Original Title: Harnessing precision agriculture technologies to enhance efficiency and yield in the agro-industrial complex
Source: doi.org/10.1051/bioconf/202412102010
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original paper for full scientific accuracy.

ការប្រើប្រាស់បច្ចេកវិទ្យាកសិកម្មសុក្រឹតដើម្បីបង្កើនប្រសិទ្ធភាព និងទិន្នផលនៅក្នុងសមុច្ច័យកសិឧស្សាហកម្ម

ចំណងជើងដើម៖ Harnessing precision agriculture technologies to enhance efficiency and yield in the agro-industrial complex

អ្នកនិពន្ធ៖ Anton Nazarov (Ural State University of Economics, Yekaterinburg, Russia), Vladimir Sulimin (Ural State University of Economics, Yekaterinburg, Russia), Vladislav Shvedov (Ural State University of Economics, Yekaterinburg, Russia)

ឆ្នាំបោះពុម្ព៖ 2024 (BIO Web of Conferences 121, GLSBIA 2024)

វិស័យសិក្សា៖ Precision Agriculture

១. សេចក្តីសង្ខេបប្រតិបត្តិ (Executive Summary)

បញ្ហា (The Problem)៖ វិស័យកសិកម្មសកលកំពុងប្រឈមនឹងបញ្ហាកង្វះខាតធនធាន ក្តីបារម្ភពីនិរន្តរភាពបរិស្ថាន និងតម្រូវការបង្កើនផលិតកម្មដើម្បីបំពេញតម្រូវការរបស់ចំនួនប្រជាជនដែលកំពុងកើនឡើងយ៉ាងឆាប់រហ័ស។

វិធីសាស្ត្រ (The Methodology)៖ អត្ថបទនេះផ្តល់នូវទិដ្ឋភាពទូទៅនិងការវិភាគអំពីការធ្វើសមាហរណកម្មឧបករណ៍កសិកម្មសុក្រឹត (Precision Agriculture) ផ្សេងៗដើម្បីលើកកម្ពស់ការគ្រប់គ្រងនៅក្នុងវិស័យចម្រុះនៃសមុច្ច័យកសិឧស្សាហកម្ម។

លទ្ធផលសំខាន់ៗ (The Verdict)៖

២. ការវិភាគលើប្រសិទ្ធភាព និងដែនកំណត់ (Performance & Constraints)

វិធីសាស្ត្រ (Method) គុណសម្បត្តិ (Pros) គុណវិបត្តិ (Cons) លទ្ធផលគន្លឹះ (Key Result)
Variable Rate Technology (VRT) with GIS/GPS
បច្ចេកវិទ្យាតារាងអថេរ (VRT) រួមជាមួយប្រព័ន្ធ GIS និង GPS
អាចកែតម្រូវការប្រើប្រាស់ធនធានដូចជា ទឹក ជី និងថ្នាំសម្លាប់សត្វល្អិត ទៅតាមតម្រូវការជាក់ស្តែងនៃតំបន់នីមួយៗក្នុងវាលស្រែ ដែលជួយកាត់បន្ថយការបំពុលបរិស្ថាន និងសន្សំសំចៃចំណាយ។ ទាមទារការវិនិយោគដើមខ្ពស់ និងការបណ្តុះបណ្តាលចំណេះដឹងជំនាញច្បាស់លាស់ក្នុងការវិភាគទិន្នន័យផែនទី និងការបញ្ជាម៉ាស៊ីន។ បង្កើនទិន្នផលពី ៥ ទៅ ២០% អាស្រ័យលើប្រភេទដំណាំ និងលក្ខខណ្ឌភូមិសាស្ត្រតំបន់។
Smart Irrigation Systems with Soil Sensors
ប្រព័ន្ធស្រោចស្រពវៃឆ្លាតរួមជាមួយឧបករណ៍វាស់ស្ទង់ដី
ជួយសន្សំសំចៃធនធានទឹកបានយ៉ាងមានប្រសិទ្ធភាព និងការពារការខូចគុណភាពដីដោយសារការស្រោចស្រព ឬការប្រើប្រាស់ជីលើសកម្រិត។ ត្រូវការដំឡើងប្រព័ន្ធឧបករណ៍ចាប់សញ្ញា (Sensors) ដែលមានតម្លៃថ្លៃ និងទាមទារការថែទាំហេដ្ឋារចនាសម្ព័ន្ធបណ្តាញជាប្រចាំ។ កាត់បន្ថយការប្រើប្រាស់ទឹកបានពី ២០ ទៅ ៥០% ជាពិសេសនៅក្នុងតំបន់ដែលងាយរងគ្រោះដោយគ្រោះរាំងស្ងួត។
UAVs (Drones) for Remote Sensing and Pest Control
ការប្រើប្រាស់ដ្រូន (UAVs) សម្រាប់ការតាមដានពីចម្ងាយ និងការគ្រប់គ្រងសត្វល្អិត
អាចតាមដានសុខភាពដំណាំបានលឿនលើផ្ទៃដីធំទូលាយ និងអាចបាញ់ថ្នាំសម្លាប់សត្វល្អិតបានចំគោលដៅច្បាស់លាស់មុនពេលសញ្ញានៃជំងឺរីករាលដាល។ ត្រូវការចំណេះដឹងក្នុងការបញ្ជាដ្រូន អាយុកាលថ្មមានកំណត់សម្រាប់ការហោះហើរ និងតម្រូវឱ្យមានច្បាប់អនុញ្ញាតត្រឹមត្រូវ។ កាត់បន្ថយបរិមាណសារធាតុគីមីសរុបដែលបានប្រើប្រាស់រហូតដល់ ៣០%។

