បញ្ហា (The Problem)៖ ការស្រាវជ្រាវនេះដោះស្រាយបញ្ហានៃការជ្រើសរើសម៉ូដែលគណិតវិទ្យាដែលស័ក្តិសមបំផុត ដើម្បីពណ៌នាពីខ្សែកោងនៃផលិតកម្មទឹកដោះរបស់សត្វគោទឹកដោះកាត់ពូជចម្រុះនៅក្នុងប្រទេសថៃ ក្រោមស្ថានភាពអាកាសធាតុតំបន់ត្រូពិច។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានប្រើប្រាស់ទិន្នន័យទិន្នផលទឹកដោះប្រចាំខែចំនួន ៣២,៥៨៣ កំណត់ត្រាពីសត្វគោចំនួន ៣,៥២៣ ក្បាល ដើម្បីយកមកវាយតម្លៃភាពសុក្រឹតនៃអនុគមន៍គណិតវិទ្យាចំនួន ៥ ប្រភេទ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Ali and Schaeffer polynomial (A&S) អនុគមន៍ពហុធា Ali និង Schaeffer |
មានភាពសុក្រឹតខ្ពស់បំផុត និងមានកំហុសលម្អៀង (Residual errors) តិចតួចបំផុតទាំងការវិភាគជារួម និងការវិភាគលើគោម្នាក់ៗ។ ខ្សែកោងដែលបានទស្សន៍ទាយមានភាពស៊ីសង្វាក់គ្នាល្អជាមួយទិន្នន័យជាក់ស្តែង។ | ទាមទារប៉ារ៉ាម៉ែត្រចំនួន ៥ ក្នុងការគណនា ដែលអាចមានភាពស្មុគស្មាញក្នុងការដំណើរការទិន្នន័យលើសពីម៉ូដែលសាមញ្ញមួយចំនួន។ | ចំណាត់ថ្នាក់លេខ១: R²_adj = 0.39, MSE = 6.84 និងកំហុសមធ្យមដាច់ខាត (RES) ទាបបំផុត 0.566។ |
| Wood incomplete gamma (WD) អនុគមន៍ហ្គាម៉ាមិនពេញលេញ Wood |
ជាម៉ូដែលដ៏មានប្រជាប្រិយភាព និងងាយស្រួលប្រើប្រាស់។ ផ្តល់លទ្ធផលល្អគួរសម និងជាប់ចំណាត់ថ្នាក់លេខ២ ក្នុងការសិក្សានេះ។ | មានការប៉ាន់ស្មានលើស (Overestimated) ទិន្នផលទឹកដោះនៅដើម និងចុងបញ្ចប់នៃការបំបៅដោះ ហើយតម្លៃលម្អៀងមានការប្រែប្រួលចុះឡើង។ | ចំណាត់ថ្នាក់លេខ២: R²_adj = 0.39, MSE = 6.85, RES = 0.846។ |
| Schaeffer and Dekkers logarithm (S&D) អនុគមន៍លោការីត Schaeffer និង Dekkers |
អាចទស្សន៍ទាយទិន្នផលទឹកដោះបានយ៉ាងកៀកគ្នាទៅនឹងអនុគមន៍ WIL ដោយសារវាមានប្រភពចេញពីម៉ូដែលដើមតែមួយ។ | តម្លៃលម្អៀងមានការប្រែប្រួលជាវិជ្ជមាន និងអវិជ្ជមានឆ្លាស់គ្នាពេញមួយវដ្តនៃការបំបៅដោះ។ | ចំណាត់ថ្នាក់លេខ៣: R²_adj = 0.39, MSE = 6.87, RES = 0.867។ |
| Wilmink exponential (WIL) អនុគមន៍អិចស្ប៉ូណង់ស្យែល Wilmink |
ងាយស្រួលប្រើសម្រាប់ទម្រង់ទិន្នន័យស្តង់ដារ និងមានដំណើរការប្រហាក់ប្រហែលនឹងម៉ូដែល S&D ដែរ។ | មានភាពសុក្រឹតទាបជាង A&S និង WD នៅពេលធ្វើការវិភាគលើទិន្នន័យនៃការបំបៅដោះរបស់សត្វគោនីមួយៗ។ | ចំណាត់ថ្នាក់លេខ៤: R²_adj = 0.39, MSE = 6.86, RES = 0.860។ |
