Original Title: Impacts of Climate Change on Hazelnut (Corylus avellane L.) Cultivation in Bhutan
Source: doi.org/10.31817/vjas.2022.5.2.02
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original paper for full scientific accuracy.

ផលប៉ះពាល់នៃការប្រែប្រួលអាកាសធាតុទៅលើការដាំដុះគ្រាប់ Hazelnut (Corylus avellane L.) នៅប្រទេសប៊ូតាន

ចំណងជើងដើម៖ Impacts of Climate Change on Hazelnut (Corylus avellane L.) Cultivation in Bhutan

អ្នកនិពន្ធ៖ Arjun Nepal (College of Natural Resources, Royal University of Bhutan), Sonam Tashi (College of Natural Resources, Royal University of Bhutan), Rekha Chhetri (College of Natural Resources, Royal University of Bhutan), Tshering Dorji (Research and Development Division, Mountain Hazelnut Ventures Private Limited, Bhutan), Ugyen Dorji (College of Natural Resources, Royal University of Bhutan), Sunil Sapkota (College of Natural Resources, Royal University of Bhutan)

ឆ្នាំបោះពុម្ព៖ 2022, Vietnam Journal of Agricultural Sciences

វិស័យសិក្សា៖ Agronomy

១. សេចក្តីសង្ខេបប្រតិបត្តិ (Executive Summary)

បញ្ហា (The Problem)៖ ការសិក្សានេះវាយតម្លៃពីកត្តាដែលជះឥទ្ធិពលដល់ការចែកចាយភូមិសាស្ត្រនៃការដាំដុះគ្រាប់ Hazelnut (Corylus avellane L.) នៅប្រទេសប៊ូតាន និងព្យាករណ៍ពីផលប៉ះពាល់នៃការប្រែប្រួលអាកាសធាតុនាពេលអនាគតមកលើផ្ទៃដីដាំដុះទាំងនេះ។

វិធីសាស្ត្រ (The Methodology)៖ ការស្រាវជ្រាវនេះប្រើប្រាស់វិធីសាស្ត្រធ្វើម៉ូដែលការព្យាករណ៍ទីជម្រកអេកូឡូស៊ី ដោយរួមបញ្ចូលទិន្នន័យអាកាសធាតុ និងឋានលេខាដើម្បីទស្សន៍ទាយទីតាំងស័ក្តិសមសម្រាប់ការដាំដុះ។

លទ្ធផលសំខាន់ៗ (The Verdict)៖

២. ការវិភាគលើប្រសិទ្ធភាព និងដែនកំណត់ (Performance & Constraints)

