Original Title: Applying IoT Sensors and Big Data to Improve Precision Crop Production: A Review
Source: doi.org/10.3390/agronomy13102603
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original paper for full scientific accuracy.

ការអនុវត្តឧបករណ៍ចាប់សញ្ញា IoT និងទិន្នន័យធំ (Big Data) ដើម្បីកែលម្អផលិតកម្មដំណាំដោយភាពសុក្រឹត៖ អត្ថបទរំលឹក

ចំណងជើងដើម៖ Applying IoT Sensors and Big Data to Improve Precision Crop Production: A Review

អ្នកនិពន្ធ៖ Tarek Alahmad (Department of Biosystems Engineering and Precision Technology, Széchenyi István University), Miklós Neményi (Department of Biosystems Engineering and Precision Technology, Széchenyi István University), Anikó Nyéki (Department of Biosystems Engineering and Precision Technology, Széchenyi István University)

ឆ្នាំបោះពុម្ព៖ 2023, Agronomy

វិស័យសិក្សា៖ Precision Agriculture

១. សេចក្តីសង្ខេបប្រតិបត្តិ (Executive Summary)

បញ្ហា (The Problem)៖ ពិភពលោកកំពុងប្រឈមនឹងកំណើនប្រជាជនយ៉ាងឆាប់រហ័ស ខណៈពេលដែលទំហំដីបង្កបង្កើនផលនៅមានកម្រិត ដែលទាមទារឲ្យមានការប្រើប្រាស់បច្ចេកវិទ្យាទំនើបក្នុងការកសិកម្មជាបន្ទាន់ ដើម្បីបង្កើនផលិតភាពប្រកបដោយការទទួលខុសត្រូវ និងធានាសន្តិសុខស្បៀងជាសកល។

វិធីសាស្ត្រ (The Methodology)៖ ឯកសារនេះគឺជាការសិក្សារំលឹកឡើងវិញ (Literature Review) យ៉ាងទូលំទូលាយ ដែលស្វែងយល់ពីការរួមបញ្ចូល និងការអនុវត្តបច្ចេកវិទ្យាទំនើបៗនៅក្នុងវិស័យកសិកម្មសុក្រឹត។

លទ្ធផលសំខាន់ៗ (The Verdict)៖

២. ការវិភាគលើប្រសិទ្ធភាព និងដែនកំណត់ (Performance & Constraints)

វិធីសាស្ត្រ (Method) គុណសម្បត្តិ (Pros) គុណវិបត្តិ (Cons) លទ្ធផលគន្លឹះ (Key Result)
Site-Specific Seeding (SSS) with Data Fusion
ការសាបព្រោះតាមទីតាំងជាក់លាក់ (SSS) ដោយប្រើការច្របាច់បញ្ចូលទិន្នន័យ
បង្កើនទិន្នផលមើម (ឧទាហរណ៍៖ ដំឡូង) និងប្រាក់ចំណេញដុល ពិសេសនៅតំបន់ដែលមានផលិតភាពទាប។ ទាមទារការប្រើប្រាស់គ្រាប់ពូជច្រើនជាងមុន និងប្រព័ន្ធច្របាច់បញ្ចូលទិន្នន័យពីឧបករណ៍ចាប់សញ្ញាផ្សេងៗគ្នាដែលមានភាពស្មុគស្មាញ។ ទទួលបានប្រាក់ចំណេញខ្ពស់ជាងចន្លោះពី ២,៣៤% ទៅ ២៧,២១% បើប្រៀបធៀបនឹងការសាបព្រោះក្នុងអត្រាស្មើគ្នា (URS)។
SKN Artificial Neural Network (AI Model)
ម៉ូដែលបណ្តាញបញ្ញាសិប្បនិម្មិត SKN
មានភាពសុក្រឹតខ្ពស់ក្នុងការទស្សន៍ទាយ និងចាត់ថ្នាក់ទិន្នផលដំណាំ និងអាចរួមបញ្ចូលទិន្នន័យអាកាសធាតុ ឬសីតុណ្ហភាពយ៉ាងមានប្រសិទ្ធភាព។ ត្រូវការទិន្នន័យប្រវត្តិសាស្រ្ត និងទិន្នន័យជាក់ស្តែងជាច្រើនសន្ធឹកសន្ធាប់ ដែលមានរចនាសម្ព័ន្ធ ឬគ្មានរចនាសម្ព័ន្ធដើម្បីបង្ហាត់ម៉ូដែល។ អាចធ្វើចំណាត់ថ្នាក់ទិន្នផលកម្រិតទាបបានយ៉ាងល្អបំផុត ជាមួយនឹងភាពត្រឹមត្រូវ ៩១,៣%។
LoRa/LoRaWAN vs 3G/4G Networks
ការប្រៀបធៀបបណ្តាញឥតខ្សែ LoRa ជាមួយនឹងបណ្តាញទូរស័ព្ទ 3G/4G
LoRa មានសមត្ថភាពបញ្ជូនទិន្នន័យបានចម្ងាយឆ្ងាយ (៣០-៤០ គីឡូម៉ែត្រ) ប្រើប្រាស់ថាមពលតិចតួចបំផុត និងស័ក្តិសមសម្រាប់តំបន់កសិកម្មធំៗ។ LoRa មានល្បឿនបញ្ជូនទិន្នន័យយឺតជាង 4G/5G មិនស័ក្តិសមសម្រាប់ការបញ្ជូនវីដេអូ ឬរូបភាពទំហំធំតាមពេលវេលាជាក់ស្តែងនោះទេ។ LoRa និង ZigBee ត្រូវបានវាយតម្លៃថាជាបច្ចេកវិទ្យាឥតខ្សែដែលមានប្រសិទ្ធភាពខ្ពស់បំផុត និងសន្សំសំចៃថាមពលសម្រាប់កសិកម្មសុក្រឹត។

ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តប្រព័ន្ធកសិកម្មសុក្រឹតទាមទារការវិនិយោគខ្ពស់នៅដំណាក់កាលដំបូង លើហេដ្ឋារចនាសម្ព័ន្ធបច្ចេកវិទ្យា ឧបករណ៍ចាប់សញ្ញា និងអ្នកជំនាញក្នុងការគ្រប់គ្រងទិន្នន័យធំ (Big Data)។

៣. ការពិនិត្យសម្រាប់បរិបទកម្ពុជា/អាស៊ីអាគ្នេយ៍

ភាពលំអៀងនៃទិន្នន័យ (Data Bias)៖

ឯកសារនេះគឺជាការសិក្សារំលឹកឡើងវិញ (Review) ដោយផ្អែកលើការស្រាវជ្រាវពីបណ្តាប្រទេសជឿនលឿនដែលមានហេដ្ឋារចនាសម្ព័ន្ធកសិកម្មទំនើប និងមានទិន្នន័យកសិកម្មគ្រប់គ្រាន់។ សម្រាប់ប្រទេសកម្ពុជា ការអនុវត្តប្រព័ន្ធទាំងនេះអាចជួបបញ្ហាប្រឈមដោយសារកង្វះខាតទិន្នន័យប្រវត្តិសាស្រ្តកសិកម្មដែលមានស្តង់ដារ ភាពមានកំណត់នៃបណ្តាញអ៊ីនធឺណិតនៅតំបន់ដាច់ស្រយាល និងការយល់ដឹងអំពីបច្ចេកវិទ្យារបស់កសិករនៅមានកម្រិត។

លទ្ធភាពនៃការអនុវត្ត (Applicability)៖

ទោះបីជាមានបញ្ហាប្រឈម តែកសិកម្មសុក្រឹត និងការប្រើប្រាស់ IoT មានសក្តានុពលធំធេងសម្រាប់ជួយពង្រឹងវិស័យកសិកម្មកម្ពុជាក្នុងការទប់ទល់នឹងបម្រែបម្រួលអាកាសធាតុ និងបង្កើនផលិតភាពឲ្យដល់កម្រិតអតិបរមា។

ការចាប់ផ្តើមសាកល្បងពីគម្រោងតូចៗ ឬកសិដ្ឋានគំរូដោយប្រើប្រាស់ឧបករណ៍ IoT តម្លៃសមរម្យ នឹងផ្តល់ជាមូលដ្ឋានគ្រឹះដ៏រឹងមាំក្នុងការកសាងទិន្នន័យធំ (Big Data) ដើម្បីធ្វើទំនើបកម្មវិស័យកសិកម្មកម្ពុជានៅថ្ងៃអនាគត។

