Original Title: Review of Crop Yield Forecasting Methods and Early Warning Systems
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original paper for full scientific accuracy.

ការពិនិត្យឡើងវិញលើវិធីសាស្ត្រព្យាករណ៍ទិន្នផលដំណាំ និងប្រព័ន្ធប្រកាសអាសន្នជាមុន

ចំណងជើងដើម៖ Review of Crop Yield Forecasting Methods and Early Warning Systems

អ្នកនិពន្ធ៖ Bruno Basso (Michigan State University, USA), Davide Cammarano, Elisabetta Carfagna

ឆ្នាំបោះពុម្ព៖ 2013

វិស័យសិក្សា៖ Agriculture and Agronomy

១. សេចក្តីសង្ខេបប្រតិបត្តិ (Executive Summary)

បញ្ហា (The Problem)៖ ឯកសារនេះដោះស្រាយពីតម្រូវការចាំបាច់នៃប្រព័ន្ធព្យាករណ៍ទិន្នផលដំណាំឱ្យបានច្បាស់លាស់ និងប្រព័ន្ធប្រកាសអាសន្នជាមុន ដើម្បីគ្រប់គ្រងសន្តិសុខស្បៀង កាត់បន្ថយផលប៉ះពាល់នៃការប្រែប្រួលអាកាសធាតុ និងជួយដល់ការសម្រេចចិត្តក្នុងវិស័យកសិកម្ម ជាពិសេសនៅតាមតំបន់ងាយរងគ្រោះ។

វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះធ្វើការពិនិត្យឡើងវិញនូវវិធីសាស្ត្របច្ចុប្បន្ន ដោយវិភាគ និងប្រៀបធៀបអភិក្រមបច្ចេកវិទ្យា និងទិន្នន័យផ្សេងៗដែលកំពុងប្រើប្រាស់ទូទាំងសកលលោក។

លទ្ធផលសំខាន់ៗ (The Verdict)៖

២. ការវិភាគលើប្រសិទ្ធភាព និងដែនកំណត់ (Performance & Constraints)

