បញ្ហា (The Problem)៖ ការស្រាវជ្រាវនេះដោះស្រាយបញ្ហាប្រឈមក្នុងការទស្សន៍ទាយទិន្នផលដំណាំអោយបានត្រឹមត្រូវ ដែលមានសារៈសំខាន់សម្រាប់ការសម្រេចចិត្តនៅថ្នាក់សកល តំបន់ និងកម្រិតវាលដាំដុះ ដោយប្រើប្រាស់បច្ចេកវិទ្យាទំនើបជំនួសវិធីសាស្ត្រប្រពៃណី។
វិធីសាស្ត្រ (The Methodology)៖ អត្ថបទនេះគឺជាអត្ថបទវិចារណកថា (Editorial) ដែលធ្វើការសង្ខេបនិងពិនិត្យឡើងវិញនូវការស្រាវជ្រាវចំនួន ៩ ដែលផ្តោតលើការប្រើប្រាស់វិធីសាស្ត្រផ្សេងៗគ្នា ដើម្បីព្យាករណ៍ទិន្នផលដំណាំ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Artificial Neural Networks (ANN) បណ្តាញសរសៃប្រសាទសិប្បនិម្មិត (ប្រើសម្រាប់ការទស្សន៍ទាយទិន្នផលដំឡូងបារាំង) |
មានសមត្ថភាពខ្ពស់ក្នុងការដោះស្រាយទំនាក់ទំនងទិន្នន័យដែលមិនមែនជាលីនេអ៊ែរ (Non-linear) និងផ្តល់នូវភាពសុក្រិតខ្ពស់ជាងគំរូស្ថិតិធម្មតា។ | ត្រូវការទិន្នន័យជាច្រើនដើម្បីបង្រៀនម៉ូដែល ហើយដំណើរការខាងក្នុងមានភាពស្មុគស្មាញពិបាកបកស្រាយ (Black box)។ | កំហុសជាមធ្យម (MAPE) មានត្រឹមតែ ៧.២% សម្រាប់ការទស្សន៍ទាយទិន្នផល។ |
| UAV-based Image Processing ការកែច្នៃរូបភាពពីយន្តហោះគ្មានមនុស្សបើក (ប្រើសម្រាប់ការរាប់ចំនួនផ្លែត្រឡាច) |
ដំណើរការដោយស្វ័យប្រវត្តិ រហ័ស និងអាចគ្របដណ្តប់ផ្ទៃដីធំបានយ៉ាងមានប្រសិទ្ធភាព។ | តម្រូវឱ្យមានការជ្រើសរើសដំណាក់កាលលូតលាស់នៃដំណាំឱ្យបានត្រឹមត្រូវ ដើម្បីមើលឃើញច្បាស់ និងត្រូវការឧបករណ៍ UAV។ | ទទួលបានពិន្ទុសុក្រិតភាព F1 Score ដល់ទៅ ០.៩៧០។ |
| Fresh Fruit Bunch Index (FFBI) សន្ទស្សន៍ចង្កោមផ្លែឈើស្រស់ (ប្រើសម្រាប់ដំណាំដូងប្រេង) |
មានទំនាក់ទំនងយ៉ាងរឹងមាំជាមួយសន្ទស្សន៍អាកាសធាតុ (Oceanic Nino Index) ដែលជួយទស្សន៍ទាយផលប៉ះពាល់ពីបាតុភូត El Nino។ | ជាគំរូដែលបង្កើតឡើងជាក់លាក់សម្រាប់តែដំណាំដូងប្រេង និងតំបន់អាកាសធាតុត្រូពិចប៉ុណ្ណោះ។ | កម្រិតនៃការជាប់ទាក់ទងគ្នា (Adjusted R-squared) ខ្ពស់ដល់ ០.៩៣។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តវិធីសាស្ត្រទាំងនេះទាមទារការរួមបញ្ចូលគ្នារវាងឧបករណ៍បច្ចេកវិទ្យាទំនើប និងជំនាញវិភាគទិន្នន័យកម្រិតខ្ពស់។
ការសិក្សានេះប្រមូលផ្តុំអត្ថបទស្រាវជ្រាវពីតំបន់ផ្សេងៗគ្នា ដូចជាការដាំដុះពោតនិងដំឡូងនៅហុងគ្រី និងដំណាំដូងប្រេងនៅម៉ាឡេស៊ី។ សម្រាប់កម្ពុជា ទិន្នន័យពីម៉ាឡេស៊ី (ដូងប្រេង) មានភាពពាក់ព័ន្ធខ្លាំងដោយសារលក្ខខណ្ឌអាកាសធាតុប្រហាក់ប្រហែលគ្នា ប៉ុន្តែទិន្នន័យពីអឺរ៉ុបអាចត្រូវការការកែតម្រូវមុននឹងអនុវត្តលើដីកសិកម្មនៅកម្ពុជា។
វិធីសាស្ត្រដែលបានលើកឡើងគឺមានប្រយោជន៍យ៉ាងខ្លាំងសម្រាប់ការធ្វើទំនើបកម្មវិស័យកសិកម្មនៅកម្ពុជា ពិសេសកសិកម្មឆ្លាតវៃ។