៤. ផែនការសកម្មភាពសម្រាប់និស្សិត (Actionable Roadmap)

ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖

  1. សិក្សាស្វែងយល់ពីឧបករណ៍ IoT និងបណ្តាញទំនាក់ទំនងក្រៅបណ្តាញអ៊ិនធឺណិត: ចាប់ផ្តើមសិក្សាពីការតភ្ជាប់ឧបករណ៍ចាប់សញ្ញា (Sensors) សាមញ្ញទៅកាន់ប្រព័ន្ធ Microcontrollers (ដូចជា Arduino ឬ ESP32) និងការរៀបចំបណ្តាញទំនាក់ទំនង LoRaWAN ឬ ZigBee ដែលស័ក្តិសមសម្រាប់តំបន់កសិកម្មកម្ពុជា ដោយមិនតម្រូវឲ្យពឹងផ្អែកតែលើសេវា 4G/5G។
  2. សាកល្បងប្រមូលទិន្នន័យខ្នាតតូច (Pilot Data Collection): ដំឡើងឧបករណ៍ចាប់សញ្ញាសំណើមដី សីតុណ្ហភាព និងពន្លឺនៅលើផ្ទៃដីកសិកម្មសាកល្បងតូចមួយ ហើយបញ្ជូនទិន្នន័យទៅកាន់ប្រព័ន្ធផ្ទុកទិន្នន័យលើពពក (Cloud) តាមរយៈកម្មវិធីបើកទូលាយដូចជា ThingsBoard ឬ Blynk ដើម្បីតាមដានជាក់ស្តែង។
  3. រៀបចំឃ្លាំងទិន្នន័យ និងវិភាគទិន្នន័យ (Data Warehousing & Analytics): បង្កើតមូលដ្ឋានទិន្នន័យ (SQL / NoSQL Database) ដើម្បីរក្សាទុកទិន្នន័យប្រចាំថ្ងៃរបស់កសិដ្ឋាន និងប្រើប្រាស់ឧបករណ៍វិភាគទិន្នន័យដូចជា Python (Pandas, Scikit-learn) ដើម្បីស្វែងរកទំនាក់ទំនងរវាងកត្តាអាកាសធាតុ កម្រិតទឹក និងការលូតលាស់របស់ដំណាំ។
  4. អភិវឌ្ឍម៉ូដែលបញ្ញាសិប្បនិម្មិតទស្សន៍ទាយ (AI Predictive Modeling): ប្រើប្រាស់ទិន្នន័យដែលបានប្រមូលទុក (Historical Data) រួមជាមួយក្បួនដោះស្រាយ Machine Learning (ឧទាហរណ៍៖ Artificial Neural Networks ដូចម៉ូដែល SKN) ដើម្បីទស្សន៍ទាយទិន្នផលដំណាំនៅរដូវបន្ទាប់ ឬទស្សន៍ទាយពីហានិភ័យនៃជំងឺរុក្ខជាតិ។
  5. រចនាប្រព័ន្ធគាំទ្រការធ្វើសេចក្តីសម្រេចចិត្ត (Decision Support System): សហការជាមួយកសិករផ្ទាល់ ដើម្បីបង្កើតផ្ទាំងគ្រប់គ្រង (Dashboards) ដែលងាយស្រួលយល់ និងមានមុខងារផ្តល់សញ្ញាព្រមាន (Alerts) តាមទូរស័ព្ទដៃ ដែលប្រាប់ឲ្យកសិករដឹងពីពេលវេលាដែលគួរស្រោចទឹក ឬផ្តល់ជី ដែលជួយសន្សំសំចៃធនធាន និងកាត់បន្ថយការចំណាយថវិកា។

