បញ្ហា (The Problem)៖ ការសិក្សានេះដោះស្រាយបញ្ហាភាពងាយរងគ្រោះកាន់តែខ្លាំងឡើងនៃវិស័យកសិកម្មក្នុងប្រទេសហ្ស៊កដានីចំពោះការប្រែប្រួលអាកាសធាតុ ដូចជាការកើនឡើងកម្ដៅ កង្វះទឹកភ្លៀង និងព្រឹត្តិការណ៍អាកាសធាតុធ្ងន់ធ្ងរ ដែលគំរាមកំហែងដល់ទិន្នផលដំណាំ និងសន្តិសុខស្បៀងជាតិ។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានប្រើប្រាស់វិធីសាស្ត្រចម្រុះ (Mixed-methods approach) ដោយរួមបញ្ចូលទិន្នន័យបរិមាណ គុណភាព និងការធ្វើគំរូព្យាករណ៍ដើម្បីវាយតម្លៃប្រសិទ្ធភាពនៃការអនុវត្តកសិកម្ម។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Regression Analysis ការវិភាគតំរែតំរង់ (Regression Analysis) |
ជួយកំណត់យ៉ាងច្បាស់ពីទំហំនៃឥទ្ធិពលរបស់កត្តាអាកាសធាតុ (សីតុណ្ហភាព និងទឹកភ្លៀង) ទៅលើទិន្នផលដំណាំ។ វាបង្ហាញពីទំនាក់ទំនងរវាងអថេរបានច្បាស់លាស់។ | ត្រូវការទិន្នន័យប្រវត្តិសាស្ត្ររយៈពេលវែង ហើយវាសន្មត់ថាទំនាក់ទំនងរវាងអថេរមានលក្ខណៈជាបន្ទាត់ត្រង់ (Linear relationship) ដែលជួនកាលមិនឆ្លុះបញ្ចាំងពីការពិតទាំងស្រុង។ | កត្តាអាកាសធាតុពន្យល់ពី ៨៣,២% នៃភាពប្រែប្រួលទិន្នផលដំណាំ (R² = 0.832) ហើយព្រឹត្តិការណ៍អាកាសធាតុធ្ងន់ធ្ងរមានឥទ្ធិពលអវិជ្ជមានខ្លាំង (មេគុណ៖ -២,២២៧)។ |
| ANOVA (Analysis of Variance) ការវិភាគភាពប្រែប្រួលវ៉ារ្យ៉ង់ (ANOVA) |
មានប្រសិទ្ធភាពក្នុងការប្រៀបធៀបមធ្យមភាគនៃទិន្នផលដំណាំ រវាងក្រុមគ្រួសារកសិករដែលមានកម្រិតនៃការអនុវត្តបច្ចេកទេសកសិកម្មខុសៗគ្នា (ទាប មធ្យម ខ្ពស់)។ | មិនអាចពន្យល់ពីមូលហេតុស៊ីជម្រៅនៅពីក្រោយលទ្ធផលបានទេ ប្រសិនបើគ្មានការរួមបញ្ចូលជាមួយទិន្នន័យគុណភាព (Qualitative data)។ | រកមិនឃើញភាពខុសគ្នាយ៉ាងសំខាន់ខាងស្ថិតិលើទិន្នផលនោះទេ (p = 0.762) ដែលបង្ហាញថាការអនុវត្តបច្ចុប្បន្ននៅមិនទាន់មានប្រសិទ្ធភាពពេញលេញ។ |
| Scenario Modelling (DSSAT and APSIM) ការធ្វើគំរូសេណារីយ៉ូ (Scenario Modelling) |
អាចក្លែងធ្វើលក្ខខណ្ឌអាកាសធាតុនាពេលអនាគត ដើម្បីព្យាករណ៍ទិន្នផលដំណាំ និងជួយអ្នករៀបចំគោលនយោបាយក្នុងការវាយតម្លៃយុទ្ធសាស្ត្របន្ស៊ាំទុកជាមុន។ | ទាមទារជំនាញបច្ចេកទេសខ្ពស់ និងការបញ្ចូលទិន្នន័យលម្អិតពីដី អាកាសធាតុ និងការគ្រប់គ្រងដំណាំ ដើម្បីធានាបាននូវភាពត្រឹមត្រូវនៃលទ្ធផលព្យាករណ៍។ | ទិន្នផលត្រូវបានព្យាករណ៍ថាអាចកើនដល់ ៦៤,៦៩ តោន/ហិកតាក្នុងសេណារីយ៉ូល្អ ប៉ុន្តែនឹងធ្លាក់ចុះដល់ ៤០,៨៩ តោន/ហិកតាក្នុងសេណារីយ៉ូអាក្រក់បំផុត។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះទាមទារឱ្យមានការសហការរួមគ្នារវាងការប្រមូលទិន្នន័យវាលផ្ទាល់ពីកសិករ កម្មវិធីកុំព្យូទ័រឯកទេស និងចំណេះដឹងផ្នែកកសិកម្មនិងស្ថិតិយ៉ាងស៊ីជម្រៅ។