ការចំណាយលើធនធាន (Resource Cost)៖ អត្ថបទនេះបានបញ្ជាក់យ៉ាងច្បាស់ថា ការអនុវត្តបច្ចេកវិទ្យាកសិកម្មសុក្រឹតទាមទារការវិនិយោគដើមខ្ពស់ទៅលើបច្ចេកវិទ្យា ព្រមទាំងតម្រូវឱ្យមានចំណេះដឹងជំនាញ និងហេដ្ឋារចនាសម្ព័ន្ធទិន្នន័យត្រឹមត្រូវ។

៣. ការពិនិត្យសម្រាប់បរិបទកម្ពុជា/អាស៊ីអាគ្នេយ៍

ភាពលំអៀងនៃទិន្នន័យ (Data Bias)៖

ការសិក្សានេះគឺជាការស្រាវជ្រាវបែបប្រមូលផ្ដុំ (Review Article) ដែលនិពន្ធដោយអ្នកស្រាវជ្រាវរុស្ស៊ី ដោយផ្អែកលើទិន្នន័យ និងបទពិសោធន៍ជាសកល មិនបានផ្តោតលើតំបន់ភូមិសាស្ត្រណាមួយជាក់លាក់ឡើយ។ សម្រាប់ប្រទេសកម្ពុជា ទិន្នន័យនេះបង្ហាញពីសក្តានុពលខ្ពស់ ប៉ុន្តែការអនុវត្តជាក់ស្តែងត្រូវគិតគូរពីបរិបទកសិដ្ឋានខ្នាតតូច (Smallholder farms) និងលទ្ធភាពហិរញ្ញវត្ថុរបស់កសិករ។

លទ្ធភាពនៃការអនុវត្ត (Applicability)៖

បច្ចេកវិទ្យាកសិកម្មសុក្រឹតនេះមានសក្តានុពលខ្ពស់ក្នុងការជួយផ្លាស់ប្តូរវិស័យកសិកម្មនៅកម្ពុជា ពីការធ្វើកសិកម្មតាមបែបប្រពៃណី ទៅជាកសិកម្មទំនើបដែលធានាបាននូវនិរន្តរភាព។

សរុបមក ការបង្កើតសហគមន៍កសិកម្ម ឬការប្រើប្រាស់សេវាកម្មជួលបច្ចេកវិទ្យា (Technology as a Service) គឺជាជម្រើសដ៏ល្អបំផុតដើម្បីជួយកសិករកម្ពុជាឱ្យអាចប្រើប្រាស់បច្ចេកវិទ្យាដែលមានតម្លៃថ្លៃទាំងនេះបាន។

៤. ផែនការសកម្មភាពសម្រាប់និស្សិត (Actionable Roadmap)

ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖

  1. សិក្សាស្វែងយល់ពីប្រព័ន្ធ GIS និងការគូសផែនទីកសិដ្ឋាន: និស្សិតគួរចាប់ផ្តើមប្រើប្រាស់កម្មវិធីឥតគិតថ្លៃដូចជា QGIS ដើម្បីរៀនពីរបៀបគូសផែនទីវាលស្រែ ការដាក់បញ្ចូលទិន្នន័យភូមិសាស្ត្រ និងការកំណត់តំបន់ដាំដុះ។
  2. សាកល្បងបង្កើតប្រព័ន្ធ IoT សម្រាប់កសិកម្ម: ប្រើប្រាស់បន្ទះសៀគ្វី ArduinoRaspberry Pi តភ្ជាប់ជាមួយឧបករណ៍វាស់សំណើមដី (Soil moisture sensors) ដើម្បីបង្កើតប្រព័ន្ធស្រោចស្រពស្វ័យប្រវត្តិខ្នាតតូចជាគំរូ។
  3. វិភាគទិន្នន័យរូបភាពពីយានយន្តអាកាសគ្មានមនុស្សបើក (UAVs): សិក្សាពីរបៀបទាញយករូបភាពពីដ្រូន និងប្រើប្រាស់ភាសាសរសេរកូដ Python រួមជាមួយបណ្ណាល័យ OpenCV ដើម្បីគណនាសន្ទស្សន៍ NDVI សម្រាប់វាយតម្លៃសុខភាពរុក្ខជាតិ។
  4. អនុវត្តម៉ូដែលរៀនម៉ាស៊ីន (Machine Learning) លើទិន្នន័យកសិកម្ម: ប្រមូលទិន្នន័យអាកាសធាតុនិងទិន្នផលដំណាំ រួចសាកល្បងបង្កើតម៉ូដែលព្យាករណ៍ (Predictive models) ដោយប្រើ Scikit-Learn ដើម្បីផ្តល់យោបល់លើពេលវេលាដាំដុះ និងប្រមូលផលដែលល្អបំផុត។

