Original Title: Near-infrared spectroscopic analysis for rapid evaluation of major chemical components in sugarcane bagasse
Source: li01.tci-thaijo.org
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original paper for full scientific accuracy.

ការវិភាគដោយប្រើវិសាលគម Near-infrared សម្រាប់ការវាយតម្លៃយ៉ាងរហ័សនូវសមាសធាតុគីមីសំខាន់ៗនៅក្នុងកាកអំពៅ

ចំណងជើងដើម៖ Near-infrared spectroscopic analysis for rapid evaluation of major chemical components in sugarcane bagasse

អ្នកនិពន្ធ៖ S. Kasemsumran (Kasetsart University, Thailand), S. Jungtheerapanich (Kasetsart University, Thailand), K. Ngowsuwan (Kasetsart University, Thailand), W. Thanapase (Kasetsart University, Thailand), S. Miyata (Japan International Research Center for Agricultural Sciences, Japan)

ឆ្នាំបោះពុម្ព៖ 2021, Thai Journal of Agricultural Science

វិស័យសិក្សា៖ Agricultural Science

១. សេចក្តីសង្ខេបប្រតិបត្តិ (Executive Summary)

បញ្ហា (The Problem)៖ ការសិក្សានេះដោះស្រាយបញ្ហានៃការចំណាយខ្ពស់ និងការប្រើប្រាស់ពេលវេលាយូរក្នុងការវិភាគសមាសធាតុគីមីរបស់កាកអំពៅ ដែលជាប្រភពជីវម៉ាសដ៏សំខាន់សម្រាប់ផលិតថាមពលកកើតឡើងវិញ។

វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានប្រើប្រាស់បច្ចេកវិទ្យាវិសាលគម Near-infrared (NIR) រួមជាមួយនឹងម៉ូដែលគណិតវិទ្យា (PLS Regression) ដើម្បីវិភាគសំណាកកាកអំពៅចំនួន ៣ ក្រុមផ្សេងៗគ្នា។

ការរៀបចំសំណាកកាកអំពៅសិប្បនិម្មិត និងធម្មជាតិ (Sample Preparation)
ការស្ទង់វិសាលគមនីអ៊ែរអ៊ីនហ្វ្រារ៉េដ (NIR Spectral Acquisition) ក្នុងកម្រិត 1,100–2,500 nm
ការវិភាគសមាសធាតុគីមីជាគោល (Reference Analysis) ផ្តោតលើ Glucan, Xylan និង Lignin
ការបង្កើតម៉ូដែលតំរែតំរង់ (Partial Least Square Regression Models)

លទ្ធផលសំខាន់ៗ (The Verdict)៖

ម៉ូដែល PLS ដែលប្រើប្រាស់សំណាកកាកអំពៅពិតប្រាកដផ្តល់លទ្ធផលល្អបំផុត ជាមួយនឹងមេគុណទំនាក់ទំនង (R) ស្មើនឹង ០,៩៤ សម្រាប់គ្លុយកង់ ០,៨៨ សម្រាប់ស៊ីឡាន និង ០,៩៤ សម្រាប់លីកនីន។
កំហុសស្តង់ដារនៃការព្យាករណ៍ (SEP) មានកម្រិតទាបត្រឹម ៤,៣១% សម្រាប់គ្លុយកង់ (Glucan), ១,៥០% សម្រាប់ស៊ីឡាន (Xylan), និង ២,០៨% សម្រាប់លីកនីន (Lignin)។
បច្ចេកវិទ្យា NIR អាចត្រូវបានប្រើប្រាស់ជាវិធីសាស្ត្ររហ័ស និងមិនបំផ្លាញសំណាក ដើម្បីជំនួសការប្រើប្រាស់សារធាតុគីមីក្នុងការវាយតម្លៃគុណភាពជីវម៉ាសមុនពេលបំប្លែងទៅជាថាមពល។

២. ការវិភាគលើប្រសិទ្ធភាព និងដែនកំណត់ (Performance & Constraints)