| Legendre polynomials (LEG) អនុគមន៍ពហុធា Legendre |
ជាវិធីសាស្ត្រទំនើបមួយដែលត្រូវបានគេយកមកអនុវត្តញឹកញាប់ក្នុងការសិក្សានាពេលបច្ចុប្បន្នលើប្រភេទគោទឹកដោះ។ | ដំណើរការអន់ជាងគេក្នុងការសិក្សានេះ ដោយមានកំហុសលម្អៀងធំ និងប៉ាន់ស្មានខុសច្រើននៅដំណាក់កាលដំបូងនៃការបំបៅ។ | ចំណាត់ថ្នាក់លេខ៥ (អន់ជាងគេ): R²_adj = 0.38, MSE = 6.92, RES = 0.910។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះមិនបានបញ្ជាក់ពីការចំណាយជាថវិកាផ្ទាល់នោះទេ ប៉ុន្តែវាទាមទារនូវប្រព័ន្ធកម្មវិធីកុំព្យូទ័រផ្នែកស្ថិតិ និងទិន្នន័យកំណត់ត្រារយៈពេលវែងដ៏ច្រើនសន្ធឹកសន្ធាប់ពីកសិដ្ឋានផ្សេងៗគ្នា។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅក្នុងប្រទេសថៃ ដោយប្រមូលទិន្នន័យពីកសិដ្ឋានចំនួន ៧៧៧ កន្លែង ដែលផ្តោតលើពូជគោទឹកដោះកាត់ចម្រុះ (Holstein Friesian) ក្នុងអាកាសធាតុក្តៅសើម។ សម្រាប់ប្រទេសកម្ពុជា ទិន្នន័យនេះមានសារៈសំខាន់ និងអាចយកជាគំរូយោងបានយ៉ាងល្អ ព្រោះប្រទេសទាំងពីរមានលក្ខខណ្ឌអាកាសធាតុភូមិសាស្ត្រ និងនិន្នាការនៃការចិញ្ចឹមសត្វគោពូជកាត់ (Crossbreeds) ស្រដៀងគ្នាខ្លាំង។
ការជ្រើសរើសម៉ូដែលគណិតវិទ្យាដ៏ស័ក្តិសមនេះ មានសក្តានុពលខ្ពស់ក្នុងការយកមកអនុវត្តដើម្បីអភិវឌ្ឍវិស័យផលិតកម្មទឹកដោះគោនៅប្រទេសកម្ពុជា។
ការបំពាក់នូវប្រព័ន្ធព្យាករណ៍តាមបែបគណិតវិទ្យា នឹងជួយប្រែក្លាយការគ្រប់គ្រងកសិដ្ឋានគោទឹកដោះនៅកម្ពុជា ពីការស្មានដោយភ្នែក ទៅជាការសម្រេចចិត្តផ្អែកលើទិន្នន័យច្បាស់លាស់។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Lactation curve (ខ្សែកោងនៃការបំបៅដោះ) | ក្រាហ្វដែលបង្ហាញពីការប្រែប្រួលនៃបរិមាណទឹកដោះដែលសត្វគោមេផលិតបាន គិតចាប់ពីថ្ងៃសម្រាលកូនរហូតដល់ថ្ងៃផ្តាច់ដោះ។ វាតែងតែកើនឡើងដល់កម្រិតកំពូលនៅដើមទី រួចធ្លាក់ចុះមកវិញបន្តិចម្តងៗរហូតដល់ចុងបញ្ចប់។ | ដូចជារបៀបដែលកម្លាំងរបស់អត្តពលិករត់ម៉ារ៉ាតុងកើនឡើងដល់កម្រិតកំពូលនៅពាក់កណ្តាលទី រួចថយចុះបន្តិចម្តងៗនៅពេលជិតដល់ទីដៅ។ |
| Multibreed population (ហ្វូងសត្វពូជកាត់ចម្រុះ) | ក្រុមសត្វដែលកើតចេញពីការបង្កាត់កាត់ពូជច្រើនប្រភេទបញ្ចូលគ្នា (ឧទាហរណ៍ គោពូជ Holstein Friesian បង្កាត់ជាមួយគោពូជ Zebu ក្នុងស្រុក) ដើម្បីទទួលបានលក្ខណៈល្អៗពីពូជទាំងសងខាង ដូចជាភាពធន់នឹងកម្តៅ និងសមត្ថភាពឲ្យទឹកដោះច្រើន។ | ដូចជាការផ្សំគ្រឿងផ្សំពីតំបន់ផ្សេងៗគ្នាដើម្បីបង្កើតជាមុខម្ហូបថ្មីមួយដែលមានរសជាតិឆ្ងាញ់ផង និងទុកបានយូរផង។ |
