បញ្ហា (The Problem)៖ ការចំណាយខ្ពស់លើឧបករណ៍ហាដវែរ (Hardware) ទំនើបៗរារាំងដល់ការអនុវត្តកសិកម្មច្បាស់លាស់ (Precision Agriculture) នៅក្នុងកសិដ្ឋានខ្នាតតូចនិងមធ្យម ដែលនាំឱ្យការគ្រប់គ្រងធនធានទឹកមិនសូវមានប្រសិទ្ធភាព។
វិធីសាស្ត្រ (The Methodology)៖ អ្នកស្រាវជ្រាវបានបង្កើតស្ថានីយសាកល្បងឧបករណ៍ LoRaWAN ដើម្បីប្រៀបធៀបភាពត្រឹមត្រូវនៃទិន្នន័យរបស់សេនស័រដែលមានតម្លៃសមរម្យ (Affordable Sensors) ធៀបនឹងសេនស័រដែលមានតម្លៃថ្លៃ (Expensive Sensors) នៅក្នុងលក្ខខណ្ឌស្រដៀងនឹងកសិដ្ឋានពិតប្រាកដ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Expensive LoRaWAN Sensor System (Decentlab) ប្រព័ន្ធសេនស័រ LoRaWAN តម្លៃថ្លៃ (Decentlab) |
ផ្តល់ទិន្នន័យមានភាពសុក្រឹតខ្ពស់ ស័ក្តិសមសម្រាប់ការស្រាវជ្រាវវិទ្យាសាស្ត្រ និងមានប្រព័ន្ធបង្ហាញទិន្នន័យ (Data Visualization Platform) ងាយស្រួលប្រើប្រាស់។ | មានតម្លៃថ្លៃខ្លាំង (ឧទាហរណ៍ ស្ថានីយអាកាសធាតុមានតម្លៃជាង ៣៦០០អឺរ៉ូ) និងមានការចំណាយប្រចាំខែលើប្រព័ន្ធ Platform ដែលកសិដ្ឋានខ្នាតតូចពិបាកមានលទ្ធភាពទិញប្រើ។ | មានភាពជឿជាក់ខ្ពស់ និងផ្តល់តម្លៃមាតិកាទឹកជាបរិមាណ (Volumetric Water Content) បានយ៉ាងច្បាស់លាស់ និងត្រឹមត្រូវ។ |
| Affordable LoRaWAN Sensor System (Sensecap/Dragino) ប្រព័ន្ធសេនស័រ LoRaWAN តម្លៃសមរម្យ (Sensecap/Dragino) |
ចំណាយដើមតិច (ស្ថានីយអាកាសធាតុត្រឹម ៣៦០អឺរ៉ូ) អាចប្រមូលទិន្នន័យសំខាន់ៗបានល្អ និងអាចប្រើប្រាស់ Google Sheets ដែលឥតគិតថ្លៃសម្រាប់ផ្ទុកទិន្នន័យ។ | ខ្វះភាពច្បាស់លាស់លើការវាស់ទិសដៅខ្យល់ មិនសូវស័ក្តិសមសម្រាប់ការស្រាវជ្រាវស៊ីជម្រៅ និងជួបបញ្ហាក្នុងការទាញយកទិន្នន័យពីសេនស័រវាស់ទម្រង់ដីប្រភេទ Sensoterra។ | មានទំនាក់ទំនង (Correlation) ខ្ពស់ចាប់ពី ០.៧៤ ដល់ ១.០ ធៀបនឹងឧបករណ៍ថ្លៃៗ លើប៉ារ៉ាម៉ែត្រសំខាន់ៗដូចជាសីតុណ្ហភាព និងសំណើម។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការរៀបចំប្រព័ន្ធសេនស័រនេះទាមទារការវិនិយោគលើឧបករណ៍ហាដវែរ និងសូហ្វវែរ ប៉ុន្តែការជ្រើសរើសជម្រើសតម្លៃសមរម្យអាចកាត់បន្ថយចំណាយបានរហូតដល់ជាង ៨០%។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅសាកលវិទ្យាល័យ Hof ប្រទេសអាល្លឺម៉ង់ ក្នុងរយៈពេលត្រឹមតែ ២.