វិធីសាស្ត្រ (Method)	គុណសម្បត្តិ (Pros)	គុណវិបត្តិ (Cons)	លទ្ធផលគន្លឹះ (Key Result)
Near-Infrared (NIR) Spectroscopy with PLS (Type II Calculation) ការប្រើប្រាស់វិសាលគម NIR ជាមួយម៉ូដែលតំរែតំរង់ PLS (ប្រើតែសំណាកកាកអំពៅពិតប្រាកដ)	មានភាពរហ័ស មិនបំផ្លាញសំណាក (Non-destructive) និងមិនប្រើប្រាស់សារធាតុគីមីពុល។ ផ្តល់លទ្ធផលព្យាករណ៍ច្បាស់លាស់បំផុតដោយសារទិន្នន័យមិនមានរំខានពីសំណាកសិប្បនិម្មិត។	ទាមទារការបង្កើតម៉ូដែល (Calibration model) ជាមុនដែលអាចចំណាយពេល និងទាមទារម៉ាស៊ីនស្កេន NIR ដែលមានតម្លៃថ្លៃ។	ផ្តល់កំហុសស្តង់ដារនៃការព្យាករណ៍ (SEP) ទាបបំផុត៖ គ្លុយកង់ ៤,៣១%, ស៊ីឡាន ១,៥០% និង លីកនីន ២,០៨% ដោយមានមេគុណទំនាក់ទំនង (R) ចន្លោះ ០,៨៨ ដល់ ០,៩៤។
Near-Infrared (NIR) Spectroscopy with PLS (Type I Calculation) ការប្រើប្រាស់វិសាលគម NIR ជាមួយម៉ូដែលតំរែតំរង់ PLS (លាយបញ្ចូលសំណាកសិប្បនិម្មិត)	អាចពង្រីកវិសាលភាពនៃការទស្សន៍ទាយ (Concentration range) សម្រាប់សមាសធាតុគីមីបានទូលំទូលាយជាងមុន ដោយសារមានការបន្ថែមសំណាកលាយបញ្ចូលគ្នា។	ផ្តល់កំហុសការព្យាករណ៍ខ្ពស់ជាង Type II ដោយសារលក្ខណៈម៉ាទ្រីសនៃសំណាកសិប្បនិម្មិត (Matrix differences) ខុសពីកាកអំពៅធម្មជាតិ។	SEP ខ្ពស់ជាង Type II បន្តិច៖ គ្លុយកង់ ៤,៥៣%, ស៊ីឡាន ១,៦២% និង លីកនីន ២,៧១%។
Conventional Chemical Analysis (NREL and Acetyl Bromide methods) ការវិភាគគីមីបែបប្រពៃណី (វិធីសាស្ត្រ NREL និងការប្រើប្រាស់ Acetyl Bromide)	ផ្តល់លទ្ធផលជាក់ស្តែងនិងមានភាពត្រឹមត្រូវខ្ពស់បំផុត ដែលត្រូវបានប្រើជាទិន្នន័យគោល (Ground truth) សម្រាប់ផ្ទៀងផ្ទាត់ម៉ូដែលស្កេនកាំរស្មី។	ចំណាយពេលយូរ ចំណាយថវិកាច្រើនលើប្រតិបត្តិការ ទាមទារកម្លាំងពលកម្ម និងបំផ្លាញសំណាកដោយប្រើប្រាស់សារធាតុគីមីពុល។	ត្រូវបានប្រើប្រាស់ដើម្បីទាញយកតម្លៃពិតនៃសមាសធាតុគីមីសម្រាប់សំណាកចំនួន ១៣៧ ដើម្បីបង្រៀនម៉ូដែល (Train models)។

ការចំណាយលើធនធាន (Resource Cost)៖ ការប្រើប្រាស់បច្ចេកវិទ្យាវិភាគ NIR ទាមទារការវិនិយោគដំបូងខ្ពស់ទៅលើឧបករណ៍រឹង និងសូហ្វវែរ ប៉ុន្តែវាជួយកាត់បន្ថយចំណាយប្រតិបត្តិការយ៉ាងច្រើនក្នុងរយៈពេលវែងដោយមិនប្រើប្រាស់សារធាតុគីមី។