ការសិក្សានេះប្រមូលទិន្នន័យពីកសិករចំនួន ៣១៣ នាក់ នៅក្នុងប្រទេសហ្ស៊កដានី ដែលមានលក្ខណៈភូមិសាស្ត្រជាតំបន់ពាក់កណ្តាលវាលខ្សាច់ (Semi-arid) និងខ្វះខាតទឹកខ្លាំង។ សម្រាប់ប្រទេសកម្ពុជាដែលមានអាកាសធាតុត្រូពិច និងសំបូរធនធានទឹក ការទាញយកលទ្ធផលនេះមកអនុវត្តទាំងស្រុងអាចមានភាពលម្អៀង។ យ៉ាងណាមិញ វិធីសាស្ត្រនៃការធ្វើគំរូនេះគឺនៅតែអាចយកមកប្រើប្រាស់បានយ៉ាងមានប្រសិទ្ធភាពសម្រាប់តំបន់នៅកម្ពុជាដែលជួបគ្រោះរាំងស្ងួតញឹកញាប់។
វិធីសាស្ត្រវិភាគ និងឧបករណ៍ធ្វើគំរូព្យាករណ៍ពីការសិក្សានេះ មានសក្តានុពលខ្ពស់សម្រាប់ការរៀបចំផែនការបន្ស៊ាំកសិកម្មឆ្លាតវៃនៅក្នុងប្រទេសកម្ពុជា។
សរុបមក ការរួមបញ្ចូលគ្នារវាងឧបករណ៍ទស្សន៍ទាយបែបវិទ្យាសាស្ត្រ និងការចូលរួមយ៉ាងសកម្មពីសហគមន៍កសិករមូលដ្ឋាន គឺជាយុទ្ធសាស្ត្រដ៏រឹងមាំមួយដើម្បីធានាសន្តិសុខស្បៀងនៅក្នុងបរិបទនៃការប្រែប្រួលអាកាសធាតុនៅកម្ពុជា។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Climate-Smart Agriculture (កសិកម្មឆ្លាតវៃធន់នឹងអាកាសធាតុ) | វិធីសាស្ត្រកសិកម្មដែលត្រូវបានរចនាឡើងដើម្បីបង្កើនផលិតភាពកសិកម្ម ពង្រឹងភាពធន់ទៅនឹងការប្រែប្រួលអាកាសធាតុ និងកាត់បន្ថយការបញ្ចេញឧស្ម័នផ្ទះកញ្ចក់តាមរយៈបច្ចេកទេសដូចជា ប្រព័ន្ធស្រោចស្រពសន្សំសំចៃទឹក ឬការដាំដំណាំចម្រុះជាដើម។ | ដូចជាការបំពាក់អាវក្រោះការពារដល់ដំណាំ ដើម្បីឱ្យពួកវាអាចរស់រានមានជីវិតនិងលូតលាស់បាន ទោះបីជាអាកាសធាតុក្តៅខ្លាំង ឬរាំងស្ងួតក៏ដោយ។ |
| Crop Simulation Models (គំរូក្លែងធ្វើដំណាំ) | កម្មវិធីកុំព្យូទ័រឯកទេស (ដូចជា DSSAT និង APSIM) ដែលវិភាគទិន្នន័យអាកាសធាតុ ដី និងការគ្រប់គ្រងដំណាំ ដើម្បីគណនាទស្សន៍ទាយពីការលូតលាស់និងទិន្នផលដំណាំនៅពេលអនាគត ក្រោមលក្ខខណ្ឌផ្សេងៗគ្នា។ | ដូចជាម៉ាស៊ីនពេលវេលា (Time Machine) នៅក្នុងកុំព្យូទ័រ ដែលអនុញ្ញាតឱ្យកសិករមើលឃើញជាមុនថា តើដំណាំរបស់ពួកគេនឹងទទួលបានទិន្នផលប៉ុន្មាននៅរដូវក្រោយ បើអាកាសធាតុមានការប្រែប្រួល។ |
