Original Title: Multivariate analysis of agronomic and quality traits of hull-less spring barley (Hordeum vulgare L.)
Source: doi.org/10.46882/AAAS/1127
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original paper for full scientific accuracy.

ការវិភាគពហុអថេរនៃលក្ខណៈកសិកម្ម និងគុណភាពនៃស្រូវបាឡេគ្មានសំបកប្រភេទនិទាឃរដូវ (Hordeum vulgare L.)

ចំណងជើងដើម៖ Multivariate analysis of agronomic and quality traits of hull-less spring barley (Hordeum vulgare L.)

អ្នកនិពន្ធ៖ Firdissa Eticha (National Wheat Research Project, Kulumsa Agricultural Research Center, Ethiopia), Heinrich Grausgruber (BOKU–University of Natural Resources and Applied Life Sciences, Austria), Emmerich Berghoffer (BOKU–University of Natural Resources and Applied Life Sciences, Austria)

ឆ្នាំបោះពុម្ព៖ 2022, Advances in Agriculture and Agricultural Sciences

វិស័យសិក្សា៖ Plant Breeding and Agronomy

១. សេចក្តីសង្ខេបប្រតិបត្តិ (Executive Summary)

បញ្ហា (The Problem)៖ ការស្រាវជ្រាវនេះដោះស្រាយពីបញ្ហានៃការខ្វះខាតការវាយតម្លៃ និងការចាត់ថ្នាក់ឱ្យបានទូលំទូលាយនូវពូជស្រូវបាឡេគ្មានសំបក (Hull-less barley) ជុំវិញពិភពលោក ដើម្បីកំណត់រកពូជដែលផ្តល់ទិន្នផលខ្ពស់ និងមានគុណភាពល្អសម្រាប់ការបង្កាត់ពូជ។

វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានប្រើប្រាស់បច្ចេកទេសវិភាគទិន្នន័យពហុអថេរ ដើម្បីវាយតម្លៃលក្ខណៈកសិកម្ម និងសមាសធាតុគីមីនៃគ្រាប់ពូជស្រូវបាឡេចំនួន ៨១ ប្រភេទ។

លទ្ធផលសំខាន់ៗ (The Verdict)៖

២. ការវិភាគលើប្រសិទ្ធភាព និងដែនកំណត់ (Performance & Constraints)

វិធីសាស្ត្រ (Method) គុណសម្បត្តិ (Pros) គុណវិបត្តិ (Cons) លទ្ធផលគន្លឹះ (Key Result)
Principal Component Analysis (PCA)
ការវិភាគសមាសភាគចម្បង
អាចកាត់បន្ថយទំហំនិងភាពស្មុគស្មាញនៃទិន្នន័យ (Dimensionality reduction) និងអាចកំណត់អត្តសញ្ញាណលក្ខណៈសំខាន់ៗដែលជះឥទ្ធិពលខ្លាំងជាងគេ។ មិនបានបែងចែកក្រុមសេណូទីបដោយផ្ទាល់ទេ ហើយការបកស្រាយលទ្ធផលអាចមានភាពស្មុគស្មាញនៅពេលមានអថេរច្រើន។ សមាសភាគចម្បងចំនួន ៧ ដំបូងអាចពន្យល់ពីបំរែបំរួលទិន្នន័យសរុបបានរហូតដល់ ៧២.៧%។
Hierarchical Cluster Analysis
ការវិភាគចង្កោមតាមឋានានុក្រម
មានប្រសិទ្ធភាពក្នុងការបែងចែកសេណូទីបទៅជាក្រុមដែលមានលក្ខណៈស្រដៀងគ្នា ដែលងាយស្រួលសម្រាប់ការជ្រើសរើសពូជ។ ភាពត្រឹមត្រូវនៃលទ្ធផលគឺអាស្រ័យលើការជ្រើសរើសប្រភេទនៃក្បួនដោះស្រាយ (Algorithm) ដូចជាវិធីសាស្ត្រ Ward ជាដើម។ បានបែងចែកសេណូទីបស្រូវបាឡេចំនួន ៨១ ទៅជា ៧ ក្រុមធំៗ ដែលមានលក្ខណៈរូបសាស្ត្រ និងគីមីខុសៗគ្នា។
Canonical Discriminant Analysis (CDA)
ការវិភាគមុខងាររើសអើងកាណូនិក
អស្ចារ្យបំផុតក្នុងការបំបែកក្រុមដែលបានកំណត់ទុកជាមុន (ឧទាហរណ៍៖ ពណ៌គ្រាប់) និងបង្ហាញពីអថេរដែលជំរុញឱ្យមានការបំបែកនោះ។ ទាមទារឱ្យមានការកំណត់អថេរជាក្រុម (Categorical variables) ជាមុនទើបអាចដំណើរការបាន។ មុខងារ Discriminant ពីរដំបូងអាចពន្យល់ពីបំរែបំរួលរហូតដល់ ៨៨% និងអាចបំបែកក្រុមស្រូវបាឡេតាមពណ៌គ្រាប់បានយ៉ាងច្បាស់លាស់។

ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះទាមទារធនធានកម្រិតមធ្យមទៅខ្ពស់ ទាំងផ្នែកសូហ្វវែរសម្រាប់វិភាគស្ថិតិ ឧបករណ៍មន្ទីរពិសោធន៍គីមីកម្រិតខ្ពស់ និងទីតាំងសម្រាប់ដាំដុះសាកល្បងក្នុងវិស័យកសិកម្ម។

៣. ការពិនិត្យសម្រាប់បរិបទកម្ពុជា/អាស៊ីអាគ្នេយ៍

ភាពលំអៀងនៃទិន្នន័យ (Data Bias)៖

ការសិក្សានេះត្រូវបានធ្វើឡើងដោយប្រើប្រាស់ពូជស្រូវបាឡេពីជុំវិញពិភពលោក ប៉ុន្តែការដាំដុះសាកល្បងធ្វើឡើងនៅទីក្រុង Raasdorf ប្រទេសអូទ្រីស ដែលមានអាកាសធាតុតំបន់ត្រជាក់។ សម្រាប់ប្រទេសកម្ពុជា ការនាំយកពូជទាំងនេះមកដាំដុះផ្ទាល់អាចនឹងមិនទទួលបានជោគជ័យដោយសារភាពខុសគ្នានៃអាកាសធាតុត្រូពិច ប៉ុន្តែវិធីសាស្ត្រវិភាគនេះគឺមានតម្លៃយ៉ាងខ្លាំង។

លទ្ធភាពនៃការអនុវត្ត (Applicability)៖

ទោះបីជាស្រូវបាឡេមិនមែនជាដំណាំសំខាន់នៅកម្ពុជាក៏ដោយ ប៉ុន្តែវិធីសាស្ត្រនៃការវាយតម្លៃ និងការជ្រើសរើសពូជតាមរយៈការវិភាគពហុអថេរ គឺមានសារៈសំខាន់បំផុតសម្រាប់ការស្រាវជ្រាវកសិកម្មនៅកម្ពុជា។

សរុបមក ក្របខណ្ឌវិធីសាស្ត្រក្នុងការវាយតម្លៃពហុអថេរនេះ គឺជាឧបករណ៍ដ៏មានសក្តានុពលសម្រាប់អ្នកវិទ្យាសាស្ត្រកសិកម្មកម្ពុជា ក្នុងការធ្វើឱ្យប្រសើរឡើងនូវកម្មវិធីបង្កាត់ពូជដំណាំ ដើម្បីធានាបានទាំងទិន្នផល និងគុណភាព។

៤. ផែនការសកម្មភាពសម្រាប់និស្សិត (Actionable Roadmap)

ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖

  1. សិក្សាពីមូលដ្ឋានគ្រឹះនៃស្ថិតិពហុអថេរ (Multivariate Statistics): និស្សិតកសិកម្មគួរចាប់ផ្តើមសិក្សាពីទ្រឹស្តីនៃការវិភាគ PCA និង Cluster Analysis ដោយប្រើប្រាស់ភាសាកម្មវិធីឥតគិតថ្លៃដូចជា R (ggplot2, FactoMineR)Python (scikit-learn) ជាជាងការពឹងផ្អែកតែលើកម្មវិធីពាណិជ្ជកម្ម។
  2. ប្រមូល និងរៀបចំទិន្នន័យកសិកម្មក្នុងស្រុក: ធ្វើការសហការជាមួយសាកលវិទ្យាល័យភូមិន្ទកសិកម្ម (RUA) ដើម្បីប្រមូលទិន្នន័យកសិកម្មជាក់ស្តែង ដូចជារូបរាង ទិន្នផល និងកម្រិតប្រូតេអ៊ីននៃពូជស្រូវ ឬពោតនៅកម្ពុជា។
  3. អនុវត្តការវិភាគទិន្នន័យជាក់ស្តែង (Practical Data Analysis): ប្រើប្រាស់កម្មវិធី SPSSSAS (ប្រសិនបើមាន) ដើម្បីបញ្ចូលទិន្នន័យដែលប្រមូលបាន រួចធ្វើការចាត់ថ្នាក់សេណូទីប ដើម្បីស្វែងរកក្រុមដំណាំដែលមានសក្តានុពលខ្ពស់ជាងគេ។
  4. ភ្ជាប់លទ្ធផលទៅនឹងកម្មវិធីបង្កាត់ពូជ (Crop Breeding Programs): យកលទ្ធផលនៃការវិភាគដែលបានចាត់ថ្នាក់រួច (ឧទាហរណ៍៖ ក្រុមស្រូវដែលមានទិន្នផលខ្ពស់ និងធន់នឹងគ្រោះរាំងស្ងួត) ទៅធ្វើការសាកល្បងដាំដុះផ្ទាល់នៅតាមស្ថានីយ៍ពិសោធន៍កសិកម្ម ដើម្បីផ្ទៀងផ្ទាត់ភាពត្រឹមត្រូវនៃទិន្នន័យ។

