បញ្ហា (The Problem)៖ ការសិក្សានេះដោះស្រាយបញ្ហាប្រឈមសំខាន់ៗក្នុងវិស័យកសិកម្មទំនើប ដូចជាកំណើនប្រជាជន ការកើនឡើងតម្រូវការស្បៀងអាហារ និងការប្រើប្រាស់ធនធានមិនមានប្រសិទ្ធភាព (ដូចជាទឹក និងជី) ដែលការធ្វើកសិកម្មតាមបែបប្រពៃណីមិនអាចឆ្លើយតបប្រកបដោយចីរភាពបាន។
វិធីសាស្ត្រ (The Methodology)៖ អត្ថបទនេះគឺជាការត្រួតពិនិត្យឡើងវិញយ៉ាងទូលំទូលាយ (Comprehensive Review) ដែលវិភាគទៅលើនវានុវត្តន៍ថ្មីៗនៃប្រព័ន្ធកសិកម្មឆ្លាតវៃ ដោយផ្តោតលើការរួមបញ្ចូលគ្នានៃបច្ចេកវិទ្យាទំនាក់ទំនង និងដំណោះស្រាយថាមពល។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Smart Irrigation Systems (IoT-based) ប្រព័ន្ធស្រោចស្រពឆ្លាតវៃផ្អែកលើអ៊ីនធឺណិតនៃវត្ថុ |
កាត់បន្ថយការខ្ជះខ្ជាយទឹក និងបង្កើនផលិតភាពដំណាំដោយស្វ័យប្រវត្តិ។ ប្រើប្រាស់ទិន្នន័យពីឧបករណ៍ចាប់សញ្ញា (Sensors) ដើម្បីសម្រេចចិត្ត។ | ត្រូវការការដំឡើងបច្ចេកវិទ្យាដំបូង និងការថែទាំប្រព័ន្ធទំនាក់ទំនងឥតខ្សែ។ | អាចកាត់បន្ថយការប្រើប្រាស់ទឹកបានរហូតដល់ ៣០% ខណៈពេលដែលបង្កើនទិន្នផលដំណាំ។ |
| Deep Learning (CNNs) for Disease Detection ការប្រើប្រាស់បណ្តាញសរសៃប្រសាទសិប្បនិម្មិត (CNNs) សម្រាប់រកមើលជំងឺ |
មានភាពជាក់លាក់ខ្ពស់ក្នុងការកំណត់អត្តសញ្ញាណជំងឺ និងសត្វល្អិតបានទាន់ពេលវេលា ល្អជាងការពិនិត្យដោយភ្នែកទទេ។ | ទាមទារទិន្នន័យរូបភាពជាច្រើនសម្រាប់បង្វឹកម៉ូដែល (Training Data) និងថាមពលកុំព្យូទ័រខ្ពស់។ | ម៉ូដែល S-CNN ទទួលបានភាពត្រឹមត្រូវរហូតដល់ ៩៨.៦% ក្នុងការរកឃើញជំងឺលើរុក្ខជាតិ។ |
| Hyperspectral Imaging ការថតរូបភាពបែប Hyperspectral |
ផ្តល់ព័ត៌មានលម្អិតអំពីលក្ខណៈគីមី និងជីវសាស្រ្តរបស់រុក្ខជាតិ ដែលកាមេរ៉ាធម្មតា (RGB) មិនអាចចាប់យកបាន។ | ឧបករណ៍មានតម្លៃខ្ពស់ និងដំណើរការទិន្នន័យមានភាពស្មុគស្មាញ (Complex data processing)។ | មានប្រសិទ្ធភាពខ្ពស់ក្នុងការវិភាគសុខភាពដំណាំ និងលក្ខខណ្ឌដីនៅកម្រិតលម្អិត (Precision Agriculture)។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តប្រព័ន្ធនេះទាមទារការរួមបញ្ចូលគ្នារវាងផ្នែករឹង និងផ្នែកទន់ ដោយផ្តោតលើប្រសិទ្ធភាពថាមពលសម្រាប់តំបន់ដាច់ស្រយាល។
