បញ្ហា (The Problem)៖ វិស្វកម្មកសិកម្មសម័យទំនើបត្រូវការវិធីសាស្ត្រដែលមានសុវត្ថិភាព និងច្បាស់លាស់ដើម្បីបង្កើនទិន្នផលដំណាំ ដោយសារតែដំណើរការនៃការដុះពន្លកគ្រាប់ពូជមានភាពស្មុគស្មាញ និងងាយរងគ្រោះខ្លាំងពីកត្តាបរិស្ថាន ដូចជាសីតុណ្ហភាព និងសំណើមដី។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានធ្វើការពិនិត្យឡើងវិញនូវវិធីសាស្ត្រគណិតវិទ្យា និងគំរូកុំព្យូទ័រផ្សេងៗដែលត្រូវបានប្រើប្រាស់ដើម្បីពិពណ៌នា និងព្យាករណ៍ពីការលូតលាស់ និងការដុះពន្លករបស់រុក្ខជាតិ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Classical Growth Models (Richards, Gompertz, Logistic) គំរូកំណើនបុរាណ (សមីការ Richards, Gompertz, Logistic) |
ងាយស្រួលប្រើប្រាស់ក្នុងការពណ៌នាពីដំណើរការជីវសាស្ត្រ ជាពិសេសសមីការ Richards មានភាពបត់បែនខ្ពស់ក្នុងការកែតម្រូវរូបរាងខ្សែកោង។ | គំរូសាមញ្ញមួយចំនួនមិនបានគិតបញ្ចូលអថេរនៃការប្រកួតប្រជែងរវាងពូជរុក្ខជាតិ ឬកត្តាបរិស្ថានខាងក្រៅផ្សេងទៀតនោះទេ។ | សមីការ Richards អាចពិពណ៌នាខ្សែកោងនៃការដុះពន្លករបស់គ្រាប់ពូជដំណាំភាគច្រើនបានយ៉ាងល្អប្រសើរ និងច្បាស់លាស់។ |
| Hydrothermal Time Models គំរូពេលវេលាធារាសាស្ត្រកម្ដៅ |
អាចព្យាករណ៍ព្រមគ្នាអំពីល្បឿន និងអត្រាភាគរយនៃការដុះពន្លករបស់គ្រាប់ពូជទាំងមូល ដោយផ្អែកលើការផ្លាស់ប្តូរសីតុណ្ហភាព និងសំណើមដី។ | ទិន្នន័យពិសោធន៍ដែលទទួលបានពីមន្ទីរពិសោធន៍ ជួនកាលមានភាពលំបាកក្នុងការយកមកឆ្លុះបញ្ចាំងជាមួយលក្ខខណ្ឌបរិស្ថានជាក់ស្តែងនៅទីវាល។ | ផ្តល់នូវសមត្ថភាពខ្ពស់ក្នុងការទស្សន៍ទាយអាកប្បកិរិយារបស់គ្រាប់ពូជនៅក្នុងបរិស្ថានពិតប្រាកដ ដោយមានការរួមបញ្ចូលមេគុណកម្តៅ និងសំណើម។ |
| Artificial Neural Networks (ANNs) បណ្តាញសរសៃប្រសាទសិប្បនិម្មិត (AI) |