៥. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស ការពន្យល់ជាខេមរភាសា (Khmer Explanation) និយមន័យសាមញ្ញ (Simple Definition)
Multivariate analysis (ការវិភាគពហុអថេរ) វិធីសាស្ត្រស្ថិតិដែលត្រូវបានប្រើប្រាស់ដើម្បីវិភាគលើទិន្នន័យដែលមានអថេរ (លក្ខណៈ) ច្រើនក្នុងពេលតែមួយ ដើម្បីស្វែងយល់ពីទំនាក់ទំនង និងឥទ្ធិពលទៅវិញទៅមកនៃអថេរទាំងនោះ ដូចជាការវិភាគទិន្នផល ការលូតលាស់ និងបរិមាណសារធាតុគីមីព្រមៗគ្នា។ ដូចជាការវាយតម្លៃសិស្សម្នាក់ដោយមើលលើពិន្ទុមុខវិជ្ជាជាច្រើនព្រមៗគ្នា (គណិត វិទ្យាសាស្ត្រ ភាសា) ជំនួសឱ្យការមើលតែមុខវិជ្ជាមួយ ដើម្បីដឹងពីសមត្ថភាពសរុប។
Hull-less barley (ស្រូវបាឡេគ្មានសំបក) ប្រភេទពូជស្រូវបាឡេ (Hordeum vulgare L.) ដែលមានសំបក (អង្កាម) ងាយស្រួលរបូតចេញពីគ្រាប់នៅពេលបោកបែន ដែលធ្វើឱ្យវាមិនសូវទាមទារការកិនកែច្នៃច្រើន និងរក្សាបាននូវសារធាតុចិញ្ចឹមខ្ពស់សម្រាប់ផលិតជាអាហារមនុស្ស។ ស្រដៀងទៅនឹងសណ្តែកដីដែលអាចបកសំបកចេញបានយ៉ាងងាយស្រួលដោយគ្រាន់តែញីដោយដៃ ដោយមិនបាច់ប្រើម៉ាស៊ីនកិនកម្ទេចសំបកនោះទេ។
Principal Component Analysis (PCA) (ការវិភាគសមាសភាគចម្បង) បច្ចេកទេសបង្រួមទំហំទិន្នន័យដែលកាត់បន្ថយចំនួនអថេរដ៏ច្រើនសន្ធឹកសន្ធាប់ទៅជាអថេរថ្មីមួយចំនួនតូចហៅថា 'សមាសភាគចម្បង' (Principal Components) ប៉ុន្តែនៅតែអាចពន្យល់ពីបំរែបំរួលនិងព័ត៌មានសំខាន់ៗនៃទិន្នន័យដើមបានស្ទើរតែទាំងស្រុង។ ដូចជាការសង្ខេបសៀវភៅប្រលោមលោកដ៏ក្រាស់មួយក្បាលមកត្រឹមតែមួយទំព័រ ប៉ុន្តែអ្នកអាននៅតែអាចយល់បានពីអត្ថន័យស្នូលនៃសាច់រឿងទាំងមូល។
Hierarchical cluster analysis (ការវិភាគចង្កោមតាមឋានានុក្រម) វិធីសាស្ត្រចាត់ថ្នាក់ទិន្នន័យឬវត្ថុទៅជាក្រុម (ចង្កោម) ដោយផ្អែកលើភាពស្រដៀងគ្នានៃលក្ខណៈរបស់ពួកវា (ឧទាហរណ៍ កម្រិតប្រូតេអ៊ីន ទិន្នផល) ដោយបង្កើតជាទម្រង់ដូចមែកធាងដែលហៅថា Dendrogram។ ដូចជាការរៀបចំសៀវភៅក្នុងបណ្ណាល័យ ដោយដាក់សៀវភៅប្រភេទដូចគ្នា (ប្រវត្តិសាស្ត្រ វិទ្យាសាស្ត្រ) ទៅក្នុងទូតែមួយដើម្បីងាយស្រួលស្វែងរក។
