បញ្ហា (The Problem)៖ ការតាមដានគុណភាពទឹកក្នុងប្រព័ន្ធចិញ្ចឹមត្រីទីឡាព្យាក្រហមក្នុងបែរតាមដងទន្លេ ទាមទារការវាស់វែងប៉ារ៉ាម៉ែត្រមួយចំនួនដែលចំណាយពេល ថវិកា និងកម្លាំងពលកម្មច្រើន។ ការសិក្សានេះមានគោលបំណងបង្កើតម៉ូដែលទស្សន៍ទាយដែលប្រើប៉ារ៉ាម៉ែត្រងាយស្រួលវាស់វែង ដើម្បីប៉ាន់ស្មានគុណភាពទឹកដែលពិបាកវាស់វែងទាំងនោះ។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានប្រើប្រាស់ប្រព័ន្ធបណ្តាញសរសៃប្រសាទសិប្បនិម្មិត (Deep Learning) ចំនួនបីប្រភេទ ដើម្បីធ្វើការប្រៀបធៀប និងស្វែងរកម៉ូដែលដែលល្អបំផុតសម្រាប់ការទស្សន៍ទាយ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| CNN (Convolutional Neural Network) បណ្តាញសរសៃប្រសាទសិប្បនិម្មិត CNN |
មានដំណើរការលឿនក្នុងការទស្សន៍ទាយប៉ារ៉ាម៉ែត្រមួយចំនួន (ដូចជា ALK និង NO2-N) និងពូកែក្នុងការទាញយកលក្ខណៈពិសេសពីទិន្នន័យ។ | ទាមទារចំនួនជុំនៃការបង្វឹក (Epochs) ច្រើនរហូតដល់ ៣៥០០ ដើម្បីទទួលបានភាពសុក្រឹតខ្ពស់សម្រាប់ប៉ារ៉ាម៉ែត្រដូចជា DO ដែលធ្វើឱ្យម៉ូដែលមិនសូវមានស្ថិរភាព។ | ដំណើរការលឿនបំផុតសម្រាប់ទស្សន៍ទាយ ALK (៩៥ វិនាទី) និង NO2-N (១២០ វិនាទី) នៅត្រឹម ២០០០ Epochs ប៉ុន្តែមានកម្រិតលម្អៀងខ្ពស់ជាងម៉ូដែលកូនកាត់។ |
| LSTM (Long Short-Term Memory) បណ្តាញសរសៃប្រសាទសិប្បនិម្មិតចងចាំរយៈពេលវែង-ខ្លី LSTM |
មានសមត្ថភាពខ្ពស់ក្នុងការចងចាំ និងចាប់យកទំនាក់ទំនងទិន្នន័យដែលប្រែប្រួលតាមពេលវេលា (Time-series data) ក្នុងរយៈពេលយូរ។ | ប្រើប្រាស់ពេលវេលាដំណើរការយូរជាងគេបំផុត និងត្រូវការចំនួន Epochs ច្រើន (៣៥០០ ទៅ ៤០០០) ដើម្បីដំណើរការបានល្អ។ | ត្រូវការពេលវេលារហូតដល់ ៣២២ វិនាទី (៤០០០ Epochs) សម្រាប់ទស្សន៍ទាយ NO2-N និង ២៧៥ វិនាទី (៣៥០០ Epochs) សម្រាប់ ALK។ |
| Hybrid CNN-LSTM ម៉ូដែលកូនកាត់ CNN-LSTM |
ផ្តល់នូវតុល្យភាពល្អបំផុតរវាងភាពត្រឹមត្រូវខ្ពស់ និងល្បឿនដំណើរការលឿន ដោយទាមទារចំនួន Epochs តិចជាងម៉ូដែលទោល។ វាមានសមត្ថភាពចាប់យកទាំងទំនាក់ទំនងលំហ និងពេលវេលា។ | មានស្ថាបត្យកម្មស្មុគស្មាញជាងម៉ូដែលទោល ដែលទាមទារចំណេះដឹងស៊ីជម្រៅក្នុងការរៀបចំកូដ និងកំណត់ប៉ារ៉ាម៉ែត្រ (Hyperparameters)។ | ជាម៉ូដែលល្អដាច់គេ ដោយទាមទារត្រឹមតែ ១០០០ Epochs ប៉ុណ្ណោះសម្រាប់ទស្សន៍ទាយ DO (ប្រើពេល ៨៦ វិនាទី) និង TAN (៥៦ វិនាទី) ជាមួយនឹងកម្រិតលម្អៀង (RMSE) ទាបបំផុត។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះប្រើប្រាស់កម្មវិធីកុំព្យូទ័រ និងសេវាកម្ម Cloud ឥតគិតថ្លៃសម្រាប់ការវិភាគទិន្នន័យ រួមជាមួយនឹងឧបករណ៍វាស់ស្ទង់គុណភាពទឹកជាក់ស្តែងនៅកន្លែងចិញ្ចឹម។