| Regression Analysis (ការវិភាគតំរែតំរង់) | វិធីសាស្ត្រស្ថិតិគណិតវិទ្យាដែលប្រើដើម្បីវាយតម្លៃ និងវាស់ស្ទង់ទំហំនៃទំនាក់ទំនងរវាងអថេរឯករាជ្យ (ដូចជាសីតុណ្ហភាព ឬទឹកភ្លៀង) ទៅលើអថេរចំណុះ (ដូចជាទិន្នផលដំណាំ) ដើម្បីបញ្ជាក់ពីកម្រិតនៃឥទ្ធិពល។ | ដូចជាការស៊ើបអង្កេតរកមើលថា តើការខំប្រឹងរៀនរបស់សិស្ស (កត្តាជះឥទ្ធិពល) អាចធ្វើឱ្យពិន្ទុប្រឡង (លទ្ធផល) កើនឡើងប៉ុន្មានពិន្ទុយ៉ាងជាក់លាក់។ |
| ANOVA (ការវិភាគភាពប្រែប្រួលវ៉ារ្យ៉ង់) | ការធ្វើតេស្តស្ថិតិដែលប្រើដើម្បីប្រៀបធៀបមធ្យមភាគនៃក្រុមចំនួនបី ឬច្រើន (ឧទាហរណ៍ ក្រុមកសិករដែលមានកម្រិតអនុវត្តបច្ចេកទេសទាប មធ្យម និងខ្ពស់) ដើម្បីកំណត់ថាតើមានភាពខុសគ្នាយ៉ាងសំខាន់ខាងស្ថិតិរវាងក្រុមទាំងនោះដែរឬទេ។ | ដូចជាការប្រកួតប្រជែងរវាងសិស្សបីក្រុមដែលរៀនតាមវិធីខុសៗគ្នា ដើម្បីរកមើលថាតើវិធីមួយណាពិតជាធ្វើឱ្យសិស្សបានពិន្ទុខ្ពស់ជាងគេមែន ឬគ្រាន់តែជារឿងចៃដន្យ។ |
| Scenario Modelling (ការធ្វើគំរូសេណារីយ៉ូ) | ការបង្កើតស្ថានភាពឬលក្ខខណ្ឌសន្មត់នាពេលអនាគត (ឧទាហរណ៍ សេណារីយ៉ូអាកាសធាតុអំណោយផល ឬអាក្រក់បំផុត) ដើម្បីវិភាគជាមុននូវលទ្ធផលនិងផលប៉ះពាល់ ដែលជួយអ្នករៀបចំគោលនយោបាយក្នុងការដាក់ចេញផែនការទប់ទល់។ | ដូចជាការលេងអុក ដែលអ្នកត្រូវគិតទស្សន៍ទាយទុកជាមុននូវជំហានបន្ទាប់ចំនួន ៣ ឬ ៤ របៀប ដើម្បីត្រៀមខ្លួនទប់ទល់មិនថាតើគូប្រកួតដើរក្នុងក្បាច់ណាក៏ដោយ។ |
| Geospatial Mapping (ការគូសផែនទីភូមិសាស្ត្រលំហ) | ការប្រើប្រាស់ប្រព័ន្ធព័ត៌មានភូមិសាស្ត្រ (GIS) ដើម្បីប្រមូល វិភាគ និងបង្ហាញទិន្នន័យនៅលើផែនទី ដែលជួយកំណត់យ៉ាងច្បាស់នូវតំបន់ភូមិសាស្ត្រដែលងាយរងគ្រោះ ឬតំបន់ដែលមានសក្តានុពលកសិកម្មដើម្បីធ្វើអន្តរាគមន៍បានចំគោលដៅ។ | ដូចជាការប្រើប្រាស់កម្មវិធី Google Maps ដែលមានបង្ហាញពណ៌ក្រហម លឿង បៃតង ដើម្បីប្រាប់ថាតំបន់ណាមានការកកស្ទះចរាចរណ៍ខ្លាំងជាងគេ តែទីនេះគឺប្រើដើម្បីបង្ហាញពីតំបន់ខ្វះខាតទឹកជំនួសវិញ។ |
| Climatic Variability (ភាពប្រែប្រួលអាកាសធាតុ) | ការលោតឡើងចុះខុសប្រក្រតីនៃលក្ខខណ្ឌអាកាសធាតុធៀបនឹងកម្រិតមធ្យមធម្មតា ក្នុងរយៈពេលខ្លីទៅមធ្យម ដូចជាការប្រែប្រួលបរិមាណទឹកភ្លៀងពីមួយឆ្នាំទៅមួយឆ្នាំ ការកើនឡើងកម្តៅ ឬព្រឹត្តិការណ៍អាកាសធាតុធ្ងន់ធ្ងរ។ | ដូចជាអារម្មណ៍របស់មនុស្សដែលផ្លាស់ប្តូរលឿន ជួនកាលសប្បាយចិត្ត (ភ្លៀងធ្លាក់ល្អ) ជួនកាលខឹងខ្លាំង (ក្តៅហួតហែងរាំងស្ងួត) ដែលធ្វើឱ្យកសិករពិបាកទាយទុកមុនដើម្បីរៀបចំដាំដុះ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