Hardware: ម៉ាស៊ីនស្ទង់វិសាលគម (Spectrometer ឧទាហរណ៍៖ InfraAlyzer 500) សម្រាប់ថតយកវិសាលគមក្នុងកម្រិត 1,100–2,500 nm និងម៉ាស៊ីនកិនសំណាក (ឧទាហរណ៍៖ Cyclotec 1093) ដើម្បីកិនសំណាកឱ្យម៉ត់ល្អស្មើគ្នា។
Software: កម្មវិធីកុំព្យូទ័រសម្រាប់វិភាគទិន្នន័យពហុអថេរ (Multivariate Data Analysis) ដូចជា Unscrambler (Ver. 9.8) ឬកម្មវិធីស្រដៀងគ្នា ដើម្បីបង្កើតសមីការ Partial Least Square (PLS) និងកែសម្រួលទិន្នន័យ (Pretreatment)។
Expertise: អ្នកស្រាវជ្រាវដែលមានចំណេះដឹងផ្នែកគីមីវិភាគ (Analytical Chemistry) សម្រាប់ការធ្វើតេស្តគោល និងជំនាញផ្នែក Chemometrics ដើម្បីវិភាគទិន្នន័យពីម៉ាស៊ីន NIR។
Dataset: សំណាកកាកអំពៅពិតប្រាកដក្នុងបរិមាណច្រើននិងចម្រុះ (យ៉ាងតិចប្រមាណ ១០០ សំណាក) ដែលត្រូវបានដឹងពីតម្លៃគីមីពិតប្រាកដ ដើម្បីយកមកបង្កើត Calibration Model។

៣. ការពិនិត្យសម្រាប់បរិបទកម្ពុជា/អាស៊ីអាគ្នេយ៍

ភាពលំអៀងនៃទិន្នន័យ (Data Bias)៖

ការសិក្សានេះត្រូវបានធ្វើឡើងនៅក្នុងប្រទេសថៃ ដោយប្រើប្រាស់ពូជអំពៅព្រៃ (ដូចជា Saccharum spontaneum និង Erianthus) រួមជាមួយនឹងកាកអំពៅពីរោងចក្រស្ករសនានាក្នុងប្រទេសថៃ។ សម្រាប់ប្រទេសកម្ពុជា ពូជអំពៅ ស្ថានភាពដីធ្លី និងដំណើរការរោងចក្រអាចមានភាពខុសគ្នា ដែលតម្រូវឱ្យមានការប្រមូលសំណាកក្នុងស្រុកដើម្បីធ្វើតម្រូវម៉ូដែល (Local Calibration) ឡើងវិញមុននឹងយកបច្ចេកវិទ្យានេះមកប្រើប្រាស់ឱ្យមានប្រសិទ្ធភាព។

លទ្ធភាពនៃការអនុវត្ត (Applicability)៖

វិធីសាស្ត្រនេះមានសក្តានុពលខ្ពស់និងអាចអនុវត្តបានសម្រាប់ប្រទេសកម្ពុជា ពិសេសក្នុងការជំរុញវិស័យថាមពលកកើតឡើងវិញពីជីវម៉ាសកសិកម្ម។

រោងចក្រផលិតស្ករស និងថាមពលជីវម៉ាស (Local Sugar and Biomass Factories): រោងចក្រធំៗនៅខេត្តកំពង់ស្ពឺ ឬកោះកុង អាចប្រើប្រាស់ឧបករណ៍ NIR នេះដើម្បីវាយតម្លៃគុណភាពកាកអំពៅភ្លាមៗ (បរិមាណ Cellulose និង Lignin) មុននឹងសម្រេចចិត្តយកវាទៅដុតផលិតអគ្គិសនី ឬបំប្លែងទៅជាជីវឥន្ធនៈ (Bioethanol)។
វិទ្យាស្ថានស្រាវជ្រាវ និងសាកលវិទ្យាល័យ (Research Institutes & Universities): ស្ថាប័នដូចជា វិទ្យាស្ថានបច្ចេកវិទ្យាកម្ពុជា (ITC) ឬ សាកលវិទ្យាល័យភូមិន្ទកសិកម្ម (RUA) អាចយកវិធីសាស្ត្រនេះទៅអនុវត្តក្នុងការស្រាវជ្រាវជីវម៉ាសផ្សេងៗទៀតដូចជា កន្ទក់ សំបកស្រូវ ឬដើមពោត ដែលសំបូរនៅកម្ពុជា។