វិធីសាស្ត្រ (Method) គុណសម្បត្តិ (Pros) គុណវិបត្តិ (Cons) លទ្ធផលគន្លឹះ (Key Result)
Statistical Models
ម៉ូដែលស្ថិតិ (Statistical Models)
មានភាពសាមញ្ញ ងាយស្រួលប្រើប្រាស់ និងមិនទាមទារប៉ារ៉ាម៉ែត្រទិន្នន័យច្រើនស្មុគស្មាញក្នុងការគណនា។ ល្អសម្រាប់ការមើលនិន្នាការទិន្នផលផ្អែកលើទិន្នន័យប្រវត្តិសាស្ត្រ។ មិនអាចផ្តល់ព័ត៌មានលម្អិតនៅក្រៅទំហំទិន្នន័យដែលបានកំណត់ និងមិនបានគិតគូរពីអន្តរកម្មរវាងដី-រុក្ខជាតិ-បរិយាកាស ឬពេលវេលានៃភាពតានតឹងរបស់ដំណាំ (Stress timing) នោះទេ។ អាចព្យាករណ៍ទិន្នផលបានលឿន ប៉ុន្តែមិនអាចឆ្លើយតបទៅនឹងសំណួរកសិកម្មស៊ីជម្រៅ ដូចជាការណែនាំពីបរិមាណជី ឬពេលវេលាស្រោចស្រពឡើយ។
Crop Simulation Models (CSM)
ម៉ូដែលក្លែងធ្វើដំណាំ (Crop Simulation Models)
អាចវិភាគលម្អិតពីដំណើរការសរីរវិទ្យារបស់ដំណាំ អន្តរកម្មដី-ទឹក-អាកាសធាតុ និងជួយវាយតម្លៃយុទ្ធសាស្ត្រគ្រប់គ្រងកសិកម្មប្រកបដោយនិរន្តរភាព។ ទាមទារទិន្នន័យច្រើនសម្រាប់ការធ្វើក្រិតខ្នាត (Calibration) ហើយភាគច្រើនមានប្រសិទ្ធភាពតែនៅកម្រិតកសិដ្ឋាន (Point-based) ពិបាកពង្រីកដល់កម្រិតតំបន់ធំៗ។ ផ្តល់អត្រាភាពសុក្រឹតខ្ពស់ក្នុងការស្រាវជ្រាវ និងវាយតម្លៃការអនុវត្តកសិកម្ម ប្រសិនបើមានទិន្នន័យមូលដ្ឋានអប្បបរមា (Minimum Data Set) គ្រប់គ្រាន់។
Remote Sensing (RS)
បច្ចេកវិទ្យាតេឡេដេតទិច (Remote Sensing)
មានសមត្ថភាពខ្ពស់ក្នុងការតាមដានភាពខុសគ្នានៃទិន្នផលតាមលំហ (Spatial variability) និងអាចផ្តល់ទិន្នន័យតាមពេលវេលាជាក់ស្តែងលើផ្ទៃដីធំៗ។ រូបភាពផ្កាយរណបកម្រិតទាបជួបការលំបាកជាមួយកសិដ្ឋានចម្រុះខ្នាតតូចនៅក្នុងប្រទេសកំពុងអភិវឌ្ឍន៍ ហើយសន្ទស្សន៍ NDVI អាចឆ្អែត (Saturate) នៅពេលដំណាំក្រាស់ (LAI > 3)។ មានប្រសិទ្ធភាពខ្ពស់ក្នុងការប្រើប្រាស់សម្រាប់ប្រព័ន្ធប្រកាសអាសន្នជាមុន (EWS) ដើម្បីតាមដានគ្រោះរាំងស្ងួត និងការប្រែប្រួលគម្របបៃតង។
Integration of RS and CSM
ការរួមបញ្ចូលគ្នារវាង RS និង CSM
បូកបញ្ចូលចំណុចខ្លាំងនៃភាពសុក្រឹតតាមលំហរបស់ RS និងការវិភាគតាមពេលវេលាប្រចាំថ្ងៃរបស់ CSM ដែលបង្កើតបានជាឧបករណ៍ព្យាករណ៍ដ៏មានឥទ្ធិពល។ មានភាពស្មុគស្មាញផ្នែកកុំព្យូទ័រខ្ពស់ និងតម្រូវឱ្យមានចំណេះដឹងស៊ីជម្រៅលើការធ្វើសមាហរណកម្មទិន្នន័យ (Data assimilation methods)។ ជាជម្រើសដ៏ល្អបំផុត និងរឹងមាំបំផុតសម្រាប់ការវាយតម្លៃគម្លាតទិន្នផល (Yield Gap) និងការគ្រប់គ្រងកសិកម្មតាមរដូវកាល។

ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តវិធីសាស្ត្រទាំងនេះ ទាមទារការរួមបញ្ចូលគ្នានៃទិន្នន័យអាកាសធាតុ ទិន្នន័យផ្កាយរណប និងចំណេះដឹងផ្នែកកសិកម្ម-កុំព្យូទ័រ ដែលអាចមានតម្លៃខ្ពស់ក្នុងការរៀបចំដំបូង។

៣. ការពិនិត្យសម្រាប់បរិបទកម្ពុជា/អាស៊ីអាគ្នេយ៍

ភាពលំអៀងនៃទិន្នន័យ (Data Bias)៖

ការសិក្សានេះពឹងផ្អែកលើទិន្នន័យ និងករណីសិក្សាពីទូទាំងពិភពលោក (សហរដ្ឋអាមេរិក អាហ្វ្រិក អូស្ត្រាលី អឺរ៉ុប)។ ឯកសារបានទទួលស្គាល់ថា បច្ចេកវិទ្យាតេឡេដេតទិចអាចជួបបញ្ហានៅប្រទេសកំពុងអភិវឌ្ឍន៍ដោយសារកសិដ្ឋានមានទំហំតូចខ្លាំង។ ចំណុចនេះមានសារៈសំខាន់ណាស់សម្រាប់ប្រទេសកម្ពុជា ដែលផ្ទៃដីដាំដុះភាគច្រើនជាកសិដ្ឋានគ្រួសារខ្នាតតូច និងតែងតែប្រឈមនឹងកង្វះខាតទិន្នន័យប្រវត្តិសាស្ត្រ។

