បញ្ហា (The Problem)៖ ការអនុវត្តកសិកម្មបែបប្រពៃណីពឹងផ្អែកលើវិធីសាស្ត្រចាស់ៗ ដែលធ្វើឱ្យការប៉ាន់ស្មានទិន្នផលដំណាំមានភាពមិនច្បាស់លាស់ក្នុងកាលៈទេសៈប្រែប្រួលអាកាសធាតុ។ ឯកសារនេះដោះស្រាយបញ្ហាដោយការសិក្សាពីរបៀបដែលម៉ាស៊ីនរៀន (Machine Learning) អាចជួយបង្កើនភាពត្រឹមត្រូវនៃការទស្សន៍ទាយទិន្នផលសម្រាប់ការធ្វើសេចក្តីសម្រេចចិត្ត។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានប្រើប្រាស់វិធីសាស្ត្រពិនិត្យឡើងវិញនូវអក្សរសិល្ប៍ជាប្រព័ន្ធ (Systematic Literature Review) ដោយចម្រាញ់អត្ថបទពី ៤៥០ មកត្រឹម ៤០ ពីមូលដ្ឋានទិន្នន័យធំៗចំនួន ៥ ដើម្បីវិភាគលើក្បួនដោះស្រាយ និងប្រភពទិន្នន័យ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Random Forest (RF) ក្បួនដោះស្រាយ Random Forest (RF) ជាប្រភេទសំណុំម៉ាស៊ីនរៀន (Ensemble Learning) |
មិនសូវងាយមានបញ្ហា Overfitting និងមានភាពជាក់លាក់ខ្ពស់ទោះមានទិន្នន័យច្រើន។ | ការផ្លាស់ប្តូរទិន្នន័យបន្តិចបន្តួចអាចជះឥទ្ធិពលធំដល់លទ្ធផលនៃការទស្សន៍ទាយ។ | ជាម៉ូដែលដែលពេញនិយមជាងគេ ដោយផ្តល់នូវភាពត្រឹមត្រូវខ្ពស់ (ឧ. ទទួលបាន R² រហូតដល់ ០.៧៥ ក្នុងការទស្សន៍ទាយទិន្នផលស្រូវសាលី)។ |
| Convolutional Neural Network (CNN) បណ្តាញសរសៃប្រសាទសិប្បនិម្មិត CNN |
មានសមត្ថភាពខ្ពស់ក្នុងការវិភាគលើទិន្នន័យរូបភាព (ដូចជារូបភាពពីផ្កាយរណប ឬដ្រូន) ដោយកាត់បន្ថយចំនួនប៉ារ៉ាម៉ែត្របានល្អ។ | ដំណើរការមានភាពយឺតជាង ANN ធម្មតា និងទាមទារកម្លាំងម៉ាស៊ីនកុំព្យូទ័រខ្ពស់។ | អាចទស្សន៍ទាយបានយ៉ាងច្បាស់លាស់ជាមួយទិន្នន័យរូបភាពចម្រុះ (ទទួលបាន R² លើសពី ០.៨ និង RMSE តូចជាង ១០% សម្រាប់ពោត និងសណ្តែក)។ |
| Long Short-Term Memory (LSTM) បណ្តាញសរសៃប្រសាទចងចាំលំដាប់ពេលវេលា (LSTM) |
តំណាងឱ្យលំដាប់ទិន្នន័យតាមពេលវេលាបានល្អខ្លាំង (ឧទាហរណ៍៖ ទិន្នន័យអាកាសធាតុ ឬសីតុណ្ហភាពប្រចាំថ្ងៃ)។ | មិនអាចដំណើរការទិន្នន័យដែលវែងពេកបានទេ នៅពេលប្រើប្រាស់អនុគមន៍ Activation មួយចំនួនដូចជា ReLU។ | មានប្រសិទ្ធភាពខ្ពស់ក្នុងការវិភាគទិន្នន័យដែលប្រែប្រួលតាមពេលវេលា (ទទួលបានភាពត្រឹមត្រូវពី ៩៧.៣៣% ដល់ ៩៩.២១% ក្នុងការវាយតម្លៃប្រភេទដីដាំដុះ)។ |
| Support Vector Machine (SVM) ម៉ាស៊ីន Support Vector Machine (SVM) |