សរុបមក ការផ្លាស់ប្តូរពីការវិភាគគីមីបែបប្រពៃណីមកប្រើប្រាស់បច្ចេកវិទ្យាស្កេន NIR នឹងជួយសន្សំសំចៃពេលវេលា ថវិកា និងជំរុញការអភិវឌ្ឍថាមពលជីវម៉ាសនៅកម្ពុជាឱ្យកាន់តែមានសក្តានុពល។

៤. ផែនការសកម្មភាពសម្រាប់និស្សិត (Actionable Roadmap)

ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖

សិក្សាមូលដ្ឋានគ្រឹះពាក់ព័ន្ធនឹងបច្ចេកទេស NIR និង Chemometrics: និស្សិតត្រូវស្វែងយល់អំពីគោលការណ៍នៃ Near-Infrared Spectroscopy និងវិធីសាស្ត្រវាយតម្លៃទិន្នន័យស្ថិតិពហុអថេរ។ គួរអនុវត្តការសរសេរកូដវាយតម្លៃម៉ូដែល Partial Least Squares (PLS) Regression ដោយប្រើប្រាស់ Python (scikit-learn, SciPy) ឬកម្មវិធី The Unscrambler។
ការប្រមូល និងរៀបចំសំណាកជីវម៉ាស (Sample Collection & Preparation): ចុះប្រមូលសំណាកកាកអំពៅពីចម្ការ ឬរោងចក្រនានាក្នុងប្រទេសកម្ពុជា។ បន្ទាប់មកត្រូវយកសំណាកទាំងនោះមកសម្ងួតកម្ចាត់ជាតិទឹក (សំណើម ≤១២%) រួចកិន និងរែងឱ្យមានទំហំភាគល្អិតស្តង់ដារស្មើគ្នា ដោយប្រើម៉ាស៊ីនដូចជា Cyclotec Grinder ដើម្បីកាត់បន្ថយភាពរំខានពេលស្កេន។
ការធ្វើតេស្តមន្ទីរពិសោធន៍ជាគោល (Reference Chemical Analysis): អនុវត្តវិធីសាស្ត្រគីមីស្តង់ដារនៅលើមួយផ្នែកនៃសំណាក (ឧទាហរណ៍៖ ប្រើប្រាស់វិធីសាស្ត្រ NREL សម្រាប់រក Glucan/Xylan និងប្រើវិធីសាស្ត្រ Acetyl bromide សម្រាប់រក Lignin) ដើម្បីទទួលបានទិន្នន័យជាក់ស្តែង (Ground Truth) សម្រាប់យកទៅបង្រៀនម៉ូដែលកុំព្យូទ័រ។
ការប្រមូលទិន្នន័យវិសាលគម និងការកែសម្រួលទិន្នន័យ (Spectra Acquisition & Pretreatment): ប្រើប្រាស់ម៉ាស៊ីនស្កេន NIR Spectrometer ថតយកទិន្នន័យវិសាលគមក្នុងចន្លោះ 1,100–2,500 nm។ បន្ទាប់មកកែសម្រួលទិន្នន័យកាត់បន្ថយភាពរំខាននៃពន្លឺ (Scattering noise) ដោយប្រើបច្ចេកទេស Multiplicative Scatter Correction (MSC) ឬ Second Derivative (Savitzky-Golay filter)។
ការបង្កើតម៉ូដែល ការផ្ទៀងផ្ទាត់ និងការយកទៅប្រើប្រាស់ (Model Training & Validation): ប្រើប្រាស់ទិន្នន័យ NIR ដែលកែសម្រួលរួច និងទិន្នន័យគីមីគោលដើម្បីបង្កើតម៉ូដែល PLS។ ត្រូវធ្វើការវាយតម្លៃភាពត្រឹមត្រូវតាមរយៈសូចនាករ Standard Error of Prediction (SEP) និងមេគុណ R មុននឹងសម្រេចយកម៉ូដែលនេះទៅប្រើប្រាស់ក្នុងរោងចក្រដើម្បីទស្សន៍ទាយគុណភាពជីវម៉ាសថ្មីៗ ដោយមិនចាំបាច់ប្រើគីមីទៀតឡើយ។

