Original Title: EVALUATION OF SEASONAL LEAF AREA INDEX CHANGES OF WINTER WHEAT USING HYPERSPECTRAL DATA
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original paper for full scientific accuracy.

ការវាយតម្លៃលើការផ្លាស់ប្តូរសន្ទស្សន៍ផ្ទៃស្លឹកតាមរដូវកាលនៃស្រូវសាលីរដូវរងាដោយប្រើប្រាស់ទិន្នន័យ Hyperspectral

ចំណងជើងដើម៖ EVALUATION OF SEASONAL LEAF AREA INDEX CHANGES OF WINTER WHEAT USING HYPERSPECTRAL DATA

អ្នកនិពន្ធ៖ Metin AYDOĞDU (Tarla Bitkileri Merkez Araştırma Enstitüsü), Hakan YILDIZ (Tarla Bitkileri Merkez Araştırma Enstitüsü), Ediz ÜNAL (Tarla Bitkileri Merkez Araştırma Enstitüsü), Kadir AKAN (Ahi Evran Üniversitesi)

ឆ្នាំបោះពុម្ព៖ N/A

វិស័យសិក្សា៖ Precision Agriculture

១. សេចក្តីសង្ខេបប្រតិបត្តិ (Executive Summary)

បញ្ហា (The Problem)៖ ការសិក្សានេះដោះស្រាយបញ្ហានៃការវាយតម្លៃស្ថានភាពដំណាំ និងភាពធ្ងន់ធ្ងរនៃគ្រោះរាំងស្ងួតនៅតំបន់ស្ងួត ដោយវាស់ស្ទង់ការផ្លាស់ប្តូរសន្ទស្សន៍ផ្ទៃស្លឹក (LAI) របស់ស្រូវសាលីរដូវរងា។

វិធីសាស្ត្រ (The Methodology)៖ អ្នកស្រាវជ្រាវបានធ្វើការវាស់ស្ទង់ចំណាំងផ្លាតវិសាលគមនៅដំណាក់កាលលូតលាស់ផ្សេងៗគ្នា ដោយប្រើប្រាស់ឧបករណ៍ Spectroradiometer ក្នុងកម្រិតជីអាសូតខុសៗគ្នា។

លទ្ធផលសំខាន់ៗ (The Verdict)៖

២. ការវិភាគលើប្រសិទ្ធភាព និងដែនកំណត់ (Performance & Constraints)

វិធីសាស្ត្រ (Method) គុណសម្បត្តិ (Pros) គុណវិបត្តិ (Cons) លទ្ធផលគន្លឹះ (Key Result)
Destructive LAI Measurement via Digital Image Analysis (Baseline)
ការវាស់វែងសន្ទស្សន៍ផ្ទៃស្លឹក (LAI) ដោយការកាត់យកស្លឹកមកវិភាគរូបភាពឌីជីថល		 ផ្តល់ទិន្នន័យច្បាស់លាស់ និងដើរតួជាទិន្នន័យគោល (Ground truth) សម្រាប់ផ្ទៀងផ្ទាត់ម៉ូដែលផ្សេងៗ។ ចំណាយពេលយូរ ទាមទារកម្លាំងពលកម្មច្រើន និងធ្វើឱ្យខូចខាតដល់ដំណាំដោយសារត្រូវកាត់ស្លឹកយកមកវាស់។ កំណត់តម្លៃ LAI ពិតប្រាកដបានត្រឹមត្រូវខ្ពស់បំផុត (LAI=9.99 សម្រាប់កម្រិតជីអាសូត 12 kg/da )។
Chlorophyll/Pigment Indices (e.g., NVI) via Spectroradiometer
ការប្រើប្រាស់សន្ទស្សន៍ក្លរ៉ូហ្វីល/ជាតិពណ៌ (ឧ. NVI) តាមរយៈឧបករណ៍វាស់ចំណាំងផ្លាត		 មានល្បឿនលឿន មិនបំផ្លាញដំណាំ និងមានទំនាក់ទំនង (Correlation) ខ្ពស់បំផុតក្នុងការប៉ាន់ស្មាន LAI នៅដំណាក់កាលលូតលាស់ដំបូង។ ទាមទារឧបករណ៍ Spectroradiometer ដែលមានតម្លៃថ្លៃ និងមានប្រសិទ្ធភាពខ្ពស់តែនៅដំណាក់កាលលូតលាស់បែកគុម្ព និងចេញថ្នាំងប៉ុណ្ណោះ។ ទទួលបានកម្រិតទំនាក់ទំនង (Correlation) ខ្ពស់ជាងគេបំផុតគឺ R² = 0.849។
Structural Indices (e.g., SR-8, NDVI)
ការប្រើប្រាស់សន្ទស្សន៍រចនាសម្ព័ន្ធ (ឧ. SR-8 និង NDVI)		 អាចវាស់ស្ទង់បានយ៉ាងល្អនូវរចនាសម្ព័ន្ធរបស់ដើម និងទិន្នន័យជីវម៉ាស (Biomass) ដែលជាទូទៅអាចទាញយកបានពីផ្កាយរណប។ សន្ទស្សន៍ខ្លះដូចជា NDVI ងាយនឹងឆ្អែត (Saturate) នៅពេលដំណាំដុះក្រាស់ និងរងឥទ្ធិពលពីពណ៌ដីខាងក្រោម។ សន្ទស្សន៍ SR-8 ទទួលបានលទ្ធផលល្អ R² = 0.828 ខណៈ NDVI ធម្មតាមានត្រឹមតែ R² = 0.651។

ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តវិធីសាស្ត្រនេះទាមទារការវិនិយោគខ្ពស់លើឧបករណ៍វាស់ស្ទង់ជាក់ស្តែង និងកម្មវិធីកុំព្យូទ័រសម្រាប់ការវិភាគ។

៣. ការពិនិត្យសម្រាប់បរិបទកម្ពុជា/អាស៊ីអាគ្នេយ៍

ភាពលំអៀងនៃទិន្នន័យ (Data Bias)៖

ការសិក្សានេះត្រូវបានធ្វើឡើងនៅកសិដ្ឋានស្រាវជ្រាវ Haymana-İkizce ទីក្រុងអង់ការ៉ា ប្រទេសតួកគី ដែលជាតំបន់អាកាសធាតុស្ងួត និងប្រើប្រាស់ពូជស្រូវសាលីរដូវរងា។ នេះមានន័យថាម៉ូដែលនិងសន្ទស្សន៍ដែលរកឃើញ (ដូចជា NVI ខ្ពស់ជាង NDVI) អាចនឹងមិនឆ្លើយតបដូចគ្នាទៅនឹងដំណាំស្រូវឬដំឡូងមីនៅប្រទេសកម្ពុជា ដែលមានអាកាសធាតុក្តៅសើម និងប្រភេទដីខុសគ្នានោះទេ ដូច្នេះចាំបាច់ត្រូវមានការធ្វើតេស្តផ្ទៀងផ្ទាត់ឡើងវិញ (Calibration) សម្រាប់បរិបទក្នុងស្រុក។

លទ្ធភាពនៃការអនុវត្ត (Applicability)៖

វិធីសាស្ត្រនៃការប្រើប្រាស់បច្ចេកវិទ្យា Hyperspectral និងសន្ទស្សន៍រុក្ខជាតិគឺមានសារៈសំខាន់ខ្លាំងណាស់សម្រាប់ការអភិវឌ្ឍកសិកម្មឆ្លាតវៃ (Precision Agriculture) នៅកម្ពុជា។

ជារួម បច្ចេកវិទ្យានេះអាចជួយឱ្យកសិករ និងអ្នកស្រាវជ្រាវកម្ពុជាធ្វើការសម្រេចចិត្តបានត្រឹមត្រូវ កាត់បន្ថយការចំណាយ និងបង្កើនទិន្នផល ទោះបីជាត្រូវការទុនវិនិយោគលើឧបករណ៍ Spectroradiometer ឬការប្រើប្រាស់ទិន្នន័យផ្កាយរណបក៏ដោយ។

៤. ផែនការសកម្មភាពសម្រាប់និស្សិត (Actionable Roadmap)

ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖

  1. សិក្សាមូលដ្ឋានគ្រឹះនៃ Remote Sensing និងសន្ទស្សន៍រុក្ខជាតិ: ស្វែងយល់ពីរបៀបគណនាសន្ទស្សន៍ដូចជា NDVI, NVI ព្រមទាំងភាពខុសគ្នារវាងទិន្នន័យ Multispectral និង Hyperspectral តាមរយៈវគ្គសិក្សាតាមអ៊ីនធឺណិត ឬឯកសារស្រាវជ្រាវពាក់ព័ន្ធ។
  2. អនុវត្តការវិភាគរូបភាពឌីជីថល (Digital Image Analysis) ជាទិន្នន័យគោល: សាកល្បងថតរូបស្លឹករុក្ខជាតិនៅលើក្រដាសសដែលមានក្រឡាខ្នាតត្រឹមត្រូវ រួចប្រើកម្មវិធី Adobe Photoshop ឬ ImageJ ដើម្បីគណនាផ្ទៃស្លឹក (LAI) ដើម្បីយល់ដឹងពីរបៀបយកទិន្នន័យ Ground Truth។
  3. ទាញយក និងវិភាគទិន្នន័យផ្កាយរណបឥតគិតថ្លៃ: ដោយសារឧបករណ៍ Spectroradiometer មានតម្លៃថ្លៃ និស្សិតអាចចាប់ផ្តើមដោយប្រើប្រាស់ទិន្នន័យផ្កាយរណប Sentinel-2 តាមរយៈ Google Earth Engine (GEE) ដើម្បីទាញយកតម្លៃសន្ទស្សន៍រុក្ខជាតិសម្រាប់វាលស្រែជាក់លាក់ណាមួយនៅកម្ពុជា។
  4. កសាងម៉ូដែលទស្សន៍ទាយ (Predictive Modeling): ប្រមូលទិន្នន័យ LAI និងទម្ងន់ជីវម៉ាស (Biomass) ដែលវាស់ផ្ទាល់នៅទីវាល រួចប្រើប្រាស់ភាសាសរសេរកូដ Python ដោយប្រើបណ្ណាល័យ Scikit-learn ដើម្បីបង្កើតម៉ូដែល Partial Least Squares Regression (PLSR) ភ្ជាប់ជាមួយសន្ទស្សន៍ដែលទាញបានពីផ្កាយរណប។
  5. ផ្ទៀងផ្ទាត់និងអនុវត្តជាមួយដំណាំក្នុងស្រុក: សហការជាមួយសាកលវិទ្យាល័យភូមិន្ទកសិកម្ម (RUA) ឬវិទ្យាស្ថាន CARDI ដើម្បីធ្វើការសាកល្បងវិធីសាស្ត្រនេះផ្ទាល់លើដំណាំស្រូវ ឬដំឡូងមី ក្នុងលក្ខខណ្ឌអាកាសធាតុ និងប្រភេទដីរបស់ប្រទេសកម្ពុជា ដើម្បីវាយតម្លៃប្រសិទ្ធភាពជាក់ស្តែង។