លទ្ធភាពនៃការអនុវត្ត (Applicability)៖

ទោះបីជាមានបញ្ហាប្រឈមទាក់ទងនឹងទំហំកសិដ្ឋានក៏ដោយ វិធីសាស្ត្រក្នុងឯកសារនេះមានសក្តានុពលធំធេងសម្រាប់វិស័យកសិកម្ម និងការគ្រប់គ្រងគ្រោះមហន្តរាយនៅកម្ពុជា។

ការបោះជំហានឆ្ពោះទៅរកការរួមបញ្ចូលបច្ចេកវិទ្យាផ្កាយរណបកម្រិតច្បាស់ខ្ពស់ ជាមួយនឹងម៉ូដែលដំណាំ នឹងជួយកម្ពុជាផ្លាស់ប្តូរពីការឆ្លើយតបក្រោយគ្រោះមហន្តរាយ ទៅជាការការពារហានិភ័យសន្តិសុខស្បៀងជាមុនប្រកបដោយភាពវៃឆ្លាត។

៤. ផែនការសកម្មភាពសម្រាប់និស្សិត (Actionable Roadmap)

ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖

  1. ជំហានទី១៖ សិក្សាមូលដ្ឋានគ្រឹះនៃ Remote Sensing: ចាប់ផ្តើមរៀនប្រើប្រាស់កម្មវិធីកូដបើកទូលាយដូចជា QGISGoogle Earth Engine (GEE) ដើម្បីអនុវត្តការទាញយក និងគណនាសន្ទស្សន៍រុក្ខជាតិ (ដូចជា NDVI, SAVI) ពីរូបភាពផ្កាយរណប LandsatSentinel-2 ដែលស័ក្តិសមសម្រាប់ដីកសិកម្មខ្នាតតូចនៅកម្ពុជា។
  2. ជំហានទី២៖ ស្វែងយល់ពី Crop Simulation Models: ស្រាវជ្រាវ និងសាកល្បងដំឡើងម៉ូដែលដំណាំល្បីៗដូចជា DSSAT, APSIM, ឬ SALUS។ និស្សិតគួរសិក្សាស៊ីជម្រៅពីរបៀបរៀបចំ Minimum Data Set (MDS) ដែលម៉ូដែលទាំងនេះត្រូវការចាំបាច់ដើម្បីដំណើរការ។
  3. ជំហានទី៣៖ ប្រមូលទិន្នន័យវាលកម្រិតមូលដ្ឋាន: ចុះកម្មសិក្សា ឬធ្វើការស្រាវជ្រាវនៅតំបន់គោលដៅណាមួយ (ឧ. ស្រុកថ្មគោល ខេត្តបាត់ដំបង) ដើម្បីប្រមូលទិន្នន័យជាក់ស្តែងអំពី ប្រភេទដី របបទឹកភ្លៀងប្រចាំថ្ងៃ និងប្រតិទិននៃការដាំដុះ (ការដាក់ជី ការប្រមូលផល) ដើម្បីយកមកផ្ទៀងផ្ទាត់ជាមួយទិន្នន័យផ្កាយរណប។
  4. ជំហានទី៤៖ អនុវត្តការធ្វើសមាហរណកម្មទិន្នន័យ (Integration): អនុវត្តការរួមបញ្ចូលទិន្នន័យពី RS ទៅក្នុងម៉ូដែល CSM ដោយប្រើវិធីសាស្ត្រសាមញ្ញដូចជាការធ្វើបច្ចុប្បន្នភាពអថេរស្ថានភាព (Method 2: Update model State Variables ដូចក្នុងឯកសារ) ដើម្បីបង្កើនភាពសុក្រឹតនៃការវាយតម្លៃជីវម៉ាសរបស់ដំណាំ។
  5. ជំហានទី៥៖ បង្កើតគំរូប្រព័ន្ធ Early Warning សម្រាប់សហគមន៍: ប្រើប្រាស់លទ្ធផលដែលទទួលបាន ដើម្បីបង្កើតជាផ្ទាំងគ្រប់គ្រងទិន្នន័យអនឡាញសាមញ្ញមួយ (Web Dashboard) ដែលអាចបង្ហាញពីតំបន់ប្រឈមនឹងការខ្វះទឹក ឬការធ្លាក់ចុះទិន្នផល ដើម្បីផ្តល់ជាដំណោះស្រាយបន្ទាន់ដល់កសិករ ឬអាជ្ញាធរពាក់ព័ន្ធ។