វិធីសាស្ត្រ (Method) គុណសម្បត្តិ (Pros) គុណវិបត្តិ (Cons) លទ្ធផលគន្លឹះ (Key Result)
Maximum Entropy Modeling (MaxENT) - Current Climate Scenario
ការធ្វើម៉ូដែលទីជម្រកជីវសាស្ត្រអតិបរមា (MaxENT) ផ្អែកលើអាកាសធាតុបច្ចុប្បន្ន		 មានភាពបត់បែនខ្ពស់ដោយអាចទទួលយកទិន្នន័យអថេរច្រើនប្រភេទ និងទាមទារតែទិន្នន័យបញ្ជាក់ពីវត្តមានរបស់ដំណាំប៉ុណ្ណោះ។ ផ្តល់លទ្ធផលម៉ូដែលបានល្អរឹងមាំ បើទោះបីជាទិន្នន័យមានចំនួនតិចតួច។ មិនបានបញ្ចូលទិន្នន័យភូមិសាស្ត្រសំខាន់ៗផ្សេងទៀតដូចជា ប្រភេទដី និងលក្ខណៈភូមិសាស្ត្រលម្អិតចូលទៅក្នុងការវិភាគ។ ទិន្នន័យអាកាសធាតុសកលមានកម្រិតភាពច្បាស់ត្រឹមប្រមាណ ១ គីឡូម៉ែត្រប៉ុណ្ណោះដែលអាចបង្កជាភាពលម្អៀង។ បង្កើតបានម៉ូដែលដែលមានភាពត្រឹមត្រូវខ្ពស់គួរសម (AUC = ០.៨១៩ និង TSS = ០.៦៦) ដោយរកឃើញផ្ទៃដីដ៏ស័ក្តិសមចំនួន ១០.៧៤៤,៨ គីឡូម៉ែត្រការ៉េ នៅក្នុងប្រទេសប៊ូតាននាពេលបច្ចុប្បន្ន។
Maximum Entropy Modeling (MaxENT) - Future Climate Projection (RCP 2.6 & RCP 4.5)
ការព្យាករណ៍អនាគតតាមរយៈម៉ូដែល MaxENT (សេណារីយ៉ូទីជម្រក RCP 2.6 & 4.5)		 អាចផ្តល់រូបភាពយ៉ាងច្បាស់លាស់ពីការផ្លាស់ប្តូរទីតាំងភូមិសាស្ត្រដំណាំដែលអាចរងផលប៉ះពាល់នៅថ្ងៃអនាគត (ឆ្នាំ២០៤០ ដល់ ឆ្នាំ២០៨០) ដែលមានប្រយោជន៍សម្រាប់ការធ្វើផែនការយុទ្ធសាស្ត្រកសិកម្មរយៈពេលវែង។ ភាពត្រឹមត្រូវនៃការព្យាករណ៍ត្រូវពឹងផ្អែកទាំងស្រុងទៅលើសេណារីយ៉ូនៃការបំភាយឧស្ម័នផ្ទះកញ្ចក់ ដែលអាចមានភាពមិនច្បាស់លាស់ និងប្រែប្រួលខ្ពស់នៅក្នុងស្ថានភាពជាក់ស្តែងរបស់ពិភពលោក។ ព្យាករណ៍ថាផ្ទៃដីដាំដុះដ៏ស័ក្តិសមនឹងត្រូវបង្រួមថយចុះរហូតដល់ ៨,២៩% នៅក្នុងសេណារីយ៉ូ RCP 4.5 ចន្លោះឆ្នាំ ២០៤០ ដល់ ២០៦០ ជាពិសេសនៅតំបន់ជើងភ្នំភាគខាងត្បូង។

ការចំណាយលើធនធាន (Resource Cost)៖ ការស្រាវជ្រាវនេះទាមទារធនធានជាកម្មវិធីកុំព្យូទ័រឯកទេស ទិន្នន័យអាកាសធាតុសកល និងទិន្នន័យកំណត់ទីតាំងភូមិសាស្ត្រ (GPS) ដែលភាគច្រើនអាចទាញយកបានដោយឥតគិតថ្លៃ ប៉ុន្តែវាទាមទារជំនាញកម្រិតខ្ពស់ក្នុងការវិភាគ។

៣. ការពិនិត្យសម្រាប់បរិបទកម្ពុជា/អាស៊ីអាគ្នេយ៍

ភាពលំអៀងនៃទិន្នន័យ (Data Bias)៖

ការសិក្សានេះត្រូវបានធ្វើឡើងនៅក្នុងប្រទេសប៊ូតាន ដែលជាប្រទេសមានភូមិសាស្ត្រតំបន់ភ្នំខ្ពស់ ដោយប្រើប្រាស់ត្រឹមទិន្នន័យអាកាសធាតុសកល (~1km) និងមិនមានបញ្ចូលទិន្នន័យកសិកម្មសំខាន់ៗដូចជាប្រភេទដី និងកម្រិតជីវជាតិដីនោះទេ។ សម្រាប់ប្រទេសកម្ពុជា ការពឹងផ្អែកតែលើទិន្នន័យអាកាសធាតុដោយមិនមានបញ្ចូលទិន្នន័យគុណភាពដី អាចធ្វើឱ្យការកំណត់តំបន់ដាំដុះមានភាពលម្អៀង ពិសេសនៅតំបន់ខ្ពង់រាប និងតំបន់វាលទំនាបដែលដីមានលក្ខណៈរូបសាស្ត្រខុសប្លែកគ្នាខ្លាំង។