ស័ក្តិសមបំផុតសម្រាប់ការវិភាគលើដំណើរការកសិកម្មដែលមានលក្ខណៈស្មុគស្មាញ និងមិនមែនលីនេអ៊ែរ (Non-linear) ដែលពិបាកពណ៌នាតាមបែបគណិតវិទ្យាប្រពៃណី។ | ទាមទារឱ្យមានទិន្នន័យក្នុងបរិមាណដ៏ច្រើនសន្ធឹកសន្ធាប់ និងភាពប្រែប្រួលខ្ពស់នៃទិន្នន័យដើម្បីបង្វឹកគំរូ។ | កំពុងក្លាយជាឧបករណ៍ទស្សន៍ទាយដ៏មានសក្តានុពលក្នុងការប៉ាន់ស្មានទិន្នផល និងតាមដានការផ្លាស់ប្តូរប៉ារ៉ាម៉ែត្រតាមពេលវេលា។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអភិវឌ្ឍ និងប្រើប្រាស់គំរូគណិតវិទ្យាទាំងនេះទាមទារនូវធនធានកុំព្យូទ័រ និងសំណុំទិន្នន័យបរិស្ថានយ៉ាងលម្អិតសម្រាប់ការក្លែងធ្វើ។
ការសិក្សានេះគឺជាការពិនិត្យឡើងវិញនូវអក្សរសិល្ប៍ (Literature review) ដែលពឹងផ្អែកលើការស្រាវជ្រាវភាគច្រើននៅតំបន់អឺរ៉ុប និងតំបន់មេឌីទែរ៉ាណេ។ លក្ខខណ្ឌអាកាសធាតុ និងកម្រិតសំណើមដីនៅតំបន់ទាំងនេះមានភាពខុសគ្នាស្រឡះពីតំបន់ត្រូពិច។ សម្រាប់ប្រទេសកម្ពុជា ការយកគំរូទាំងនេះមកប្រើប្រាស់ទាមទារឱ្យមានការកែតម្រូវប៉ារ៉ាម៉ែត្រ (Calibration) ទៅតាមអាកាសធាតុក្តៅសើម និងប្រភេទពូជដំណាំក្នុងស្រុក។
វិធីសាស្ត្រនៃការធ្វើគំរូគណិតវិទ្យានេះមានសក្តានុពលខ្ពស់សម្រាប់ជួយអភិវឌ្ឍវិស័យកសិកម្មនៅកម្ពុជាឱ្យផ្លាស់ប្តូរទៅរកកសិកម្មឆ្លាតវៃ។
ការផ្លាស់ប្តូរពីកសិកម្មបែបប្រពៃណីទៅជាកសិកម្មផ្អែកលើទិន្នន័យ និងការព្យាករណ៍ច្បាស់លាស់ នឹងជួយកសិករ និងអ្នកវិនិយោគកម្ពុជាកាត់បន្ថយហានិភ័យ និងបង្កើនផលិតភាពចំពេលមានការប្រែប្រួលអាកាសធាតុ។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Mechanistic models | ជាប្រភេទគំរូគណិតវិទ្យាដែលព្យាយាមពន្យល់ពីយន្តការលូតលាស់របស់រុក្ខជាតិដោយផ្អែកលើដំណើរការរូបវិទ្យា គីមី និងជីវសាស្ត្រពិតប្រាកដ ជាជាងត្រឹមតែការសង្កេតពីខាងក្រៅ។ | ដូចជាការយល់ដឹងពីរបៀបដែលម៉ាស៊ីនឡានដំណើរការខាងក្នុង ជាជាងគ្រាន់តែដឹងថាវាអាចបើកទៅមុខបាន។ |
| Descriptive models | ជាគំរូដែលប្រើប្រាស់ទិន្នន័យពីការវាស់ស្ទង់ជាក់ស្តែងដើម្បីគូរចេញជារូបភាព ឬខ្សែកោងនៃការលូតលាស់ ដោយមិនខ្វល់ពីយន្តការខាងក្នុងលម្អិតដែលបណ្តាលឱ្យមានការលូតលាស់នោះទេ។ | ដូចជាការគូរគំនូរផ្ដិតយករូបរាងមនុស្សម្នាក់ ដោយមិនបាច់ដឹងពីកាយវិភាគវិទ្យាខាងក្នុងរបស់គាត់។ |
