បញ្ហា (The Problem)៖ ការប្រើប្រាស់ថ្នាំសម្លាប់សត្វល្អិតនិងជំងឺក្នុងបរិមាណច្រើននិងគ្មានគោលដៅច្បាស់លាស់ក្នុងវិស័យកសិកម្ម បង្កផលប៉ះពាល់យ៉ាងធ្ងន់ធ្ងរដល់បរិស្ថាន សុខភាពមនុស្ស និងសត្វមានប្រយោជន៍ដទៃទៀត។ លើសពីនេះ ការរកឃើញជំងឺដោយពឹងផ្អែកលើភ្នែកទទេចំណាយពេលយូរ និងខ្វះភាពសុក្រឹត ដែលទាមទារឱ្យមានដំណោះស្រាយបែបបច្ចេកវិទ្យាដើម្បីកាត់បន្ថយការប្រើប្រាស់សារធាតុគីមីលើដំណាំផ្កាខាត់ណា។
វិធីសាស្ត្រ (The Methodology)៖ ការស្រាវជ្រាវនេះបានអនុវត្តអភិក្រមចម្រុះដើម្បីវាយតម្លៃ និងគ្រប់គ្រងជំងឺរលួយខ្មៅ (Black-rot) ដោយស្វ័យប្រវត្តិ តាមរយៈការរួមបញ្ចូលគ្នារវាងឧបករណ៍សេនស័រ បញ្ញាសិប្បនិម្មិត និងប្រព័ន្ធបាញ់ថ្នាំទំនើប។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Support Vector Machine (SVM) ម៉ូដែលរៀនដោយម៉ាស៊ីន Support Vector Machine (SVM) |
ផ្តល់ភាពត្រឹមត្រូវខ្ពស់បំផុតក្នុងការបែងចែករវាងស្លឹកមានជំងឺ និងស្លឹកមានសុខភាពល្អ។ មានប្រសិទ្ធភាពខ្ពស់ក្នុងការវិភាគទិន្នន័យចំណាំងផ្លាតវិសាលគមពហុវិមាត្រ។ | ត្រូវការកម្លាំងគណនាច្រើនជាង Decision Tree បន្តិចសម្រាប់ការបង្ហាត់ម៉ូដែល និងការស្វែងរកប៉ារ៉ាម៉ែត្រ (Hyperparameters) ដ៏ល្អបំផុត។ | ទទួលបានអត្រាភាពត្រឹមត្រូវ (Testing Accuracy) ខ្ពស់រហូតដល់ ៩៦.៧%។ |
| Decision Tree Algorithm ម៉ូដែលរៀនដោយម៉ាស៊ីន Decision Tree |
ងាយស្រួលយល់ និងបកស្រាយពីដំណើរការនៃការសម្រេចចិត្ត។ ត្រូវការកម្លាំងគណនាតិច និងដំណើរការលឿនក្នុងការទាញយកលទ្ធផល។ | អត្រាភាពត្រឹមត្រូវទាបជាង SVM បន្តិច ហើយងាយនឹងមានបញ្ហា Overfitting ប្រសិនបើមិនបានកំណត់ជម្រៅ (Tree depth) បានល្អ។ | ទទួលបានអត្រាភាពត្រឹមត្រូវ (Testing Accuracy) ខ្ពស់បំផុតត្រឹម ៨៩.៩% (នៅពេលប្រើ Gini index ជម្រៅ ៤)។ |
| Sensor-actuated Targeted Sprayer vs. Standard Knapsack Sprayer ប្រព័ន្ធបាញ់ថ្នាំចំគោលដៅ ប្រៀបធៀបនឹងឧបករណ៍បាញ់ថ្នាំធម្មតា (Knapsack Sprayer) |