លទ្ធភាពនៃការអនុវត្ត (Applicability)៖

ការប្រើប្រាស់វិធីសាស្ត្រធ្វើម៉ូដែលចែកចាយទីជម្រកជីវសាស្ត្រអតិបរមា (MaxENT) មានសារៈសំខាន់ និងអាចយកមកអនុវត្តប្រកបដោយប្រសិទ្ធភាពខ្ពស់សម្រាប់វិស័យកសិកម្មនៅកម្ពុជាដែលងាយរងគ្រោះពីអាកាសធាតុ។

ជារួម វិធីសាស្ត្រនេះអាចផ្តល់នូវមូលដ្ឋានវិទ្យាសាស្ត្រដ៏រឹងមាំ និងមានភាពច្បាស់លាស់ សម្រាប់ជួយដល់ការធ្វើផែនការប្រើប្រាស់ដីធ្លី ការវាយតម្លៃហានិភ័យអាកាសធាតុ និងការរៀបចំវិធានការបន្សាំកសិកម្មនៅកម្ពុជាប្រកបដោយចីរភាព។

៤. ផែនការសកម្មភាពសម្រាប់និស្សិត (Actionable Roadmap)

ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖

  1. ១. ការប្រមូលទិន្នន័យទីតាំងជាក់ស្តែង (Field Data Collection): ប្រើប្រាស់ឧបករណ៍ GPS ឬកម្មវិធីទូរស័ព្ទដៃដើម្បីចុះប្រមូលទិន្នន័យកូអរដោណេទីតាំង (Presence-only data) នៃប្រភេទដំណាំ ឬរុក្ខជាតិគោលដៅនៅតាមតំបន់ផ្សេងៗក្នុងប្រទេសកម្ពុជា និងកត់ត្រាទុកក្នុងទម្រង់ឯកសារ .csv។
  2. ២. ការទាញយក និងកែច្នៃទិន្នន័យបរិស្ថាន (Data Acquisition & Pre-processing): ទាញយកទិន្នន័យអាកាសធាតុពី WorldClim ព្រមទាំងទិន្នន័យឋានលេខា (Elevation, Slope, Aspect) រួចប្រើប្រាស់កម្មវិធី ArcGIS ឬ QGIS ដើម្បីកាត់ផែនទីផ្តោតតែលើប្រទេសកម្ពុជា និងកម្ចាត់អថេរដែលមានការត្រួតស៊ីគ្នាខ្លាំងពេកតាមរយៈ Multicollinearity test។
  3. ៣. ការវិភាគអថេរនិងការដំណើរការម៉ូដែល (Model Execution): ប្រើប្រាស់កម្មវិធី R Studio (ENMeval package) ដើម្បីស្វែងរកប៉ារ៉ាម៉ែត្ររៀបចំ (Regularization parameters) ដែលល្អបំផុតសម្រាប់ម៉ូដែល រួចដំណើរការវិភាគទស្សន៍ទាយនៅក្នុងកម្មវិធី MaxENT ដោយកំណត់ចំនួន Iteration ឲ្យបានសមស្រប។
  4. ៤. ការវាយតម្លៃភាពត្រឹមត្រូវម៉ូដែល (Model Validation): ធ្វើការវាយតម្លៃលទ្ធផលផែនទីដោយពឹងផ្អែកលើសូចនាករស្ថិតិដែលបង្កើតដោយកម្មវិធី ដូចជា តំបន់ក្រោមខ្សែកោង (AUC/ROC) និង TSS (True Skill Statistic) ដើម្បីបញ្ជាក់អះអាងថាម៉ូដែលនោះអាចទស្សន៍ទាយបានត្រឹមត្រូវនិងអាចទុកចិត្តបាន។
  5. ៥. ការបង្កើតផែនទីការព្យាករណ៍និងផែនការយុទ្ធសាស្ត្រ (Mapping & Policy Planning): ប្រៀបធៀបផែនទីអាកាសធាតុបច្ចុប្បន្ន ជាមួយនិងសេណារីយ៉ូអនាគត (ដូចជា RCP 2.6, RCP 4.5 សម្រាប់ឆ្នាំ ២០៤០-២០៦០) រួចបញ្ចូលទិន្នន័យកម្រិតហានិភ័យនេះទៅក្នុងផែនការសហគមន៍ ដើម្បីរៀបចំវិធានការដាំដំណាំចម្រុះជាការឆ្លើយតប។