ឯកសារនេះគឺជាការត្រួតពិនិត្យឡើងវិញ (Review Paper) ដែលប្រមូលផ្តុំការសិក្សាពីប្រទេសជាច្រើន ប៉ុន្តែមិនបានផ្តោតជាក់លាក់លើបរិបទកសិកម្មនៅកម្ពុជាទេ។ នេះមានន័យថា ទិន្នន័យស្តីពីប្រភេទដី សត្វល្អិត និងអាកាសធាតុអាចខុសគ្នាពីស្ថានភាពជាក់ស្តែងនៅក្នុងស្រុក ដែលតម្រូវឱ្យមានការសាកល្បង និងបន្សាំម៉ូដែល AI ឡើងវិញ។
បច្ចេកវិទ្យា និងវិធីសាស្ត្រដែលបានលើកឡើងគឺមានសារៈសំខាន់ និងអាចអនុវត្តបានយ៉ាងល្អនៅក្នុងបរិបទកសិកម្មរបស់កម្ពុជា។
ការដាក់បញ្ចូលបច្ចេកវិទ្យា IoT និង AI ទៅក្នុងវិស័យកសិកម្មកម្ពុជានឹងជួយបង្កើនទិន្នផល និងភាពធន់នឹងការប្រែប្រួលអាកាសធាតុ ប៉ុន្តែទាមទារឱ្យមានការបណ្តុះបណ្តាលបច្ចេកទេសដល់កសិករ និងការវិនិយោគលើហេដ្ឋារចនាសម្ព័ន្ធ។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Wireless Sensor Networks (WSN) | ជាបណ្តាញនៃឧបករណ៍ចាប់សញ្ញា (Sensors) តូចៗជាច្រើនដែលត្រូវបានដាក់ពង្រាយនៅតាមទីវាល ដើម្បីប្រមូលទិន្នន័យបរិស្ថាន (ដូចជាសីតុណ្ហភាព សំណើមដី) រួចបញ្ជូនទិន្នន័យទាំងនោះទៅកាន់កុំព្យូទ័រមេដោយឥតខ្សែ ដើម្បីធ្វើការវិភាគ។ | ដូចជាភ្នាក់ងារស៊ើបការណ៍ជាច្រើននាក់ដែលឈរជើងនៅកន្លែងផ្សេងៗគ្នា ហើយរាយការណ៍ព័ត៌មានមកទីបញ្ជាការ ដើម្បីឱ្យដឹងស្ថានការណ៍គ្រប់ជ្រុងជ្រោយ។ |
| Precision Agriculture | ជាយុទ្ធសាស្ត្រនៃការធ្វើកសិកម្មដែលប្រើប្រាស់បច្ចេកវិទ្យាព័ត៌មាន ដើម្បីផ្តល់នូវធនធាន (ទឹក ជី ថ្នាំ) ក្នុងបរិមាណដ៏ត្រឹមត្រូវ និងនៅពេលវេលាដ៏សមស្របបំផុត សម្រាប់តំបន់ជាក់លាក់ណាមួយនៃចម្ការ ជំនួសឱ្យការដាក់ស្មើៗគ្នា។ | ដូចជាការផ្តល់ថ្នាំពេទ្យដល់អ្នកជំងឺតាមរោគសញ្ញាជាក់លាក់របស់ម្នាក់ៗ មិនមែនឱ្យថ្នាំប្រភេទដូចគ្នា និងបរិមាណដូចគ្នាដល់មនុស្សគ្រប់គ្នានោះទេ។ |