៥. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស	ការពន្យល់ជាខេមរភាសា (Khmer Explanation)	និយមន័យសាមញ្ញ (Simple Definition)
Near-infrared (NIR) spectroscopy (ការវិភាគដោយប្រើវិសាលគម Near-infrared)	ជាបច្ចេកវិទ្យាវិភាគដែលប្រើប្រាស់ពន្លឺក្នុងកម្រិតរលកអាំងហ្វ្រារ៉េដជិត (១១០០-២៥០០ ណាណូម៉ែត្រ) ដើម្បីបញ្ចាំងលើសំណាក ហើយវាស់បរិមាណពន្លឺដែលស្រូបទាញ និងផ្លាតត្រឡប់មកវិញ ដើម្បីកំណត់សមាសធាតុគីមីដែលមាននៅខាងក្នុងដោយមិនបាច់ដុតឬប្រើប្រាស់សារធាតុគីមីបំបែកសំណាក។	ដូចជាការប្រើពន្លឺពិលពិសេសបញ្ចាំងឆ្លុះមើលរចនាសម្ព័ន្ធខាងក្នុងនៃវត្ថុមួយ ដើម្បីដឹងថាវាផ្សំឡើងពីអ្វីខ្លះដោយមិនចាំបាច់វះកាត់វាអញ្ចឹងដែរ។
Partial least square (PLS) regression (ម៉ូដែលតំរែតំរង់ PLS)	ជាវិធីសាស្ត្រស្ថិតិដែលប្រើសម្រាប់ទាញយកទំនាក់ទំនងរវាងអថេរពីរក្រុម (ឧទាហរណ៍ ទិន្នន័យពីពន្លឺ NIR និងទិន្នន័យគីមីពិតប្រាកដ) ដើម្បីបង្កើតជារូបមន្តគណិតវិទ្យាដែលអាចទស្សន៍ទាយលទ្ធផលនាពេលអនាគតបានយ៉ាងច្បាស់លាស់។	ដូចជាការបង្រៀនកុំព្យូទ័រឱ្យចេះចំណាំទម្រង់មុខមនុស្ស ដោយផ្គូផ្គងរូបភាពមុខ (ទិន្នន័យពន្លឺ) ជាមួយឈ្មោះរបស់ពួកគេ (សមាសធាតុគីមី) ដើម្បីឱ្យវាស្គាល់និងហៅឈ្មោះត្រូវនៅពេលក្រោយ។
Sugarcane bagasse (កាកអំពៅ)	ជាសំណល់សរសៃរុក្ខជាតិដែលនៅសេសសល់បន្ទាប់ពីគេកិនគាបយកទឹកចេញពីដើមអំពៅនៅក្នុងរោងចក្រស្ករស ដែលជាទូទៅត្រូវបានគេប្រើប្រាស់ជាប្រភពថាមពលជីវម៉ាសដ៏សំខាន់សម្រាប់ផលិតជាអគ្គិសនី ឬអេតាណុល។	គឺកាកសំណល់អំពៅដែលយើងឃើញគេបោះចោលបន្ទាប់ពីគាបយកទឹកអំពៅរួច ដែលអាចយកទៅច្នៃដុតយកភ្លើង ឬផលិតជាថាមពលបាន។
Lignocellulosic biomass (ជីវម៉ាសលីកណូសែលុយឡូស)	ជាទម្រង់រចនាសម្ព័ន្ធដ៏ស្មុគស្មាញនៃរុក្ខជាតិ ដែលផ្សំឡើងពីសារធាតុសំខាន់បីគឺ សែលុយឡូស (Cellulose) ហេមីសែលុយឡូស (Hemicellulose) និងលីកនីន (Lignin) ដែលពិបាកក្នុងការបំបែក និងទាមទារដំណើរការកែច្នៃជាមុនសិនទើបអាចយកទៅប្រើប្រាស់បាន។	ដូចជាបេតុងអាម៉េដែលមានដែក (សែលុយឡូស) ស៊ីម៉ងត៍ (ហេមីសែលុយឡូស) និងកាវបិទស្អិត (លីកនីន) ដែលធ្វើឱ្យរុក្ខជាតិរឹងមាំពិបាកនឹងបំបែក។