៥. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស ការពន្យល់ជាខេមរភាសា (Khmer Explanation) និយមន័យសាមញ្ញ (Simple Definition)
Species distribution modelling (SDM) (ការធ្វើម៉ូដែលចែកចាយទីជម្រកជីវសាស្ត្រ) គឺជាវិធីសាស្ត្រប្រើប្រាស់ទិន្នន័យកូអរដោណេទីតាំងរបស់រុក្ខជាតិ ឬសត្វ ផ្គួបផ្សំជាមួយទិន្នន័យបរិស្ថាន (ដូចជាសីតុណ្ហភាព ទឹកភ្លៀង កម្ពស់ដី) ដើម្បីបង្កើតជាផែនទីទស្សន៍ទាយថាតើកន្លែងណាខ្លះដែលពួកវាអាចរស់នៅបានទាំងក្នុងពេលបច្ចុប្បន្ន និងអនាគត។ ដូចជាការប្រើកម្មវិធីកុំព្យូទ័រគូសផែនទី ដើម្បីទស្សន៍ទាយថា តើកន្លែងណាខ្លះមានអាកាសធាតុសមស្របដែលដំណាំមួយប្រភេទអាចដុះលូតលាស់បានល្អ។
Maximum entropy model (MaxENT) (ម៉ូដែលទីជម្រកជីវសាស្ត្រអតិបរមា) គឺជាក្បួនដោះស្រាយគណិតវិទ្យា (Algorithm) មួយប្រភេទដែលពេញនិយមបំផុតក្នុងការធ្វើម៉ូដែល SDM ដោយវាទាមទារតែទិន្នន័យទីតាំងដែលមានវត្តមានប្រភេទរុក្ខជាតិឬសត្វប៉ុណ្ណោះ (Presence-only data) ដើម្បីគណនារកទីតាំងផ្សេងទៀតដែលមានលក្ខណៈប្រហាក់ប្រហែលគ្នា។ ដូចជាអ្នកស៊ើបអង្កេតម្នាក់ដែលយកព័ត៌មានពីកន្លែងដែលជនសង្ស័យធ្លាប់លាក់ខ្លួន ដើម្បីទស្សន៍ទាយរកទីតាំងថ្មីៗផ្សេងទៀតដែលជននោះអាចនឹងទៅលាក់ខ្លួនបាន។
Representative Concentration Pathway (RCP) (សេណារីយ៉ូនៃការកំហាប់ឧស្ម័នផ្ទះកញ្ចក់) គឺជាសេណារីយ៉ូដែលក្រុមប្រឹក្សាអន្តររដ្ឋាភិបាលស្តីពីការប្រែប្រួលអាកាសធាតុ (IPCC) ប្រើប្រាស់ដើម្បីពណ៌នាពីកម្រិតនៃការបញ្ចេញឧស្ម័នផ្ទះកញ្ចក់ទៅក្នុងបរិយាកាសនាពេលអនាគត។ RCP 2.6 តំណាងឱ្យសេណារីយ៉ូដែលពិភពលោកអាចកាត់បន្ថយការបញ្ចេញឧស្ម័នបានច្រើន ខណៈ RCP 4.5 គឺជាសេណារីយ៉ូកម្រិតមធ្យម។ ដូចជាការសន្និដ្ឋានទុកជាមុនថា "ចុះបើមនុស្សកាត់បន្ថយផ្សែងពុលបានច្រើន (RCP 2.6)?" ឬ "ចុះបើមនុស្សនៅតែបន្តបញ្ចេញផ្សែងពុលកម្រិតមធ្យម (RCP 4.5) តើពិភពលោកនឹងក្តៅប៉ុនណា?"។