៥ខែ នាអំឡុងពេលអន្តរកាលពីរដូវក្តៅទៅរដូវរងា និងធ្វើឡើងក្នុងធុងដាំដុះ (IBC containers) ជាជាងចម្ការផ្ទាល់។ សម្រាប់ប្រទេសកម្ពុជា លទ្ធផលនេះអាចមានគម្លាតខ្លះ ដោយសារកម្ពុជាមានអាកាសធាតុត្រូពិច ក្តៅសើម និងប្រភេទដីកសិកម្មខុសគ្នា ដែលទាមទារការសាកល្បងផ្ទាល់នៅទីតាំងជាក់ស្តែងពេញមួយរដូវកាល។
ទោះជាមានកម្រិតខុសប្លែកគ្នានៃអាកាសធាតុក្តី វិធីសាស្ត្រនៃការប្រើប្រាស់ឧបករណ៍ LoRaWAN តម្លៃសមរម្យនេះមានអត្ថប្រយោជន៍ និងសក្តានុពលយ៉ាងខ្លាំងសម្រាប់វិស័យកសិកម្មនៅកម្ពុជា។
ការផ្លាស់ប្តូរមកប្រើប្រាស់ឧបករណ៍ IoT តម្លៃសមរម្យតាមរយៈបណ្តាញ LoRaWAN នឹងជួយពន្លឿនការធ្វើកសិកម្មច្បាស់លាស់ (Precision Agriculture) នៅកម្ពុជា ដែលជួយកសិករសន្សំសំចៃធនធានទឹក និងបង្កើនទិន្នផលប្រកបដោយនិរន្តរភាព។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| LoRaWAN | បច្ចេកវិទ្យាបណ្តាញទំនាក់ទំនងឥតខ្សែដែលអនុញ្ញាតឱ្យឧបករណ៍ (ដូចជាសេនស័រ) បញ្ជូនទិន្នន័យក្នុងចម្ងាយឆ្ងាយ (រាប់គីឡូម៉ែត្រ) ដោយប្រើប្រាស់ថាមពលថ្មតិចតួចបំផុត ដែលស័ក្តិសមបំផុតសម្រាប់ការដាក់សេនស័រនៅតាមទីវាលកសិដ្ឋានធំៗដែលគ្មានបណ្តាញអគ្គិសនី ឬអ៊ីនធឺណិតគ្រប់គ្រាន់។ | វាដូចជាការស្រែកប្រាប់សារខ្លីៗទៅកាន់មិត្តភក្តិដែលនៅឆ្ងាយពីគ្នាដោយប្រើឧបករណ៍បំពងសំឡេងដែលស៊ីថ្មតិចបំផុត ជាជាងការខលទូរសព្ទស្មាតហ្វូនដែលឆាប់អស់ថ្ម។ |
| Precision agriculture | វិធីសាស្ត្រធ្វើកសិកម្មទំនើបដែលប្រើប្រាស់បច្ចេកវិទ្យា (ដូចជាសេនស័រ ដ្រូន និងការវិភាគទិន្នន័យ) ដើម្បីតាមដាន និងផ្តល់ទឹក ជី ឬថ្នាំសម្លាប់សត្វល្អិតក្នុងបរិមាណជាក់លាក់ត្រឹមត្រូវទៅតាមតម្រូវការជាក់ស្តែងរបស់រុក្ខជាតិនៅទីតាំងនីមួយៗ ជាជាងការស្រោចស្រព ឬដាក់ជីស្មើៗគ្នាពេញមួយចម្ការ។ | វាដូចជាការផ្តល់ថ្នាំដល់អ្នកជំងឺម្នាក់ៗទៅតាមរោគសញ្ញាជាក់លាក់របស់ពួកគេ ជាជាងការឱ្យថ្នាំប៉ូវកម្លាំងទូទៅដល់មនុស្សគ្រប់គ្នាក្នុងមន្ទីរពេទ្យ។ |