ជួយសម្រួលដល់ការចាត់ថ្នាក់ទិន្នន័យ និងកាត់បន្ថយកំហុសប្រកបដោយប្រសិទ្ធភាពដោយប្រើអនុគមន៍ Kernel។ | ងាយរងគ្រោះនឹងបញ្ហា Overfitting ដែលអាស្រ័យទៅលើប្រភេទ Kernel ដែលបានប្រើ។ | មានប្រសិទ្ធភាពបង្គួរក្នុងការប្រៀបធៀប (ឧទាហរណ៍៖ ការទស្សន៍ទាយទិន្នផលស្រូវទទួលបាន RMSE ប្រមាណ ៧៣៧ គីឡូក្រាមក្នុងមួយហិកតា)។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ឯកសារនេះបានបញ្ជាក់យ៉ាងច្បាស់ថាការប្រើប្រាស់គំរូ Deep Learning (ដូចជា CNN និង DNN) ទាមទារធនធានកុំព្យូទ័រខ្លាំង និងទិន្នន័យចម្រុះច្រើនប្រភព។
ការសិក្សាភាគច្រើន (ក្នុងឯកសារទាំង ៤០) ត្រូវបានធ្វើឡើងនៅក្នុងតំបន់កសិកម្មធំៗដូចជា សហរដ្ឋអាមេរិក ចិន ឥណ្ឌា អូស្ត្រាលី និងប្រេស៊ីល ដោយប្រើប្រាស់ទិន្នន័យដែលមានគុណភាពខ្ពស់ និងប្រវត្តិទិន្នផលយូរឆ្នាំ។ នេះគឺជាឧបសគ្គសម្រាប់ប្រទេសកម្ពុជា ដោយសារយើងនៅខ្វះខាតប្រព័ន្ធប្រមូលទិន្នន័យអាកាសធាតុរឹមៗ (Micro-climate) កម្រិតជីវជាតិដីលម្អិត និងប្រវត្តិទិន្នផលដំណាំដែលច្បាស់លាស់នៅឡើយ ដែលទាមទារឱ្យមានការប្រើប្រាស់បច្ចេកទេស Transfer Learning ដើម្បីយកមកអនុវត្ត។
ទោះបីជាមានបញ្ហាប្រឈមរឿងការប្រមូលទិន្នន័យក៏ដោយ វិធីសាស្ត្រ Machine Learning ទាំងនេះមានសក្តានុពលខ្ពស់ណាស់ក្នុងការជួយធ្វើទំនើបកម្មវិស័យកសិកម្មនៅកម្ពុជា។
សរុបមក ការចាប់ផ្តើមអនុវត្តបច្ចេកវិទ្យាទាំងនេះតម្រូវឱ្យស្ថាប័នរដ្ឋ និងឯកជននៅកម្ពុជាធ្វើការវិនិយោគលើហេដ្ឋារចនាសម្ព័ន្ធប្រមូលទិន្នន័យជាប្រព័ន្ធសិន ទើបអាចបង្កើតម៉ូដែលទស្សន៍ទាយដែលអាចជឿទុកចិត្តបានសម្រាប់ប្រជាកសិករ។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Convolutional Neural Network (CNN) | បណ្តាញសរសៃប្រសាទសិប្បនិម្មិតដែលត្រូវបានរចនាឡើងយ៉ាងពិសេសសម្រាប់វិភាគទិន្នន័យរូបភាព (ដូចជារូបភាពពីផ្កាយរណប ឬដ្រូន) ដើម្បីទាញយកលក្ខណៈពិសេសរបស់តំបន់ដាំដុះ និងវាយតម្លៃសុខភាពដំណាំ។ | ដូចជាភ្នែកមនុស្សដែលសម្លឹងមើលរូបថតចម្ការមួយសន្លឹក ហើយអាចប្រាប់បានយ៉ាងរហ័សថាកន្លែងណាដំណាំលូតលាស់ល្អ ឬកន្លែងណាមានជំងឺ។ |
| Long Short-Term Memory (LSTM) | ប្រភេទនៃបណ្តាញសរសៃប្រសាទកម្រិតជ្រៅ (Deep Learning) ដែលមានសមត្ថភាពចងចាំទិន្នន័យដែលកើតឡើងតាមលំដាប់ពេលវេលា (Time-series) ដូចជាការប្រែប្រួលសីតុណ្ហភាព និងទឹកភ្លៀងប្រចាំថ្ងៃ ដើម្បីធ្វើការទស្សន៍ទាយលទ្ធផលនាពេលអនាគត។ | ដូចជាកសិករចាស់វស្សាម្នាក់ដែលចងចាំប្រវត្តិអាកាសធាតុនិងបរិមាណទឹកភ្លៀងពីខែមុនៗ ដើម្បីទាយថាខែនេះស្រូវនឹងបានផលល្អឬអត់។ |
| Random Forest (RF) | ក្បួនដោះស្រាយម៉ាស៊ីនរៀនដែលបង្កើតជាម៉ូដែល 'ដើមឈើសម្រេចចិត្ត' (Decision Trees) ជាច្រើនបញ្ចូលគ្នា ដើម្បីធ្វើការទស្សន៍ទាយរួមមួយដែលមានភាពត្រឹមត្រូវខ្ពស់ និងកាត់បន្ថយបញ្ហាកំហុសឆ្គងពីការទន្ទេញទិន្នន័យ (Overfitting)។ | ដូចជាការប្រមូលយោបល់ពីអ្នកជំនាញកសិកម្មចំនួន ១០០ នាក់ រួចយកចម្លើយដែលភាគច្រើនឯកភាពគ្នា ដើម្បីធ្វើការសម្រេចចិត្តចុងក្រោយប្រកបដោយទំនុកចិត្តខ្ពស់។ |