ការអនុម័តបច្ចេកវិទ្យាទាំងនេះនឹងជួយកសិករកម្ពុជាកាត់បន្ថយការចំណាយលើជី និងបង្កើនទិន្នផល ប៉ុន្តែត្រូវការការបណ្តុះបណ្តាលបច្ចេកទេសជាមុន។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Precision Agriculture | ជាយុទ្ធសាស្ត្រគ្រប់គ្រងកសិកម្មដែលប្រើបច្ចេកវិទ្យា (ដូចជា GPS និង Sensors) ដើម្បីពិនិត្យនិងថែទាំដំណាំតាមតម្រូវការជាក់ស្តែងនៅចំណុចនីមួយៗនៃវាលស្រែ ជំនួសឱ្យការអនុវត្តដូចៗគ្នាលើផ្ទៃដីទាំងមូល។ | ដូចជាគ្រូពេទ្យព្យាបាលអ្នកជំងឺម្នាក់ៗតាមរោគសញ្ញាជាក់លាក់របស់ពួកគេ មិនមែនឱ្យថ្នាំដូចគ្នាដល់អ្នកជំងឺទាំងអស់នោះទេ។ |
| Data Fusion | ដំណើរការនៃការរួមបញ្ចូលទិន្នន័យពីប្រភពផ្សេងៗគ្នា (ដូចជាកាមេរ៉ា ឧបករណ៍ចាប់សញ្ញា និងផ្កាយរណប) ដើម្បីបង្កើតព័ត៌មានដែលមានភាពច្បាស់លាស់ និងត្រឹមត្រូវជាងការប្រើប្រភពទិន្នន័យតែមួយ។ | ដូចជាការប្រើទាំងភ្នែក ច្រមុះ និងត្រចៀក ដើម្បីទាយថាម្ហូបអ្វីកំពុងចម្អិន ជំនួសឱ្យការគ្រាន់តែមើលរូបភាពតែមួយមុខ។ |
| Artificial Neural Networks (ANN) | ប្រព័ន្ធកុំព្យូទ័រដែលត្រូវបានរចនាឡើងដោយយកគំរូតាមខួរក្បាលមនុស្ស ដើម្បីរៀននិងស្វែងរកទំនាក់ទំនងស្មុគស្មាញ (Non-linear) នៅក្នុងទិន្នន័យសម្រាប់ធ្វើការទស្សន៍ទាយទិន្នផល។ | ដូចជាក្មេងដែលរៀនបែងចែកផ្លែប៉ោមនិងក្រូច ដោយការមើលរូបភាពរាប់ពាន់សន្លឹក រហូតដល់ចេះចំណាំដោយខ្លួនឯង។ |
| Variable Rate Technologies | បច្ចេកវិទ្យាដែលអនុញ្ញាតឱ្យម៉ាស៊ីនកសិកម្មផ្លាស់ប្តូរបរិមាណជី ឬថ្នាំបាញ់ដោយស្វ័យប្រវត្តិ នៅពេលធ្វើដំណើរឆ្លងកាត់ផ្នែកផ្សេងៗនៃវាលស្រែ ផ្អែកលើតម្រូវការដីនៅចំណុចនោះ។ | ដូចជាការស្រោចទឹកដំណាំ ដោយចាក់ទឹកច្រើននៅកន្លែងស្ងួត និងចាក់ទឹកតិចនៅកន្លែងដែលសើមស្រាប់។ |
| Vegetation Indices | ការគណនាតម្លៃពីពន្លឺដែលឆ្លុះចេញពីស្លឹកដំណាំ (ជាធម្មតាប្រើពន្លឺដែលមើលឃើញ និងពន្លឺ Near-Infrared) ដើម្បីវាស់វែងសុខភាព ភាពបៃតង ឬដង់ស៊ីតេរបស់រុក្ខជាតិ។ | ដូចជាការប្រើវ៉ែនតាពិសេសដែលអាចមើលឃើញថា រុក្ខជាតិណាដែលមានសុខភាពល្អ (ពណ៌ភ្លឺ) និងរុក្ខជាតិណាដែលកំពុងឈឺ។ |
| AMMI (Additive Main effects and Multiplicative Interaction) | វិធីសាស្ត្រស្ថិតិដែលប្រើដើម្បីវិភាគថាតើពូជដំណាំផ្សេងៗគ្នា ផ្តល់ទិន្នផលប្រែប្រួលយ៉ាងដូចម្តេចនៅពេលដាំក្នុងបរិស្ថាន ឬឆ្នាំផ្សេងគ្នា (Interaction between Genotype and Environment)។ | ដូចជាការផ្តល់ពិន្ទុដល់កីឡាករ ដោយមិនត្រឹមតែមើលលើសមត្ថភាពប៉ុណ្ណោះទេ តែមើលថាតើគេលេងបានល្អប៉ុណ្ណានៅពេលមេឃភ្លៀងធៀបនឹងមេឃស្រឡះ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