Multicollinearity (ពហុភាពអថេរទាក់ទងគ្នា) គឺជាបញ្ហាផ្នែកស្ថិតិដែលកើតឡើងនៅពេលដែលអថេរឯករាជ្យពីរ ឬច្រើន (ដូចជាសីតុណ្ហភាពប្រចាំខែ និងសីតុណ្ហភាពប្រចាំឆ្នាំ) មានទំនាក់ទំនងគ្នាខ្លាំងពេក ដែលធ្វើឱ្យម៉ូដែលព្យាករណ៍មានការភាន់ច្រឡំ និងផ្តល់លទ្ធផលមិនច្បាស់លាស់។ ការសិក្សានេះត្រូវលុបអថេរដែលជាន់គ្នាទាំងនេះចោលមុនពេលរត់ម៉ូដែល។ ដូចជាការសួរនាំសាក្សីពីរនាក់ដែលឃើញហេតុការណ៍តែមួយនិងនិយាយរឿងដូចគ្នាបេះបិទ ដែលធ្វើឱ្យមានភាពស្ទួនព័ត៌មាន និងមិនជួយឱ្យការស៊ើបអង្កេតកាន់តែមានភាពច្បាស់លាស់នោះទេ។
Area under the curve (AUC) (ផ្ទៃក្រោមកោង) គឺជារង្វាស់ស្ថិតិសម្រាប់វាយតម្លៃពីភាពត្រឹមត្រូវរបស់ម៉ូដែលព្យាករណ៍ (ROC curve)។ តម្លៃ AUC កាន់តែខិតជិតលេខ ១ (ឧទាហរណ៍ ០.៨ ដល់ ១.០) មានន័យថាម៉ូដែលនោះមានសមត្ថភាពទស្សន៍ទាយបានត្រឹមត្រូវនិងល្អឥតខ្ចោះ។ បើពិន្ទុក្រោម ០.៥ មានន័យថាវាអន់ជាងការទាយស្មានដោយចៃដន្យទៅទៀត។ ដូចជាពិន្ទុប្រឡងរបស់សិស្សអញ្ចឹងដែរ បើបានពិន្ទុជិត ១០ (AUC ជិត ១) មានន័យថាសិស្សនោះពូកែនិងធ្វើលំហាត់បានត្រឹមត្រូវច្រើន។
True skill statistic (TSS) (សូចនាករជំនាញពិតប្រាកដ) ជារង្វាស់ស្ថិតិមួយទៀតសម្រាប់វាយតម្លៃគុណភាពម៉ូដែលដែលមិនរងឥទ្ធិពលពីទំហំនៃទិន្នន័យ។ វាវាស់វែងពីសមត្ថភាពរបស់ម៉ូដែលក្នុងការកាត់បន្ថយទាំងកំហុសដែលទាយថាមានតែបែរជាអត់ (Commission error) និងកំហុសដែលទាយថាអត់តែបែរជាមាន (Omission error)។ វាមានតម្លៃពី -១ ដល់ +១។ ដូចជាការវាស់ស្ទង់សមត្ថភាពគ្រូពេទ្យក្នុងការធ្វើរោគវិនិច្ឆ័យ ដែលគាត់អាចរកឃើញអ្នកជំងឺពិតប្រាកដបានត្រឹមត្រូវ ព្រមទាំងមិនធ្វើរោគវិនិច្ឆ័យខុសថាមានជំងឺលើមនុស្សដែលមានសុខភាពល្អ។
Bioclimatic variables (អថេរអាកាសធាតុជីវសាស្ត្រ) គឺជាទិន្នន័យដែលទាញចេញពីសីតុណ្ហភាព និងទឹកភ្លៀងប្រចាំខែ ដើម្បីឆ្លុះបញ្ចាំងពីលក្ខខណ្ឌអាកាសធាតុសំខាន់ៗដែលមានឥទ្ធិពលផ្ទាល់ដល់ការរស់រាន និងការលូតលាស់របស់រុក្ខជាតិ ឬសត្វ ដូចជាសីតុណ្ហភាពមធ្យមនៅខែដែលត្រជាក់បំផុត ឬបរិមាណទឹកភ្លៀងនៅរដូវក្តៅបំផុត។ គឺជាទិន្នន័យអាកាសធាតុដែលត្រូវបានចម្រាញ់ចេញជាពិសេស ដើម្បីបង្ហាញពីចំនុចរសើបនៃអាកាសធាតុដែលអាចសម្លាប់ ឬជួយឱ្យរុក្ខជាតិមួយលូតលាស់បានយ៉ាងល្អ។

៦. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