៥. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស ការពន្យល់ជាខេមរភាសា (Khmer Explanation) និយមន័យសាមញ្ញ (Simple Definition)
Crop Simulation Models (CSM) ជាកម្មវិធីកុំព្យូទ័រដែលប្រើប្រាស់រូបមន្តគណិតវិទ្យាដើម្បីក្លែងធ្វើ (simulate) ពីដំណើរការលូតលាស់របស់ដំណាំ និងព្យាករណ៍ទិន្នផល ដោយផ្អែកលើការវិភាគអន្តរកម្មរវាងអាកាសធាតុ លក្ខណៈដី និងវិធីសាស្ត្រថែទាំកសិកម្ម។ ដូចជាហ្គេមសាងសង់កសិដ្ឋាន ដែលយើងបញ្ចូលទិន្នន័យទឹក ដី និងជី ហើយវាគណនាប្រាប់យើងថាពេលណាអាចប្រមូលផលបាន និងបានបរិមាណប៉ុន្មាន។
Remote Sensing (RS) ជាបច្ចេកវិទ្យាក្នុងការប្រមូលទិន្នន័យពីផ្ទៃដីដោយមិនចាំបាច់ប៉ះផ្ទាល់ ដោយប្រើប្រាស់ឧបករណ៍ផ្កាយរណប យន្តហោះ ឬដ្រូន ដើម្បីថតយករូបភាព និងរលកពន្លឺចាំងផ្លាតសម្រាប់ការវិភាគសុខភាពដំណាំលើផ្ទៃដីធំៗ។ ដូចជាការប្រើកាមេរ៉ាសុវត្ថិភាពថតពីលើអាកាស ដើម្បីពិនិត្យមើលស្ថានភាពចម្ការដោយមិនបាច់ដើរមើលផ្ទាល់ជើងរាល់ថ្ងៃ។
Vegetation Indices (VIs) ជារូបមន្តគណិតវិទ្យាដែលរួមបញ្ចូលរលកពន្លឺផ្សេងៗ (ដូចជាពន្លឺក្រហម ដែលស្រូបដោយក្លរ៉ូហ្វីល និងពន្លឺអាំងហ្វ្រារ៉េដ ដែលផ្លាតដោយរចនាសម្ព័ន្ធស្លឹក) ពីរូបភាពផ្កាយរណប ដើម្បីវាយតម្លៃពីកម្រិតភាពបៃតង ជីវម៉ាស និងកម្រិតស្រ្តេសរបស់រុក្ខជាតិ។ ដូចជាម៉ាស៊ីនវាស់កម្ដៅដែលគ្រូពេទ្យប្រើដើម្បីដឹងថាអ្នកជំងឺក្ដៅខ្លួនឬអត់ តែនេះគឺសម្រាប់វាស់ "សុខភាព" របស់រុក្ខជាតិពីចម្ងាយ។
Yield Gap ជាទំហំនៃភាពខុសគ្នារវាងទិន្នផលសក្តានុពលអតិបរមាដែលអាចទទួលបាន (ក្នុងលក្ខខណ្ឌល្អឥតខ្ចោះ គ្មានសត្វល្អិត និងមានទឹកគ្រប់គ្រាន់) និងទិន្នផលជាក់ស្តែងដែលកសិករប្រមូលបាន។ គេវិភាគវាដើម្បីស្វែងរកដំណោះស្រាយកែលម្អទិន្នផល។ ដូចជាគម្លាតរវាងពិន្ទុដែលសិស្សអាចប្រឡងបាន១០០ពិន្ទុពេញ និងពិន្ទុជាក់ស្តែងដែលសិស្សទទួលបានត្រឹម៧០ពិន្ទុ ដោយ៣០ពិន្ទុដែលបាត់បង់នោះគឺជា "Yield Gap" ។