កាត់បន្ថយការប្រើប្រាស់ថ្នាំគីមី សន្សំពេលវេលា និងការពារបរិស្ថានដោយបាញ់តែត្រង់កន្លែងដែលមានជំងឺប៉ុណ្ណោះ។ | ទាមទារការវិនិយោគដំបូងលើឧបករណ៍សេនស័រ និងប្រព័ន្ធបញ្ជាអេឡិចត្រូនិកព្រមទាំងចំណេះដឹងផ្នែកបច្ចេកទេសដើម្បីដំឡើង។ | សន្សំសំចៃថ្នាំគីមីបាន ៧២.៥% និងចំណេញពេលវេលាបាញ់បាន ២១.០% ធៀបនឹងការបាញ់ធម្មតា។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអភិវឌ្ឍប្រព័ន្ធនេះទាមទារការចំណាយលើឧបករណ៍ Hardware ដែលមានតម្លៃសមរម្យសម្រាប់កសិករខ្នាតតូច ព្រមទាំងចំណេះដឹងផ្នែក Software មួយចំនួនដើម្បីដំណើរការប្រព័ន្ធបញ្ជាដោយស្វ័យប្រវត្តិ។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅវិទ្យាស្ថានស្រាវជ្រាវកសិកម្មឥណ្ឌា (ICAR-IARI) ទីក្រុងញូវដេលី ដោយផ្តោតលើដំណាំផ្កាខាត់ណា និងជំងឺរលួយខ្មៅ (Black rot) ក្នុងលក្ខខណ្ឌអាកាសធាតុនៃប្រទេសឥណ្ឌា។ នេះមានសារៈសំខាន់សម្រាប់ប្រទេសកម្ពុជា ព្រោះកម្ពុជាមានអាកាសធាតុត្រូពិចស្រដៀងគ្នា និងមានការដាំដុះដំណាំបន្លែស្រដៀងគ្នានេះច្រើន ដែលធ្វើឱ្យលទ្ធផលនៃការសិក្សានេះអាចយកមកអនុវត្តដោយផ្ទាល់បាន។
ប្រព័ន្ធបាញ់ថ្នាំចំគោលដៅតម្លៃថោកនេះមានសក្តានុពលខ្ពស់ និងស័ក្តិសមបំផុតសម្រាប់វិស័យកសិកម្មនៅប្រទេសកម្ពុជា ជាពិសេសសម្រាប់កសិករខ្នាតតូច។
សរុបមក បច្ចេកវិទ្យានេះជាដំណោះស្រាយដ៏មានប្រសិទ្ធភាពក្នុងការផ្លាស់ប្តូរទម្លាប់បាញ់ថ្នាំគីមីដោយស្មានៗ មកជាការបាញ់ដោយភាពច្បាស់លាស់ (Precision agriculture) ដែលជួយលើកកម្ពស់សេដ្ឋកិច្ចកសិករ និងនិរន្តរភាពបរិស្ថាននៅកម្ពុជា។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Spectral reflectance | គឺជាកម្រិតនៃពន្លឺដែលចាំងផ្លាតចេញពីផ្ទៃស្លឹករុក្ខជាតិនៅត្រង់រលកពន្លឺជាក់លាក់ណាមួយ។ កោសិកាដែលឈឺ និងកោសិកាដែលមានសុខភាពល្អ ស្រូបនិងផ្លាតពន្លឺខុសគ្នា ដែលអនុញ្ញាតឱ្យសេនស័រចាប់បានពីភាពខុសគ្នានេះដើម្បីកំណត់រកជំងឺ។ | ដូចជាការពាក់វ៉ែនតាការពារកម្តៅថ្ងៃពិសេសដែលអាចមើលឃើញពណ៌ខុសប្លែកគ្នារវាងស្លឹកឈើស្រស់ និងស្លឹកឈើស្ងួត ទោះបីមើលដោយភ្នែកទទេមិនសូវដឹងក៏ដោយ។ |
| Support vector machine (SVM) | គឺជាអាយហ្គោរិទ្ធឹមបញ្ញាសិប្បនិម្មិត (Machine Learning Algorithm) មួយប្រភេទដែលដំណើរការដោយការព្យាយាមគូសបន្ទាត់ ឬប្លង់ដ៏ល្អបំផុតដើម្បីខណ្ឌចែកទិន្នន័យជាពីរក្រុម (ឧទាហរណ៍៖ ក្រុមកោសិកាមានជំងឺ និងក្រុមគ្មានជំងឺ) ឱ្យដាច់ពីគ្នាបានយ៉ាងសុក្រឹតបំផុត។ | ដូចជាការគូសបន្ទាត់មួយនៅលើតុដើម្បីបែងចែកផ្លែប៉ោមល្អ និងផ្លែប៉ោមរលួយឱ្យនៅម្ខាងម្នាក់ ដោយធានាថាមិនឱ្យច្រឡំចូលគ្នាជាដាច់ខាត។ |