Glucan (គ្លុយកង់ / សែលុយឡូស)	ជាប្រភេទវត្ថុធាតុប៉ូលីមែរ (ស្ករ) ដែលមានបរិមាណច្រើនជាងគេនៅក្នុងរុក្ខជាតិ ដែលជាគោលដៅចម្បងងាយស្រួលបំប្លែងទៅជាជាតិស្ករម៉ូណូមែរ សម្រាប់យកទៅធ្វើការផ្អាប់ផលិតជាប្រេងឥន្ធនៈជីវៈ (Bioethanol)។	ប្រៀបដូចជាឥដ្ឋតូចៗដែលរៀបតភ្ជាប់គ្នាជាជួរវែងៗដើម្បីបង្កើតជាជញ្ជាំងរឹងមាំរបស់រុក្ខជាតិ ហើយអាចរុះរើមកធ្វើជាថាមពលវិញបាន។
Lignin (លីកនីន)	ជាសារធាតុសរីរាង្គស្មុគស្មាញដែលដើរតួជាអ្នកចងភ្ជាប់សរសៃសែលុយឡូសនៅក្នុងរុក្ខជាតិឱ្យរឹងមាំ ប៉ុន្តែវាជាឧបសគ្គរារាំងដំណើរការបំប្លែងរុក្ខជាតិទៅជាជាតិស្ករដោយអង់ស៊ីម និងទាមទារការព្យាបាលបំបែកចេញ (Pretreatment) ជាមុន។	ដូចជាកាវស៊ីម៉ងត៍ដ៏ស្អិតដែលចាក់បិទភ្ជាប់សរសៃដែកក្នុងសំណង់ ធ្វើឱ្យយើងពិបាកនឹងទាញយកសរសៃដែកនោះមកប្រើការវិញដោយងាយៗ។
Multiplicative scatter correction / MSC (ការកែសម្រួលពន្លឺខ្ចាត់ខ្ចាយ)	ជាបច្ចេកទេសគណិតវិទ្យាក្នុងកម្មវិធីកុំព្យូទ័រសម្រាប់កែតម្រូវទិន្នន័យវិសាលគម ដែលរងការរំខានដោយសារការខ្ចាត់ខ្ចាយនៃពន្លឺ (ព្រោះទំហំភាគល្អិតនៃសំណាកកិនមិនស្មើគ្នា) មុននឹងយកទិន្នន័យនោះទៅវិភាគ។	ដូចជាការប្រើប្រាស់ Filter កែពណ៌រូបថតដែលស្រអាប់ ឬចាំងពន្លឺខ្លាំងពេក ឱ្យត្រឡប់មកច្បាស់ល្អវិញ ដើម្បីងាយស្រួលក្នុងការមើលឃើញវត្ថុក្នុងរូប។
Standard error of prediction / SEP (កំហុសស្តង់ដារនៃការព្យាករណ៍)	ជារង្វាស់ស្ថិតិដែលបង្ហាញពីកម្រិតនៃភាពខុសគ្នា (គិតជាភាគរយ) រវាងតម្លៃដែលកុំព្យូទ័រទស្សន៍ទាយបាន និងតម្លៃពិតប្រាកដដែលបានមកពីការធ្វើតេស្តក្នុងមន្ទីរពិសោធន៍។ កាលណា SEP កាន់តែតូច ម៉ូដែលកាន់តែមានភាពត្រឹមត្រូវ។	ដូចជាការបាញ់ស៊ីប កាលណាចម្ងាយរវាងគ្រាប់កាំភ្លើង និងចំណុចកណ្តាលនៃស៊ីបកាន់តែខ្លីនិងតិចតួច (SEP តូច) នោះមានន័យថាការបាញ់របស់អ្នកកាន់តែត្រឹមត្រូវ។

៦. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