៥. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស ការពន្យល់ជាខេមរភាសា (Khmer Explanation) និយមន័យសាមញ្ញ (Simple Definition)
Leaf Area Index (LAI) សន្ទស្សន៍ផ្ទៃស្លឹក គឺជារង្វាស់ដែលបង្ហាញពីផ្ទៃក្រឡាសរុបនៃស្លឹករុក្ខជាតិធៀបនឹងផ្ទៃដីដែលវាដុះ។ វាត្រូវបានប្រើដើម្បីវាយតម្លៃការលូតលាស់ សមត្ថភាពធ្វើរស្មីសំយោគ និងសុខភាពទូទៅរបស់ដំណាំនៅទីវាល។ ដូចជាការវាស់ទំហំតង់ដំបូលផ្ទះ ដើម្បីដឹងថាតើវាអាចបាំងពន្លឺព្រះអាទិត្យបានទំហំប៉ុណ្ណាអញ្ចឹងដែរ។
Hyperspectral Data ទិន្នន័យដែលទទួលបានពីការចាប់យករលកពន្លឺ (Spectral bands) រាប់រយឬរាប់ពាន់កម្រិតតូចៗជាប់ៗគ្នា ដែលអនុញ្ញាតឱ្យគេអាចវិភាគលម្អិតពីសមាសធាតុគីមី និងជីវសាស្ត្ររបស់វត្ថុអ្វីមួយ (ឧទាហរណ៍ កម្រិតជាតិទឹក ឬបរិមាណក្លរ៉ូហ្វីលក្នុងស្លឹករុក្ខជាតិ)។ ដូចជាកាមេរ៉ាវេទមន្តដែលអាចមើលឃើញពណ៌រាប់ពាន់ប្រភេទ ដែលភ្នែកមនុស្សធម្មតាមិនអាចមើលឃើញ ដើម្បីដឹងពីរោគសញ្ញាជំងឺរបស់រុក្ខជាតិ។
Spectroradiometer ឧបករណ៍វិទ្យាសាស្ត្រដែលប្រើសម្រាប់វាស់ស្ទង់អាំងតង់ស៊ីតេនៃពន្លឺដែលចាំងផ្លាតចេញពីវត្ថុណាមួយ ទៅតាមជំហានរលកពន្លឺ (Wavelengths) នីមួយៗយ៉ាងច្បាស់លាស់។ ក្នុងកសិកម្ម គេប្រើវាដើម្បីវាស់ពន្លឺផ្លាតពីស្លឹកដំណាំ។ ដូចជាឧបករណ៍វាស់កម្តៅ ប៉ុន្តែវាស់បរិមាណពន្លឺ និងពណ៌លម្អិតដែលជះចេញពីស្លឹកឈើ។
Vegetation Index រូបមន្តគណិតវិទ្យាដែលប្រើប្រាស់តម្លៃចំណាំងផ្លាតនៃពន្លឺ (ជាពិសេសពន្លឺក្រហម និងពន្លឺអ៊ីនហ្វ្រារ៉េដ) ដើម្បីវាយតម្លៃបរិមាណរុក្ខជាតិបៃតង ភាពស្រស់បំព្រង និងសុខភាពរបស់រុក្ខជាតិ ពីទិន្នន័យរូបភាពពីចម្ងាយ។ ដូចជាពិន្ទុសុខភាព (Health Score) របស់រុក្ខជាតិដែលគណនាចេញពីពណ៌របស់វា។
Partial Least Squares Regression (PLSR) វិធីសាស្ត្រស្ថិតិដែលប្រើសម្រាប់បង្កើតម៉ូដែលទំនាក់ទំនងរវាងអថេរច្រើន (ឧទាហរណ៍ រលកពន្លឺច្រើនប្រភេទពីឧបករណ៍វាស់) និងលទ្ធផលគោលដៅ (ឧទាហរណ៍ តម្លៃ LAI) ជាពិសេសនៅពេលដែលអថេរទាំងនោះមានទំនាក់ទំនងគ្នាឯងខ្លាំង។ ដូចជាការស្វែងរកគ្រឿងផ្សំដែលសំខាន់បំផុតក្នុងស៊ុបមួយឆ្នាំង នៅពេលដែលយើងដាក់គ្រឿងទេសច្រើនមុខលាយឡំគ្នាពេក។
Phenological development periods ដំណាក់កាលលូតលាស់ផ្សេងៗគ្នារបស់រុក្ខជាតិទៅតាមវដ្តជីវិតរបស់វា ដូចជា ការដុះពន្លក ការបែកគុម្ព (Tillering) ការចេញថ្នាំង (Jointing) ការចេញផ្កា និងការដាក់គ្រាប់។ សមាសភាពស្លឹកប្រែប្រួលតាមដំណាក់កាលទាំងនេះ។ ដូចជាវ័យរបស់មនុស្សយើងដែរ ដែលមានតាំងពីទារក កុមារ យុវវ័យ រហូតដល់វ័យចំណាស់។
Noise Equivalent (NE∆LAI) រង្វាស់ដែលបង្ហាញពីកម្រិតភាពរសើប (Sensitivity) នៃសន្ទស្សន៍រុក្ខជាតិចំពោះការផ្លាស់ប្តូរតម្លៃសន្ទស្សន៍ផ្ទៃស្លឹក (LAI) ដោយវាស់ថាតើសំលេងរំខាន (Noise នៅក្នុងទិន្នន័យ) ប៉ះពាល់ដល់ការប៉ាន់ស្មានប៉ុណ្ណា។ ដូចជាការស្តាប់សំលេងខ្សឹបក្នុងបន្ទប់អ៊ូអរ បើសំលេងរំខានតិច យើងស្តាប់បានកាន់តែច្បាស់។
Red Edge តំបន់មួយនៅក្នុងវិសាលគមពន្លឺ (ចន្លោះពណ៌ក្រហម និងអ៊ីនហ្វ្រារ៉េដជិត) ដែលចំណាំងផ្លាតរបស់រុក្ខជាតិកើនឡើងយ៉ាងគំហុក។ វាជាតំបន់ដ៏ល្អបំផុតសម្រាប់តាមដានបរិមាណក្លរ៉ូហ្វីល និងភាពតានតឹង (Stress) របស់ដំណាំ។ ដូចជាព្រំប្រទល់រវាងស្រមោល និងពន្លឺ ដែលធ្វើឱ្យយើងមើលឃើញភាពខុសគ្នាយ៉ាងច្បាស់នូវសុខភាពស្លឹក។

៦. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