| Hydrothermal time models | ជាគំរូគណិតវិទ្យាដែលរួមបញ្ចូលគ្នានូវកត្តាសីតុណ្ហភាព និងបរិមាណទឹក (សំណើមដី) ជាមួយនឹងពេលវេលា ដើម្បីទស្សន៍ទាយថាតើពេលណាគ្រាប់ពូជនឹងចាប់ផ្តើមដុះពន្លក។ | ដូចជាការកំណត់ម៉ោងដាំបាយ ដែលត្រូវគិតទាំងកម្ដៅភ្លើង និងបរិមាណទឹកនៅក្នុងឆ្នាំងទើបបាយឆ្អិនល្អ។ |
| Sigmoid curves | ជាខ្សែកោងគណិតវិទ្យាមានរាងដូចអក្សរ "S" ដែលពិពណ៌នាពីអត្រានៃការលូតលាស់ដោយចាប់ផ្តើមយឺតៗ រួចលឿនរហ័សចំកណ្តាល និងថយល្បឿនវិញនៅពេលឈានដល់ចំណុចអតិបរមា។ | ដូចជារថយន្តដែលទើបតែបញ្ឆេះម៉ាស៊ីនរាងយឺតៗ រួចបន្ថែមល្បឿនយ៉ាងលឿនលើផ្លូវធំ ហើយបន្ថយល្បឿនវិញពេលជិតដល់គោលដៅ។ |
| Water potential | ជារង្វាស់នៃសក្តានុពលថាមពលរបស់ទឹកនៅក្នុងបរិស្ថាន (ដូចជាដី) ដែលកំណត់ពីសមត្ថភាពរបស់គ្រាប់ពូជក្នុងការទាញយកទឹកមកប្រើប្រាស់ដើម្បីចាប់ផ្តើមដុះពន្លក។ | ដូចជាកម្លាំងស្រូបទឹកនៃអេប៉ុង ប្រសិនបើអេប៉ុងស្ងួតខ្លាំង ការទាញយកទឹកចេញពីវាគឺជារឿងដ៏លំបាកបំផុត។ |
| Carrying capacity K | ជាកម្រិតអតិបរមានៃទំហំ ឬចំនួនប្រជាជនដែលបរិស្ថានមួយអាចទ្រទ្រង់បាន ដោយសារការកំណត់នៃធនធានធម្មជាតិ (ដូចជា ទីធ្លា ពន្លឺ និងសារធាតុចិញ្ចឹម)។ | ដូចជាចំណុះអតិបរមារបស់រថយន្តក្រុង ដែលមិនអាចផ្ទុកអ្នកដំណើរលើសពីចំនួនកៅអី និងកន្លែងឈរបានឡើយ។ |
| Artificial neural networks | ជាប្រព័ន្ធកុំព្យូទ័រដែលត្រូវបានរចនាឡើងត្រាប់តាមបណ្តាញសរសៃប្រសាទខួរក្បាលមនុស្ស ដើម្បីរៀនសូត្រពីទិន្នន័យស្មុគស្មាញ និងធ្វើការព្យាករណ៍ بدقة (ឧទាហរណ៍៖ ទស្សន៍ទាយទិន្នផលដំណាំនៅពេលអនាគត)។ | ដូចជាការបង្ហាត់កូនក្មេងឱ្យស្គាល់ផ្លែឈើ ដោយបង្ហាញរូបភាពច្រំដែលៗរហូតដល់គេចំណាំបានដោយខ្លួនឯង។ |
| Seed dormancy | ជាស្ថានភាពសម្រាករបស់គ្រាប់ពូជដែលមិនព្រមដុះពន្លក ទោះបីជាស្ថិតក្នុងលក្ខខណ្ឌបរិស្ថានអំណោយផលក៏ដោយ ដើម្បីរង់ចាំពេលវេលាដែលស័ក្តិសមបំផុតសម្រាប់ការរស់រានមានជីវិតរយៈពេលវែង។ | ដូចជាសត្វខ្លាឃ្មុំដែលសម្ងំដេកក្នុងរដូវរងា ដើម្បីសន្សំថាមពលរហូតដល់រដូវផ្ការីកទើបចេញក្រៅរកចំណីវិញ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
