បញ្ហា (The Problem)៖ ការត្រួតពិនិត្យគុណភាពចំណីសត្វទឹកតាមបែបគីមីនៅមន្ទីរពិសោធន៍ទាមទារការចំណាយច្រើន ប្រើប្រាស់ពេលយូរ និងបង្កើតកាកសំណល់គីមី ដែលតម្រូវឱ្យមានវិធីសាស្ត្រជំនួសថ្មីលឿននិងមានសុវត្ថិភាពជាងមុន។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានប្រើប្រាស់បច្ចេកវិទ្យាស្កេនរលកពន្លឺ ដើម្បីបង្កើតម៉ូដែលគណិតវិទ្យាសម្រាប់ទស្សន៍ទាយកម្រិតប្រូតេអ៊ីននៅក្នុងគំរូចំណីបង្គា។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Deep Learning (UNet Architecture) បណ្ដាញសរសៃប្រសាទសិប្បនិម្មិត UNet (Deep Learning) |
មានភាពសុក្រឹតខ្ពស់ក្នុងការកាត់ផ្តាច់រូបភាព (Image Segmentation) និងអាចរៀនពីលក្ខណៈស្មុគស្មាញនៃផ្ទៃដីបានយ៉ាងល្អ។ វាដំណើរការបានល្អសូម្បីតែក្នុងតំបន់ដែលមានរចនាសម្ព័ន្ធស្មុគស្មាញ។ | ត្រូវការទិន្នន័យសម្រាប់ហ្វឹកហាត់ (Training Data) ច្រើនសន្ធឹកសន្ធាប់ និងទាមទារថាមពលកុំព្យូទ័រខ្ពស់ (GPU) ដើម្បីដំណើរការ។ | ទទួលបានភាពត្រឹមត្រូវជារួម (Overall Accuracy) ៩៥% និង F1-score ០.៩២។ |
| NDWI Thresholding (Baseline) ការប្រើប្រាស់សន្ទស្សន៍ទឹកកម្រិតកំណត់ (NDWI Thresholding) |
ងាយស្រួលក្នុងការអនុវត្ត ដំណើរការលឿន និងមិនត្រូវការធនធានកុំព្យូទ័រខ្ពស់។ ស័ក្តិសមសម្រាប់ការវិភាគបឋម។ | ងាយរងឥទ្ធិពលពីពពក ស្រមោលអគារ និងតំបន់ភ្នំ ដែលធ្វើឲ្យមានកំហុសក្នុងការកត់សម្គាល់ញឹកញាប់។ | ទទួលបានភាពត្រឹមត្រូវត្រឹមតែ ៨២% ប៉ុណ្ណោះ ជាពិសេសមានកំហុសច្រើនក្នុងតំបន់ទីក្រុង។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តវិធីសាស្ត្រនេះតម្រូវឱ្យមានការវិនិយោគកម្រិតមធ្យមទៅខ្ពស់ ទាំងលើផ្នែករឹងកុំព្យូទ័រ និងអ្នកជំនាញ ដើម្បីធានាបាននូវប្រសិទ្ធភាពអតិបរមា។
ការសិក្សានៅក្នុងឯកសារនេះភាគច្រើនប្រើប្រាស់ទិន្នន័យរូបភាពផ្កាយរណបនៅតំបន់អឺរ៉ុប និងអាមេរិកខាងជើង ដែលមានលក្ខណៈភូមិសាស្ត្រ និងរចនាសម្ព័ន្ធទីក្រុងខុសពីប្រទេសកម្ពុជា។ ប្រព័ន្ធធារាសាស្ត្រ និងប្រភេទដីកសិកម្មនៅទីនោះមានភាពខុសប្លែកគ្នា ដែលតម្រូវឲ្យយើងប្រមូលទិន្នន័យក្នុងស្រុកបន្ថែមដើម្បីបង្វឹកម៉ូដែលឡើងវិញ។ ការយល់ដឹងពីភាពលម្អៀងនេះគឺមានសារៈសំខាន់ណាស់ ដើម្បីចៀសវាងការទស្សន៍ទាយខុសនៅតំបន់វាលទំនាប ឬតំបន់ព្រៃលិចទឹកនៅកម្ពុជា។