| Mean square error (កំហុសមធ្យមការ៉េ) | រង្វាស់ស្ថិតិដែលវាស់ស្ទង់ថាតើទិន្នន័យដែលបានទស្សន៍ទាយ (តាមរយៈម៉ូដែលគណិតវិទ្យា) ខុសប្លែកពីទិន្នន័យជាក់ស្តែងកម្រិតណា។ តម្លៃ MSE កាន់តែតូច បញ្ជាក់ថាម៉ូដែលនោះទស្សន៍ទាយកាន់តែសុក្រឹតនិងត្រឹមត្រូវ។ | ដូចជាការបាញ់ព្រួញទៅកាន់ផ្ទាំងស៊ីប បើព្រួញភាគច្រើនបុកចំកណ្តាល ឬក្បែរៗនោះ កំហុសលម្អៀងគឺមានទំហំតូចបំផុត។ |
| Adjusted coefficient of determination (មេគុណកែតម្រូវនៃការកំណត់ - R2_adj) | រង្វាស់ភាគរយដែលបញ្ជាក់ថា ម៉ូដែលគណិតវិទ្យាដែលយើងប្រើអាចពន្យល់ពីបំរែបំរួលនៃទិន្នន័យជាក់ស្តែងបានប៉ុន្មានភាគរយ ដោយមានការគិតគូរដកចេញនូវភាពលម្អៀងនៅពេលដែលមានអថេរច្រើនពេក។ | ដូចជាពិន្ទុប្រលងដែលវាយតម្លៃថាតើសិស្សម្នាក់យល់មេរៀនបានប៉ុន្មានភាគរយ ប៉ុន្តែមានការកាត់ពិន្ទុប្រសិនបើសិស្សសរសេរចម្លើយវែងតែមិនចំគោលដៅសោះ។ |
| Ali and Schaeffer polynomial (អនុគមន៍ពហុធា Ali និង Schaeffer) | ម៉ូដែលគណិតវិទ្យាប្រភេទពហុធា ដែលបង្កើតឡើងជាពិសេសសម្រាប់យកមកគណនា និងគូសបញ្ចេញជាខ្សែកោង ដើម្បីទស្សន៍ទាយទិន្នផលទឹកដោះគោនៅតាមតំណាក់កាលនីមួយៗបានយ៉ាងសុក្រឹតជាងគេក្នុងការសិក្សានេះ។ | ដូចជាពុម្ពកាត់ខោអាវដ៏ឆ្លាតវៃមួយ ដែលអាចវាស់ និងកាត់ចេញមករឹបរាងត្រូវខ្នាតមនុស្សម្នាក់ៗបានល្អជាងពុម្ពដទៃ។ |
| Day in milk (ចំនួនថ្ងៃបំបៅដោះ - DIM) | ចំនួនថ្ងៃសរុបដែលរាប់ចាប់តាំងពីថ្ងៃដែលមេគោសម្រាលកូន និងចាប់ផ្តើមផលិតទឹកដោះ រហូតដល់ថ្ងៃដែលវាត្រូវបានកត់ត្រា ឬដល់ថ្ងៃដែលវាត្រូវគេផ្តាច់ដោះ។ | ដូចជាកុងទ័រវាស់ចម្ងាយនៃការជិះតាក់ស៊ី ដោយចាប់ផ្តើមគិតគីឡូម៉ែត្រចាប់តាំងពីពេលភ្ញៀវឡើងជិះដំបូង។ |
| Test-day yield (ទិន្នផលថ្ងៃធ្វើតេស្ត) | បរិមាណទឹកដោះគោសរុបដែលមេគោមួយក្បាលផលិតបាននៅក្នុងថ្ងៃណាមួយជាក់លាក់ដែលកសិដ្ឋានបានកំណត់យកទៅកត់ត្រា និងវាស់ស្ទង់ (ជាទូទៅគេវាស់ម្តងក្នុងមួយខែ)។ | ដូចជាការធ្វើតេស្តឈាមប្រចាំខែរបស់អ្នកជំងឺ ដើម្បីតាមដានកម្រិតជាតិស្ករនៅថ្ងៃនោះទុកជាតំណាងឲ្យស្ថានភាពសុខភាពពេញមួយខែ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