| Normalized Difference Vegetation Index (NDVI) | សន្ទស្សន៍ដែលបានមកពីការគណនាចំណាំងផ្លាតពន្លឺ (ពិសេសពន្លឺក្រហម និងពន្លឺអ៊ីនហ្វ្រារ៉េដក្បែរ) នៃរូបភាពផ្កាយរណប ដើម្បីវាស់ស្ទង់កម្រិតភាពបៃតង និងដង់ស៊ីតេសុខភាពរបស់រុក្ខជាតិនៅលើផ្ទៃដី។ | ដូចជាប្រដាប់វាស់កម្តៅដែលគ្រូពេទ្យប្រើសម្រាប់វាស់កម្តៅអ្នកជំងឺ តែនេះគឺជាការវាស់ 'សុខភាព' របស់រុក្ខជាតិពីលើមេឃដោយមើលលើកម្រិតពណ៌បៃតងរបស់វា។ |
| Transfer Learning | បច្ចេកទេសក្នុងម៉ាស៊ីនរៀន (Machine Learning) ដែលផ្តោតលើការយកចំណេះដឹងពីម៉ូដែលដែលបានហ្វឹកហាត់រួចមកអនុវត្តលើបញ្ហាថ្មីមួយទៀតដែលមានទិន្នន័យតិចតួច ដើម្បីសន្សំពេលវេលា និងធនធានកុំព្យូទ័រក្នុងការអភិវឌ្ឍម៉ូដែល។ | ដូចជាមនុស្សដែលចេះជិះកង់យ៉ាងស្ទាត់ជំនាញរួចហើយ យកបច្ចេកទេសរក្សាលំនឹងនោះទៅរៀនជិះម៉ូតូ ដែលធ្វើឱ្យគាត់ឆាប់ចេះជាងអ្នកមិនធ្លាប់ជិះកង់សោះ។ |
| Explainable AI (XAI) | បច្ចេកវិទ្យាបញ្ញាសិប្បនិម្មិតដែលមិនត្រឹមតែផ្តល់លទ្ធផលទស្សន៍ទាយប៉ុណ្ណោះទេ ថែមទាំងផ្តល់នូវតម្លាភាពដោយអាចពន្យល់ពីហេតុផល កត្តាជំរុញ និងទម្ងន់នៃទិន្នន័យនៅពីក្រោយការសម្រេចចិត្តទាំងនោះបានយ៉ាងច្បាស់លាស់។ | ដូចជាគ្រូបង្រៀនគណិតវិទ្យាដែលមិនត្រឹមតែប្រាប់ចម្លើយត្រឹមត្រូវដល់សិស្ស ប៉ុន្តែថែមទាំងបង្ហាញពីរបៀបគណនាមួយជំហានម្តងៗដើម្បីឱ្យសិស្សអស់ចម្ងល់។ |
| Precision Agriculture | ការអនុវត្តកសិកម្មដោយប្រើប្រាស់បច្ចេកវិទ្យាទំនើបៗ (ដូចជា AI, រូបភាពផ្កាយរណប និងសេនស័រ) ដើម្បីតាមដាន និងគ្រប់គ្រងការដាំដុះឱ្យមានប្រសិទ្ធភាពខ្ពស់ បង្កើនទិន្នផល កាត់បន្ថយការចំណាយ និងកាត់បន្ថយផលប៉ះពាល់បរិស្ថាន។ | ដូចជាការផ្តល់ថ្នាំ និងចំណីឱ្យកូនស្រូវនីមួយៗតាមតម្រូវការជាក់ស្តែងរបស់វានៅតាមចំណុចនីមួយៗ ជំនួសឱ្យការបាចជីព្រាវៗពាសពេញស្រែ។ |
| Feature Selection | ដំណើរការនៃជម្រុះ និងជ្រើសរើសអថេរ ឬកត្តាដែលពាក់ព័ន្ធនិងសំខាន់បំផុតពីក្នុងសំណុំទិន្នន័យដ៏ច្រើនសន្ធឹកសន្ធាប់ ដើម្បីយកទៅបង្វឹកម៉ូដែលម៉ាស៊ីនរៀនឱ្យដំណើរការបានលឿន និងចៀសវាងទិន្នន័យរំខាន (Noise)។ | ដូចជាការរើសយកតែគ្រឿងផ្សំសំខាន់ៗ ៣ ទៅ ៤ មុខដើម្បីធ្វើម្ហូបមួយចានឱ្យឆ្ងាញ់ ជាជាងការចាក់គ្រឿងផ្សំទាំង ១០០ មុខចូលក្នុងឆ្នាំងតែមួយដែលនាំឱ្យខូចរសជាតិ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