វិធីសាស្ត្រស្រាវជ្រាវនេះមានសក្តានុពលខ្ពស់ និងអាចយកមកអនុវត្តបានយ៉ាងមានប្រសិទ្ធភាពសម្រាប់ការគ្រប់គ្រងធនធានធម្មជាតិ និងគ្រោះមហន្តរាយនៅកម្ពុជា។
សរុបមក ការធ្វើមូលដ្ឋានីយកម្មបច្ចេកវិទ្យានេះតាមរយៈការសហការរវាងសាកលវិទ្យាល័យ ស្ថាប័នរដ្ឋ និងអ្នកជំនាញ អាចផ្តល់នូវដំណោះស្រាយដ៏រឹងមាំសម្រាប់ការអភិវឌ្ឍប្រកបដោយចីរភាពនៅកម្ពុជា។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Near Infrared Spectroscopy (NIRS) (បច្ចេកវិទ្យាវិសាលស្ទង់កាំរស្មីអាំងហ្វ្រារ៉េដជិត) | ជាបច្ចេកទេសវិភាគមួយដែលប្រើប្រាស់ពន្លឺអាំងហ្វ្រារ៉េដជិត ដើម្បីវាស់ស្ទង់ការស្រូបពន្លឺរបស់សារធាតុគីមីក្នុងវត្ថុណាមួយ ដែលអនុញ្ញាតឱ្យយើងដឹងពីសមាសភាពរបស់វា (ដូចជាកម្រិតប្រូតេអ៊ីន) ដោយមិនបាច់បំផ្លាញវត្ថុនោះ និងចំណាយពេលលឿន។ | ដូចជាការប្រើប្រាស់ពិលបញ្ចាំងពន្លឺកាត់ស្បែកដើម្បីមើលសរសៃឈាមខាងក្នុង ដោយមិនបាច់វះកាត់។ |
| Multiple Linear Regression (MLR) (តំរែតំរង់លីនេអ៊ែរពហុគុណ) | ជាវិធីសាស្ត្រស្ថិតិដែលប្រើអថេរឯករាជ្យច្រើន (ដូចជារលកពន្លឺត្រង់ចំណុចផ្សេងៗ) ដើម្បីទស្សន៍ទាយលទ្ធផលនៃអថេរអាស្រ័យមួយ (ដូចជាកម្រិតប្រូតេអ៊ីនសរុប) តាមរយៈសមីការបន្ទាត់ត្រង់។ | ដូចជាការប៉ាន់ស្មានតម្លៃផ្ទះមួយដោយផ្អែកលើកត្តាច្រើនយ៉ាងបញ្ចូលគ្នា ដូចជាទំហំដី ចំនួនបន្ទប់ និងទីតាំង។ |
| Partial Least Square Regression (PLS) (តំរែតំរង់ការេអប្បបរមាដោយផ្នែក) | ជាវិធីសាស្ត្រស្ថិតិកម្រិតខ្ពស់សម្រាប់បង្កើតម៉ូដែលទស្សន៍ទាយ ដោយបង្រួមទិន្នន័យរលកពន្លឺរាប់រយដែលមានទំនាក់ទំនងគ្នាខ្លាំង ឱ្យទៅជាកត្តាសំខាន់ៗមួយចំនួនតូច ដើម្បីកាត់បន្ថយកំហុសក្នុងការទស្សន៍ទាយកម្រិតសារធាតុគីមី។ | ដូចជាការសង្ខេបសៀវភៅក្រាស់មួយដែលមានព័ត៌មានជាន់គ្នាជាច្រើន ឱ្យទៅជាគន្លឹះសំខាន់ៗខ្លីៗមួយចំនួន ដើម្បីងាយស្រួលយល់ និងទាញសេចក្តីសន្និដ្ឋាន។ |