Minimum Data Set (MDS) ជាសំណុំទិន្នន័យមូលដ្ឋាន ឬបរិមាណព័ត៌មានអប្បបរមា (រួមមាន សីតុណ្ហភាព ទឹកភ្លៀង កាំរស្មីព្រះអាទិត្យ និងលក្ខណៈដី) ដែលម៉ូដែលក្លែងធ្វើដំណាំ (CSM) ត្រូវការជាចាំបាច់បំផុត ដើម្បីអាចដំណើរការការគណនាបានត្រឹមត្រូវ។ ដូចជាគ្រឿងផ្សំគោលដែលចាំបាច់បំផុត (ឧទាហរណ៍៖ អង្ករ និងទឹក) ដើម្បីដាំបាយឱ្យឆ្អិន ទោះបីជាគ្មានម្ហូបផ្សេងទៀតក៏ដោយ។
Leaf Area Index (LAI) ជាសន្ទស្សន៍វាស់ទំហំផ្ទៃស្លឹករុក្ខជាតិសរុបធៀបនឹងទំហំផ្ទៃដីដែលរុក្ខជាតិនោះដុះ។ វាមានសារៈសំខាន់ក្នុងការប៉ាន់ប្រមាណកម្រិតរំហួតទឹក និងអត្រានៃការធ្វើរស្មីសំយោគរបស់ដំណាំ។ ដូចជាការវាស់ទំហំតង់ដែលលាតសន្ធឹងបាំងពន្លឺថ្ងៃពីលើដី ប្រសិនបើស្លឹកកាន់តែធំនិងកាន់តែច្រើនជាន់ នោះទំហំបាំងពន្លឺថ្ងៃក៏កាន់តែធំ។
Photosynthetically Active Radiation (PAR) គឺជាបរិមាណពន្លឺព្រះអាទិត្យ (ស្ថិតក្នុងចន្លោះរលកពន្លឺ ៤០០ ទៅ ៧០០ ណាណូម៉ែត្រ) ដែលរុក្ខជាតិអាចស្រូបយកមកប្រើប្រាស់ក្នុងដំណើរការរស្មីសំយោគដើម្បីបំប្លែងទៅជាជីវម៉ាស និងលូតលាស់។ ដូចជាប្រភេទអាហារជាក់លាក់ណាមួយ ដែលក្រពះមនុស្សអាចរំលាយយកថាមពលបាន ខណៈដែលចំណីខ្លះទៀតរាងកាយមិនអាចស្រូបយកបាន។
Early Warning Systems (EWS) ជាប្រព័ន្ធរួមបញ្ចូលគ្នានូវការតាមដាន ការប្រមូលទិន្នន័យ ការវិភាគ និងការប្រាស្រ័យទាក់ទង ដើម្បីផ្តល់ការព្រមានជាមុនអំពីហានិភ័យគ្រោះមហន្តរាយ (ដូចជាគ្រោះរាំងស្ងួត ឬសន្តិសុខស្បៀង) ដល់សហគមន៍កសិករ និងអ្នកធ្វើគោលនយោបាយ ដើម្បីត្រៀមខ្លួនទប់ទល់។ ដូចជាម៉ាស៊ីនរោទិ៍ប្រាប់ពីផ្សែងភ្លើងនៅក្នុងផ្ទះ ដែលលោតសំឡេងព្រមានយើងមុនពេលភ្លើងឆេះរាលដាលធំ ដើម្បីឱ្យយើងមានពេលពន្លត់ ឬរត់គេច។

៦. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