៥. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស ការពន្យល់ជាខេមរភាសា (Khmer Explanation) និយមន័យសាមញ្ញ (Simple Definition)
Multisensor Data Fusion គឺជាបច្ចេកវិទ្យាក្នុងការប្រមូល និងច្របាច់បញ្ចូលទិន្នន័យពីឧបករណ៍ចាប់សញ្ញា (Sensors) ច្រើនប្រភេទផ្សេងៗគ្នា (ដូចជាសីតុណ្ហភាព សំណើម និងពន្លឺ) ដើម្បីបង្កើតជាព័ត៌មានរួមមួយដែលមានភាពត្រឹមត្រូវខ្ពស់ និងតំណាងឱ្យស្ថានភាពរុក្ខជាតិជាក់ស្តែងបានល្អបំផុត ជាជាងការវាយតម្លៃដោយពឹងផ្អែកលើឧបករណ៍តែមួយមុខ។ ដូចជាការប្រើប្រាស់ភ្នែក មាត់ ច្រមុះ និងត្រចៀកក្នុងពេលតែមួយ ដើម្បីវាយតម្លៃថាម្ហូបមួយចានមានរសជាតិឆ្ងាញ់កម្រិតណា ជាជាងការប្រើតែភ្នែកមើលឃើញរាងខាងក្រៅ។
Wireless Sensor Networks (WSN) គឺជាបណ្តាញនៃឧបករណ៍ចាប់សញ្ញាជាច្រើនដែលត្រូវបានដាក់ពង្រាយនៅតាមទីតាំងផ្សេងៗគ្នាក្នុងកសិដ្ឋាន ដើម្បីតាមដានលក្ខខណ្ឌបរិស្ថាន (ដូចជាកម្រិតទឹកភ្លៀង ឬកម្តៅដី) រួចបញ្ជូនទិន្នន័យទាំងនោះទៅកាន់កុំព្យូទ័រកណ្តាលដោយស្វ័យប្រវត្តិតាមរយៈប្រព័ន្ធរលកសញ្ញាឥតខ្សែ (គ្មានខ្សែភ្លើង)។ ដូចជាការដាក់សន្តិសុខយាមនៅតាមច្រកទ្វារនីមួយៗ ហើយម្នាក់ៗប្រើអាយកូម (Walkie-talkie) រាយការណ៍ពីសភាពការណ៍ទៅកាន់ការិយាល័យកណ្តាលព្រមៗគ្នា។
LoRaWAN គឺជាប្រព័ន្ធពិធីការបណ្តាញទំនាក់ទំនងឥតខ្សែប្រភេទមួយដែលអនុញ្ញាតឱ្យឧបករណ៍ចាប់សញ្ញាអាចបញ្ជូនទិន្នន័យបានចម្ងាយឆ្ងាយខ្លាំង (ពី ១០ ទៅ ៤០ គីឡូម៉ែត្រ) ជាមួយនឹងការស៊ីថាមពលថ្មតិចតួចបំផុត ដែលស័ក្តិសមបំផុតសម្រាប់កសិដ្ឋានធំៗដែលគ្មានសេវាអ៊ីនធឺណិតគ្រប់គ្រាន់។ ដូចជាការផ្ញើសារតាមសំបុត្រប្រៃសណីយ៍ដែលអាចផ្ញើបានឆ្ងាយ និងចំណាយតិច តែមិនអាចផ្ញើអីវ៉ាន់ធំៗ (វីដេអូ ឬរូបភាព) បានលឿនដូចការផ្ញើតាមឡានតាក់ស៊ី (4G/5G) នោះទេ។
Biodegradable soil moisture sensors គឺជាឧបករណ៍វាស់សំណើមដីដែលផលិតពីសារធាតុពិសេសដែលអាចរលាយក្លាយជាជីចូលទៅក្នុងដីដោយខ្លួនឯងក្រោយពេលអស់សុពលភាពប្រើប្រាស់ ដែលជួយកាត់បន្ថយការបំពុលបរិស្ថាន និងមិនតម្រូវឱ្យកសិករចំណាយកម្លាំងពលកម្មដើរដកចេញពីចម្ការវិញនោះទេ។ ដូចជាការប្រើប្រាស់ស្លឹកឈើខ្ចប់នំ ដែលវានឹងរលាយក្លាយជាជីនៅក្នុងដីដោយខ្លួនឯងដោយមិនបន្សល់ទុកជាសំរាមប្លាស្ទិក។