ទិន្នន័យត្រូវបានប្រមូលផ្តុំទាំងស្រុងពីកសិដ្ឋានចិញ្ចឹមត្រីទីឡាព្យាក្រហម (Oreochromis niloticus) ក្នុងបែរតាមដងទន្លេមែក្លង ខេត្តកញ្ជនៈបុរី ប្រទេសថៃ។ វាមិនបានគ្របដណ្តប់លើអាកាសធាតុប្រែប្រួលខ្លាំង ឬប្រភេទត្រីផ្សេងទៀតនោះទេ។ សម្រាប់ប្រទេសកម្ពុជា ទោះបីជាមានលក្ខណៈស្រដៀងគ្នាក៏ដោយ ក៏បរិស្ថានទឹកទន្លេសាប ឬទន្លេមេគង្គមានកម្រិតដក់ល្បាប់ និងសីតុណ្ហភាពខុសគ្នា ដែលទាមទារឱ្យមានការប្រមូលទិន្នន័យក្នុងស្រុកបន្ថែមដើម្បីបង្វឹកម៉ូដែលឡើងវិញឱ្យកាន់តែសុក្រឹត។
វិធីសាស្ត្រនេះមានសក្តានុពលខ្ពស់ និងមានប្រយោជន៍ខ្លាំងសម្រាប់វិស័យវារីវប្បកម្មនៅកម្ពុជា ក្នុងការកាត់បន្ថយថ្លៃដើមលើឧបករណ៍វាស់ស្ទង់គុណភាពទឹកថ្លៃៗ។
ការអនុវត្តវិធីសាស្ត្រតាមដានគុណភាពទឹកផ្អែកលើបច្ចេកវិទ្យា AI នេះ នឹងជួយសន្សំសំចៃពេលវេលា ថវិកា និងកាត់បន្ថយអត្រាងាប់របស់ត្រី ជំរុញឱ្យការចិញ្ចឹមត្រីនៅកម្ពុជាកាន់តែមាននិរន្តរភាព។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Convolutional neural network (CNN) (បណ្តាញសរសៃប្រសាទសិប្បនិម្មិត CNN) | គឺជាប្រភេទម៉ូដែលបណ្តាញសរសៃប្រសាទសិប្បនិម្មិត ដែលពូកែខាងស្កេននិងទាញយកលក្ខណៈពិសេសសំខាន់ៗចេញពីទិន្នន័យ (Spatial features) ដោយខ្លួនឯង ដោយមិនចាំបាច់មានការចង្អុលបង្ហាញពីមនុស្ស។ | ដូចជាអ្នករាវរកគ្រាប់មីនដែលប្រើឧបករណ៍ស្កេនលើផ្ទៃដី ដើម្បីរកមើលកន្លែងដែលមានលក្ខណៈគួរឱ្យសង្ស័យមុននឹងធ្វើការសន្និដ្ឋាន។ |
| Long short-term memory (LSTM) (បណ្តាញសរសៃប្រសាទសិប្បនិម្មិតចងចាំរយៈពេលវែង-ខ្លី) | គឺជាប្រភេទម៉ូដែល Deep Learning ដែលមានសមត្ថភាពចងចាំពត៌មានចាស់ៗក្នុងរយៈពេលយូរ និងប្រើប្រាស់ប្រព័ន្ធទ្វារ (Gates) ដើម្បីសម្រេចថាពត៌មានណាគួរទុក ឬគួរលុបចោល ដើម្បីទស្សន៍ទាយទិន្នន័យដែលប្រែប្រួលតាមពេលវេលា។ | ដូចជាសិស្សពូកែដែលចេះកត់ត្រាមេរៀនទុក ហើយដឹងថាចំណុចណាប្រឡងចេញ (ត្រូវចងចាំទុក) និងចំណុចណាមិនសំខាន់ (អាចបំភ្លេចបាន) ដើម្បីប្រឡងជាប់។ |
