
+        lon_max = max(bounds_lons)
+        lat_pad = max((lat_max - lat_min) * 0.15, 0.01)
+        lon_pad = max((lon_max - lon_min) * 0.15, 0.01)
+        lat_min -= lat_pad
+        lat_max += lat_pad
+        lon_min -= lon_pad
+        lon_max += lon_pad
+    else:
+        pad = 0.05
+        lat_min = center_lat - pad
+        lat_max = center_lat + pad
+        lon_min = center_lon - pad
+        lon_max = center_lon + pad
     
     add_satellite_basemap(fig, lon_min, lon_max, lat_min, lat_max)
     
@@ -338,7 +344,7 @@ def create_storm_cells_coordinate_plane(storm_data: List[Dict], turbine_df: pd.D
 
 def create_storm_cells_map(storm_data: List[Dict], turbine_df: pd.DataFrame = None, center_lat: float = None, center_lon: float = None, lang: ReportLanguage | None = None) -> go.Figure:
     """
-    Create a map showing storm cells from the fırtına data with turbines and distance rings.
+    Create a map showing storm cell polygons from the fırtına data.
     Now uses coordinate plane view instead of mapbox.
     
     Args:
@@ -348,7 +354,7 @@ def create_storm_cells_map(storm_data: List[Dict], turbine_df: pd.DataFrame = No
         center_lon: Center longitude for map (optional)
     
     Returns:
-        Plotly figure with storm cells, turbines, and distance rings in coordinate plane view
+        Plotly figure with storm cell polygons in coordinate plane view
     """
     return create_storm_cells_coordinate_plane(storm_data, turbine_df, center_lat, center_lon, lang=lang)