Artificial Neural Network (ANN) គឺជាក្បួនដោះស្រាយនៃបញ្ញាសិប្បនិម្មិត (AI) ដែលត្រូវបានបង្កើតឡើងដោយត្រាប់តាមទម្រង់កោសិកាខួរក្បាលរបស់មនុស្ស ដើម្បីរៀនសូត្រពីទិន្នន័យប្រវត្តិសាស្ត្រចាស់ៗ និងស្វែងរកលំនាំសម្រាប់ទស្សន៍ទាយលទ្ធផលនៅថ្ងៃអនាគត (ឧទាហរណ៍៖ ការទស្សន៍ទាយបរិមាណទិន្នផលស្រូវនៅរដូវក្រោយ)។ ដូចជាកូនក្មេងដែលរៀនចំណាំមុខសត្វឆ្កែ និងឆ្មាដោយការមើលរូបភាពញឹកញាប់ រហូតដល់ថ្ងៃក្រោយគ្រាន់តែឃើញភ្លាមក៏អាចដឹងថាសត្វនោះជាអ្វីដោយស្វ័យប្រវត្តិ។
Site-Specific Seeding (SSS) គឺជាវិធីសាស្ត្រក្នុងកសិកម្មសុក្រឹត ដែលការសាបព្រោះគ្រាប់ពូជត្រូវបានកំណត់បរិមាណតិចឬច្រើនដោយស្វ័យប្រវត្តិទៅតាមគុណភាព និងកម្រិតជីជាតិរបស់ដីនៅទីតាំងនីមួយៗក្នុងចម្ការតែមួយ ដើម្បីទាញយកទិន្នផលឱ្យបានអតិបរមា និងកាត់បន្ថយការខ្ជះខ្ជាយគ្រាប់ពូជ។ ដូចជាការចែកអាហារឱ្យមនុស្សដោយមើលទៅតាមទំហំក្រពះរបស់ពួកគេ អ្នកហូបច្រើនឱ្យច្រើន អ្នកហូបតិចឱ្យតិច ដើម្បីកុំឱ្យសល់ចោល។
Vis-NIR spectroscopy គឺជាបច្ចេកទេសប្រើប្រាស់រលកពន្លឺ (ពន្លឺធម្មតា និងពន្លឺអ៊ីនហ្វ្រារ៉េដជិត) ដើម្បីបាញ់ទៅលើផ្ទៃដី រួចវាស់ស្ទង់ការស្រូប និងចំណាំងពន្លឺត្រឡប់មកវិញ ដើម្បីដឹងពីកម្រិតសំណើម កម្រិតជាតិអាស៊ីត (pH) និងសារធាតុសរីរាង្គក្នុងដីភ្លាមៗដោយមិនចាំបាច់យកដីទៅមន្ទីរពិសោធន៍។ ដូចជាការបញ្ចាំងពន្លឺពិលកាត់បាតដៃដើម្បីមើលកម្រិតសរសៃឈាមខាងក្នុងផ្ទាល់ ដោយមិនចាំបាច់វះកាត់ស្បែក។
Automated Decision-Making Systems (ADMS) គឺជាប្រព័ន្ធកុំព្យូទ័រវៃឆ្លាតដែលប្រមូលទិន្នន័យពីចម្ការជាប្រចាំ ហើយធ្វើការវិភាគដើម្បីសម្រេចចិត្តបញ្ជាទៅម៉ាស៊ីនយន្តការ (ឧទាហរណ៍៖ បើកម៉ាស៊ីនបូមទឹក ឬទម្លាក់ជី) ដោយស្វ័យប្រវត្តិ ដើម្បីរក្សាលក្ខខណ្ឌលូតលាស់ល្អបំផុតសម្រាប់ដំណាំ ដោយមិនបាច់មានមនុស្សចាំចុចបញ្ជា។ ដូចជាម៉ាស៊ីនត្រជាក់ដែលបំពាក់សេនស័រវាស់កម្តៅ វានឹងបើកថាមពលខ្លាំងពេលបន្ទប់ក្តៅ និងបន្ថយថាមពលពេលបន្ទប់ត្រជាក់ដល់កម្រិតដោយស្វ័យប្រវត្តិ។

៦. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