| Hybrid CNN-LSTM (ម៉ូដែលកូនកាត់ CNN-LSTM) | គឺជាការផ្គុំបញ្ចូលគ្នារវាងម៉ូដែល CNN ដែលពូកែស្រាវជ្រាវរកចំណុចពិសេសនៃទិន្នន័យនៅមួយកន្លែង និងម៉ូដែល LSTM ដែលពូកែចងចាំការប្រែប្រួលតាមពេលវេលា ដើម្បីផ្តល់លទ្ធផលទស្សន៍ទាយលឿននិងត្រឹមត្រូវបំផុត។ | ដូចជាការសហការគ្នារវាងអ្នកស៊ើបអង្កេតដែលពូកែរកភស្តុតាងនៅកន្លែងកើតហេតុ (CNN) និងអ្នកវិភាគដែលពូកែភ្ជាប់សាច់រឿងតាមពេលវេលា (LSTM) ដើម្បីបំបែកសំណុំរឿងក្តីមួយ។ |
| Epoch (ជុំនៃការបង្វឹកម៉ូដែល) | គឺជាដំណើរការនៃការយកទិន្នន័យគំរូទាំងអស់ទៅបង្រៀនម៉ូដែលបញ្ញាសិប្បនិម្មិតឱ្យរៀនស្គាល់ទម្រង់ទិន្នន័យម្តងហើយម្តងទៀតក្នុងមួយជុំពេញ រហូតដល់វាចេះទស្សន៍ទាយបានត្រឹមត្រូវ។ | ដូចជាការអានសៀវភៅមេរៀនចប់មួយក្បាល។ បើអានច្រើនចប់ (Epochs ច្រើន) យើងនឹងកាន់តែចាំយល់ ប៉ុន្តែបើអានច្រើនដងពេកអាចនឹងក្លាយជាការទន្ទេញចាំសេកដោយមិនយល់អត្ថន័យទូលំទូលាយ។ |
| Root mean square error (RMSE) (កម្រិតលម្អៀងរវាងការទស្សន៍ទាយនិងជាក់ស្តែង) | គឺជារូបមន្តគណិតវិទ្យាសម្រាប់វាស់ស្ទង់ថាតើលទ្ធផលដែលម៉ូដែលទស្សន៍ទាយបាន មានភាពខុសគ្នា (លម្អៀង) ពីទិន្នន័យជាក់ស្តែងកម្រិតណា។ បើលេខនេះកាន់តែតូច មានន័យថាម៉ូដែលកាន់តែមានភាពសុក្រឹតខ្ពស់។ | ដូចជាការបាញ់ធ្នូចូលផ្ទាំងស៊ីប បើព្រួញកាន់តែខិតជិតចំណុចកណ្តាលនៃផ្ទាំងស៊ីប នោះពិន្ទុខុសឆ្គង (RMSE) គឺកាន់តែតិច។ |
| Dissolved oxygen (DO) (អុកស៊ីហ្សែនរលាយក្នុងទឹក) | គឺជាបរិមាណឧស្ម័នអុកស៊ីហ្សែនដែលមានរលាយសាយភាយនៅក្នុងទឹក ដែលជាខ្យល់ដកដង្ហើមដ៏មានសារៈសំខាន់បំផុតសម្រាប់ការរស់រានមានជីវិតនិងការលូតលាស់របស់ត្រី និងវារីសត្វផ្សេងៗ។ | ដូចជាបរិមាណខ្យល់បរិសុទ្ធនៅក្នុងបន្ទប់បិទជិតមួយ ដែលចាំបាច់សម្រាប់ឱ្យមនុស្សអាចដកដង្ហើមបានស្រួល និងមានសុខភាពល្អ។ |
| Total ammonia nitrogen (TAN) (អាម៉ូញាក់សរុប) | គឺជាកម្រិតសារធាតុពុលនៅក្នុងទឹក ដែលកើតចេញពីការរលួយនៃកាកសំណល់សរីរាង្គ ចំណីត្រីសល់ និងលាមកត្រី ដែលវាអាចធ្វើឱ្យត្រីពុលងាប់បានប្រសិនបើមានកម្រិតខ្ពស់ពេក។ | ដូចជាផ្សែងពុលដែលភាយចេញពីរថយន្តក្នុងទីក្រុង ដែលធ្វើឱ្យប៉ះពាល់ដល់សុខភាពអ្នកដកដង្ហើមប្រសិនបើវាកកកុញច្រើន។ |
| Alkalinity (ALK) (កម្រិតអាល់កាឡាំង) | គឺជាសមត្ថភាពរបស់ទឹកក្នុងការទប់ទល់នឹងការផ្លាស់ប្តូរកម្រិតជាតិអាស៊ីត (pH) ដែលជួយរក្សាបរិស្ថានទឹកឱ្យនៅមានលំនឹងជានិច្ច ទោះបីជាមានភ្លៀងធ្លាក់ខ្លាំង ឬមានការហូរចូលនូវសារធាតុបំពុលក៏ដោយ។ | ដូចជាប្រព័ន្ធការពាររាងកាយ (Immune system) របស់មនុស្ស ដែលជួយទប់ទល់មេរោគមិនឱ្យជ្រៀតចូល និងការពារកុំឱ្យយើងងាយធ្លាក់ខ្លួនឈឺ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