| Multiplicative Scattering Correction (MSC) (ការកែសម្រួលការរាយប៉ាយគុណនកម្ម) | ជាដំណើរការកែសម្រួលទិន្នន័យរលកពន្លឺ (spectra) ជាមុន ដើម្បីលុបបំបាត់ឥទ្ធិពលរំខានដែលបណ្តាលមកពីភាពខុសគ្នានៃទំហំគ្រាប់ចំណីសត្វ និងការរាយប៉ាយពន្លឺ ដែលធ្វើឱ្យលទ្ធផលនៃការវាស់ស្ទង់កាន់តែសុក្រឹត។ | ដូចជាការប្រើប្រាស់កម្មវិធីកាត់តរូបភាព (Filter) ដើម្បីកែពណ៌ និងពន្លឺរូបថតដែលងងឹត ឬផ្លាតពន្លឺខ្លាំងពេក ឱ្យមើលទៅច្បាស់ល្អដូចដើមវិញ។ |
| Second derivative (ដេរីវេទីពីរ) | ជាបច្ចេកទេសគណិតវិទ្យាក្នុងការកែច្នៃទិន្នន័យរលកពន្លឺ ដើម្បីបំបែកទម្រង់រលកដែលត្រួតស៊ីគ្នាឱ្យដាច់ពីគ្នា និងធ្វើឱ្យចំណុចកំពូលនៃការស្រូបពន្លឺ (peaks) កាន់តែច្បាស់ ដែលងាយស្រួលក្នុងការទាញយកទិន្នន័យសម្រាប់វិភាគ។ | ដូចជាការប្រើប្រាស់កែវពង្រីក ដើម្បីមើលសរសៃល្អិតៗនៃស្លឹកឈើដែលភ្នែកទទេមើលមិនឃើញច្បាស់។ |
| Standard Error of Prediction (SEP) (កំហុសស្តង់ដារនៃការទស្សន៍ទាយ) | ជារង្វាស់ស្ថិតិដែលបង្ហាញពីកម្រិតនៃភាពខុសគ្នា (កំហុស) រវាងតម្លៃដែលម៉ូដែលបានទស្សន៍ទាយ និងតម្លៃពិតប្រាកដដែលបានមកពីការវិភាគគីមីនៅមន្ទីរពិសោធន៍។ តម្លៃ SEP កាន់តែតូច បញ្ជាក់ថាម៉ូដែរកាន់តែសុក្រឹត។ | ដូចជាការបាញ់ស៊ីប តម្លៃនេះជារង្វាស់ដែលប្រាប់ថាតើគ្រាប់កាំភ្លើងដែលអ្នកបាញ់ទៅនោះ ឃ្លាតពីចំណុចកណ្តាលប៉ុន្មានសង់ទីម៉ែត្រ។ |
| L-Glutamic acid (អាស៊ីតអាមីណូ L-Glutamic) | ជាប្រភេទអាស៊ីតអាមីណូមួយ (សមាសធាតុផ្សំរបស់ប្រូតេអ៊ីន) ដែលមានបរិមាណច្រើនជាងគេនៅក្នុងចំណីបង្គា ហើយរលកពន្លឺស្រូបទាញរបស់វាត្រង់ចំណុច 1686 nm ត្រូវបានគេប្រើប្រាស់ជាតម្រុយដ៏សំខាន់សម្រាប់ទស្សន៍ទាយប្រូតេអ៊ីនសរុប។ | ដូចជាការរាប់ចំនួនដំបូលផ្ទះ ដើម្បីធ្វើការប៉ាន់ស្មានចំនួនមនុស្សរស់នៅក្នុងភូមិមួយ ព្រោះដំបូលផ្ទះជាសូចនាករតំណាងដ៏ធំជាងគេដែលងាយស្រួលមើលឃើញ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