| Data interpolation | វិធីសាស្ត្រគណិតវិទ្យាក្នុងការប៉ាន់ស្មាន ឬបំពេញតម្លៃទិន្នន័យដែលបាត់បង់ ឬនៅចន្លោះប្រហោងដោយផ្អែកលើទិន្នន័យដែលនៅជាប់គ្នា ដើម្បីធ្វើឱ្យទិន្នន័យសេនស័រដែលមានចន្លោះពេលប្រមូលទិន្នន័យខុសគ្នា (ឧ. ៥នាទីម្តង និង ១០នាទីម្តង) អាចយកមកតម្រៀប និងប្រៀបធៀបគ្នាបានយ៉ាងរលូន។ | វាដូចជាការទស្សន៍ទាយចំណុចនៅលើខ្សែបន្ទាត់មួយ ប្រសិនបើអ្នកដឹងថាចំណុចក្បាលនៅលេខ ១ និងចំណុចចុងនៅលេខ ៣ អ្នកអាចប៉ាន់ស្មានថាចំណុចកណ្តាលគឺលេខ ២។ |
| Pearson correlation coefficient (R) | រង្វាស់ស្ថិតិដែលត្រូវបានប្រើដើម្បីវាស់ស្ទង់កម្រិតនៃទំនាក់ទំនងរវាងអថេរពីរ (ឧទាហរណ៍ ទិន្នន័យពីសេនស័រតម្លៃថោក និងសេនស័រតម្លៃថ្លៃ) ថាតើវាប្រែប្រួលស្របគ្នាកម្រិតណា ដោយតម្លៃខិតជិត ១ មានន័យថាទិន្នន័យទាំងពីរដើរស្របគ្នាខ្លាំងបំផុត។ | វាដូចជាការវាស់ស្ទង់ភាពស៊ីសង្វាក់គ្នានៃអ្នករាំពីរនាក់ បើអ្នកទាំងពីររាំត្រូវចង្វាក់គ្នាឥតខ្ចោះមិនលំអៀងសោះ នោះពិន្ទុគឺ ១។ |
| Volumetric Water Content (VWC) | រង្វាស់បរិមាណទឹកដែលមាននៅក្នុងដី ដោយគិតជាភាគរយនៃមាឌទឹកធៀបនឹងមាឌដីសរុប ដែលវាជួយប្រាប់កសិករថាតើដីនោះមានកម្រិតសំណើមគ្រប់គ្រាន់សម្រាប់ឱ្យឫសរុក្ខជាតិស្រូបយកដែរឬទេ។ | វាដូចជាការវាស់បរិមាណទឹកពិតប្រាកដដែលអេប៉ុងមួយកំពុងផ្ទុក ធៀបនឹងទំហំសរុបរបស់អេប៉ុងនោះ។ |
| Coefficient of determination (R2) | តម្លៃស្ថិតិដែលបង្ហាញថាការប្រែប្រួលនៃទិន្នន័យមួយ អាចត្រូវបានពន្យល់ដោយការប្រែប្រួលនៃទិន្នន័យមួយទៀតបានកម្រិតណា។ ក្នុងការសិក្សានេះ គេប្រើវាដើម្បីបញ្ជាក់ថាតើសេនស័រតម្លៃសមរម្យអាចបង្កើតលទ្ធផលបានស្រដៀងនឹងសេនស័រតម្លៃថ្លៃត្រឹមត្រូវប៉ុន្មានភាគរយ។ | វាដូចជាការវាស់ថាតើកញ្ចក់ឆ្លុះរូបអ្នកបានច្បាស់ប៉ុណ្ណា បើ R2 ខ្ពស់មានន័យថាកញ្ចក់នោះឆ្លុះរូបរាងពិតប្រាកដរបស់អ្នកស្ទើរតែ ១០០%។ |
| NDVI (Normalized Difference Vegetation Index) | សូចនាករដែលប្រើប្រាស់រូបភាពពីកាមេរ៉ាពិសេស (ច្រើនបំពាក់លើដ្រូន) ដើម្បីវាស់ស្ទង់ភាពខៀវស្រងាត់ និងសុខភាពរបស់រុក្ខជាតិ ដោយគណនាភាពខុសគ្នានៃកម្រិតពន្លឺដែលស្លឹករុក្ខជាតិស្រូបយក និងចំណាំងផ្លាតត្រលប់មកវិញ។ | វាដូចជាម៉ាស៊ីនស្កេនសុខភាពអច្ឆរិយៈដែលថតមើលចម្ការពីលើអាកាស ហើយប្រាប់ពណ៌ដាស់តឿនភ្លាមៗថាកន្លែងណាដើមឈើកំពុងរឹងមាំ និងកន្លែងណាកំពុងខ្វះទឹក ឬមានជំងឺ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