Canonical discriminant analysis (CDA) (ការវិភាគកាណូនិកបែងចែកលក្ខណៈ) បច្ចេកទេសស្ថិតិប្រើសម្រាប់ស្វែងរកបន្សំនៃអថេរដែលជំរុញឱ្យមានការបំបែកក្រុមដែលបានកំណត់ទុកជាមុន (ឧទាហរណ៍ ក្រុមស្រូវបាឡេតាមពណ៌គ្រាប់) ឱ្យនៅដាច់ពីគ្នាយ៉ាងច្បាស់លាស់បំផុត។ ដូចជាការរកមើលចំណុចពិសេស (ឧ. ស្លាកសញ្ញា ឬពណ៌ឯកសណ្ឋាន) ដើម្បីបែងចែកអ្នកគាំទ្រក្រុមបាល់ទាត់ពីរផ្សេងគ្នានៅក្នុងកីឡដ្ឋានដែលមានមនុស្សច្រើន។
Anthocyanins (អង់តូស៊ីយ៉ានីន) សារធាតុពណ៌ធម្មជាតិដែលអាចរលាយក្នុងទឹក មាននៅក្នុងរុក្ខជាតិ ដែលផ្តល់នូវពណ៌ក្រហម ស្វាយ ឬខៀវ ដល់គ្រាប់ធញ្ញជាតិ ហើយមានអត្ថប្រយោជន៍យ៉ាងសំខាន់ជាសារធាតុប្រឆាំងអុកស៊ីតកម្ម។ ដូចជាទឹកថ្នាំពណ៌ធម្មជាតិដែលធ្វើឱ្យផ្កាមានពណ៌ស្រស់ស្អាត ហើយក៏ជាវីតាមីនដែលអាចជួយការពាររាងកាយយើងពីជំងឺផ្សេងៗ។
Beta-glucan (បេតា-គ្លុយកង់) ប្រភេទជាតិសរសៃរលាយ (Soluble fiber) ប្រភេទប៉ូលីសាខារ៉ាយ ដែលមានបរិមាណច្រើនក្នុងស្រូវបាឡេ និងស្រូវអូត ដែលមានលក្ខណៈសម្បត្តិជួយបន្ថយកម្រិតកូឡេស្តេរ៉ុល និងរៀបចំកម្រិតជាតិស្ករក្នុងឈាម។ ដូចជាអេប៉ុងនៅក្នុងក្រពះដែលជួយស្រូបយកជាតិខ្លាញ់និងជាតិស្ករមិនល្អចេញពីរាងកាយរបស់យើង។
Phenolics (សមាសធាតុហ្វេណូលីក) សមាសធាតុគីមីសរីរាង្គទូលំទូលាយដែលមានសកម្មភាពប្រឆាំងអុកស៊ីតកម្មខ្ពស់ ការពារកោសិការុក្ខជាតិពីស្រ្តេសបរិស្ថាន និងផ្តល់អត្ថប្រយោជន៍យ៉ាងច្រើនដល់សុខភាពមនុស្សនៅពេលទទួលទាន។ ដូចជាទាហានការពារតូចៗនៅក្នុងរុក្ខជាតិ ដែលជួយប្រយុទ្ធប្រឆាំងនឹងជំងឺ និងទប់ស្កាត់ការខូចខាតកោសិកា។
Waxy barley (ស្រូវបាឡេក្រមួន) ពូជស្រូវបាឡេពិសេសដែលមានផ្ទុកជាតិម្សៅ (Starch) ប្រភេទ Amylopectin ស្ទើរតែ ១០០% ដែលធ្វើឱ្យវាមានភាពស្អិតនៅពេលចម្អិនរួច និងជាធម្មតាសម្បូរទៅដោយសារធាតុ Beta-glucan ខ្ពស់ជាងពូជធម្មតា។ ដូចជាអង្ករដំណើបដែលស្អិតខ្លាំងនៅពេលយើងដាំបាយ ដែលវាមានលក្ខណៈខុសប្លែកពីអង្ករខ្សាយធម្មតា។

៦. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