| Decision tree | គឺជាម៉ូដែលវិភាគទិន្នន័យដែលធ្វើការសម្រេចចិត្តជាជំហានៗតាមទម្រង់ដូចមែកឈើ ដោយចោទសួរលក្ខខណ្ឌម្តងមួយៗ (ឧ. តើពន្លឺផ្លាតនេះលើសកម្រិតនេះទេ?) រហូតឈានដល់ការសន្និដ្ឋានចុងក្រោយថាស្លឹកនោះឈឺ ឬជា។ | ដូចជាការលេងហ្គេមទាយឈ្មោះសត្វ ដោយសួរផ្តាច់ម្តងមួយៗថា "តើវាមានជើងបួនទេ?" បើមាន បន្តសួរថា "តើវាចេះព្រុសទេ?" រហូតដល់ទាយដឹងថាជាសត្វឆ្កែ។ |
| Targeted spraying | ជាបច្ចេកវិទ្យាកសិកម្មដែលបញ្ជាឱ្យម៉ាស៊ីនបាញ់ថ្នាំធ្វើការបាញ់តែទៅលើចំណុច ឬកោសិការុក្ខជាតិណាដែលសេនស័របានកំណត់និងរកឃើញថាមានជំងឺប៉ុណ្ណោះ ដោយមិនបាញ់រាយប៉ាយពេញចម្ការនោះទេ ដើម្បីសន្សំសំចៃថ្នាំគីមី។ | ដូចជាការលាបថ្នាំរឹតតែត្រង់កន្លែងដែលយើងឈឺសាច់ដុំប៉ុណ្ណោះ ជាជាងការលាបថ្នាំពេញទូទាំងរាងកាយទាំងមូល។ |
| Confusion matrix | ជាតារាងម៉ាទ្រីសដែលប្រើសម្រាប់វាយតម្លៃភាពត្រឹមត្រូវរបស់ម៉ូដែល AI ដោយបង្ហាញប្រៀបធៀបពីចំនួនដងដែលម៉ូដែលទាយត្រូវ (ឧ. ទាយថាឈឺ ហើយពិតជាឈឺមែន) និងចំនួនដងដែលម៉ូដែលទាយខុស (ឧ. ទាយថាឈឺ តែតាមពិតជា)។ | ដូចជាតារាងពិន្ទុរបស់គ្រូពេទ្យ ដែលកត់ត្រាថាគ្រូពេទ្យពិនិត្យរោគវិនិច្ឆ័យត្រូវប៉ុន្មានដង និងច្រឡំជំងឺលើអ្នកជំងឺប៉ុន្មានដង។ |
| Hyperparameters | គឺជាតម្លៃអថេរ ឬការកំណត់រចនាសម្ព័ន្ធ (Configuration Settings) ដែលអ្នកសរសេរកូដត្រូវកំណត់ជាមុន មុនពេលចាប់ផ្តើមបង្ហាត់ម៉ូដែល ដើម្បីតម្រង់ទិស និងគ្រប់គ្រងរបៀបដែលម៉ូដែល AI រៀនពីទិន្នន័យ ធ្វើយ៉ាងណាឱ្យលទ្ធផលចេញមកកាន់តែសុក្រឹត។ | ដូចជាការមួលប៉ូតុងសារ៉េកម្រិតសំឡេង និងបាស (Bass/Treble) លើម៉ាស៊ីនចាក់ភ្លេង ដើម្បីឱ្យសំឡេងចេញមកពិរោះបំផុតតាមកម្រិតដែលយើងចង់បាន។ |
| F1 score | គឺជារង្វាស់ភាគរយរួមមួយដែលវាយតម្លៃតុល្យភាពរវាងភាពជាក់លាក់ (Precision) និងសមត្ថភាពស្វែងរកត្រូវ (Recall) របស់ម៉ូដែល AI ដើម្បីប្រាកដថាម៉ូដែលមិនគ្រាន់តែទាយត្រូវច្រើន តែមានកំហុសតិចតួចបំផុតក្នុងការចាប់សញ្ញាខុស (False alarms)។ | ដូចជាការផ្តល់ពិន្ទុដល់អ្នកបាញ់ធ្នូ ដែលមិនត្រឹមតែវាស់ថាបាញ់ចំកណ្តាលស៊ីបបានប៉ុន្មានព្រួញទេ តែថែមទាំងវាស់ថាតើបាញ់ខុសខាតព្រួញអស់ប៉ុន្មានផងដែរ ទើបវាយតម្លៃជាពិន្ទុរួមមួយ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