| Energy Harvesting | ជាដំណើរការនៃការចាប់យកថាមពលដែលមានស្រាប់នៅក្នុងបរិយាកាស (ដូចជាពន្លឺព្រះអាទិត្យ ខ្យល់ រលកវិទ្យុ ឬរំញ័រ) មកបំប្លែងជាអគ្គិសនី ដើម្បីផ្តល់ថាមពលដល់ឧបករណ៍អេឡិចត្រូនិកតូចៗ ដោយមិនចាំបាច់ផ្លាស់ប្តូរថ្ម ឬតភ្ជាប់ខ្សែភ្លើង។ | ដូចជាការដាក់ធុងត្រងទឹកភ្លៀងដើម្បីយកមកប្រើប្រាស់ ដោយមិនចាំបាច់ចំណាយកម្លាំងបូមទឹកពីអណ្តូង។ |
| Hyperspectral Imaging | ជាបច្ចេកវិទ្យាថតរូបភាពកម្រិតខ្ពស់ ដែលអាចចាប់យកព័ត៌មាននៃរលកពន្លឺជាច្រើនដែលភ្នែកមនុស្សមើលមិនឃើញ។ វាអនុញ្ញាតឱ្យកសិករដឹងពីសមាសធាតុគីមី ឬជីវសាស្រ្តរបស់រុក្ខជាតិ ដូចជាកម្រិតក្លរ៉ូហ្វីល ឬភាពតានតឹងរបស់ដំណាំ។ | ដូចជាការប្រើកែវយឹតពិសេសដែលអាចមើលឃើញមិនត្រឹមតែពណ៌របស់ផ្លែឈើប៉ុណ្ណោះទេ តែថែមទាំងអាចមើលធ្លុះដឹងថាវាទុំផ្អែម ឬនៅខ្ចីពីខាងក្នុងទៀតផង។ |
| Normalized Difference Vegetation Index (NDVI) | ជាសន្ទស្សន៍ ឬរង្វាស់គណិតវិទ្យាដែលប្រើក្នុងការចាប់យករូបភាពពីចម្ងាយ (Remote Sensing) ដើម្បីវាយតម្លៃថាតើរុក្ខជាតិនៅតំបន់នោះមានពណ៌បៃតង និងមានសុខភាពល្អកម្រិតណា ដោយផ្អែកលើការស្រូបយក និងការជះពន្លឺត្រឡប់មកវិញ។ | ដូចជាការប្រើទែម៉ូម៉ែត្រវាស់កម្តៅដើម្បីដឹងថាមនុស្សម្នាក់មានសុខភាពល្អ ឬកំពុងឈឺ តែនេះគឺសម្រាប់វាស់សុខភាពរុក្ខជាតិ។ |
| Convolutional Neural Networks (CNNs) | ជាប្រភេទនៃម៉ូដែលបញ្ញាសិប្បនិម្មិត (AI) ដែលមានសមត្ថភាពខ្ពស់ក្នុងការវិភាគរូបភាព។ ក្នុងកសិកម្ម វាត្រូវបានប្រើដើម្បីបង្រៀនកុំព្យូទ័រឱ្យចេះសម្គាល់ជំងឺស្លឹក ឬសត្វល្អិតដោយស្វ័យប្រវត្តិ។ | ដូចជាការបង្រៀនក្មេងឱ្យចេះបែងចែករវាងសត្វឆ្កែ និងសត្វឆ្មា ដោយការបង្ហាញរូបភាពរាប់ពាន់សន្លឹកដល់ពួកគេ។ |
| Microbial Fuel Cell (MFC) | ជាប្រព័ន្ធជីវ-អេឡិចត្រូគីមីដែលប្រើប្រាស់បាក់តេរីដើម្បីបំប្លែងថាមពលគីមីដែលមាននៅក្នុងសារធាតុសរីរាង្គ (ដូចជាដី ឬកាកសំណល់) ទៅជាថាមពលអគ្គិសនី ដើម្បីចិញ្ចឹមឧបករណ៍ចាប់សញ្ញា។ | ដូចជាការយកកាកសំណល់ផ្ទះបាយទៅធ្វើជាជីកំប៉ុស តែក្នុងករណីនេះ បាក់តេរីធ្វើការដើម្បីផលិតជាចរន្តអគ្គិសនីជំនួសវិញ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