៥. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស ការពន្យល់ជាខេមរភាសា (Khmer Explanation) និយមន័យសាមញ្ញ (Simple Definition)
Site-specific crop management (SSCM) ការគ្រប់គ្រងដំណាំដោយផ្អែកលើការបែងចែកដីកសិកម្មជាតំបន់តូចៗ ហើយអនុវត្តការថែទាំ (ដូចជាការដាក់ជី និងស្រោចទឹក) ទៅតាមតម្រូវការជាក់លាក់នៃតំបន់នីមួយៗនោះ ជាជាងការអនុវត្តរបៀបតែមួយនៅលើផ្ទៃដីទាំងមូល។ ដូចជាគ្រូពេទ្យផ្តល់ថ្នាំព្យាបាលខុសៗគ្នាដល់អ្នកជំងឺម្នាក់ៗទៅតាមអាការៈរៀងៗខ្លួន ជាជាងឱ្យថ្នាំតែមួយមុខទៅមនុស្សគ្រប់គ្នា។
Variable rate technology (VRT) បច្ចេកវិទ្យាដែលអនុញ្ញាតឱ្យម៉ាស៊ីនកសិកម្ម (ឧទាហរណ៍ ត្រាក់ទ័រ ឬដ្រូន) ផ្លាស់ប្តូរបរិមាណនៃការបញ្ចេញធាតុចូលដូចជា គ្រាប់ពូជ ជី ឬថ្នាំសម្លាប់សត្វល្អិតដោយស្វ័យប្រវត្តិ ខណៈពេលដែលវាកំពុងធ្វើចលនាកាត់វាលស្រែ ដោយផ្អែកលើទិន្នន័យផែនទី។ ដូចជាម៉ាស៊ីនត្រជាក់វៃឆ្លាតដែលអាចបញ្ចេញភាពត្រជាក់ខ្លាំង ឬខ្សោយដោយស្វ័យប្រវត្តិ ទៅតាមសីតុណ្ហភាពជាក់ស្តែងនៃផ្នែកនីមួយៗនៅក្នុងបន្ទប់។
Normalized Difference Vegetation Index (NDVI) សន្ទស្សន៍សម្រាប់វាស់ស្ទង់ភាពខៀវស្រងាត់ និងសុខភាពរបស់រុក្ខជាតិ ដោយប្រៀបធៀបការជះត្រឡប់នៃពន្លឺដែលអាចមើលឃើញ និងពន្លឺអ៊ីនហ្វ្រារ៉េដដែលថតបានដោយកាមេរ៉ាពិសេស (ជាទូទៅបំពាក់លើដ្រូន ឬផ្កាយរណប)។ ដូចជាការប្រើម៉ាស៊ីនស្កេនកាំរស្មីអ៊ិច (X-ray) ដើម្បីមើលថាតើឆ្អឹងខាងក្នុងរឹងមាំឬអត់ ដែលភ្នែកទទេរបស់យើងមិនអាចមើលឃើញពីរុក្ខជាតិ។
Geographic information systems (GIS) ប្រព័ន្ធកុំព្យូទ័រដែលត្រូវបានរចនាឡើងដើម្បីប្រមូល ផ្ទុក វិភាគ និងបង្ហាញទិន្នន័យដែលមានទំនាក់ទំនងទៅនឹងទីតាំងភូមិសាស្ត្រជាក់លាក់ ដើម្បីជួយកសិករគូសផែនទី កំណត់ព្រំដែន និងតាមដានលក្ខណៈនៃដីកសិកម្ម។ ដូចជាកម្មវិធី Google Maps ដែលមានផ្ទាំងព័ត៌មានច្រើនជាន់ (ដូចជា ផ្លូវ ភោជនីយដ្ឋាន ការកកស្ទះចរាចរណ៍) ដើម្បីជួយយើងសម្រេចចិត្តរៀបចំផែនការធ្វើដំណើរបានត្រឹមត្រូវ។
Remote sensing ដំណើរការនៃការចាប់យកព័ត៌មានអំពីវាលស្រែ ឬដំណាំពីចម្ងាយ ដោយមិនចាំបាច់មានការប៉ះពាល់ផ្ទាល់ ដែលជាទូទៅប្រើប្រាស់ផ្កាយរណប ឬយានយន្តអាកាសគ្មានមនុស្សបើក ដើម្បីតាមដានសភាពការណ៍ផ្សេងៗរហ័សនិងទូលំទូលាយ។ ដូចជាការប្រើកែវយឺតដើម្បីសង្កេតមើលសត្វព្រៃពីចម្ងាយដោយមិនបាច់ដើរចូលទៅជិតធ្វើឱ្យពួកវាផ្អើល។
Sensor networks បណ្តាញនៃឧបករណ៍ចាប់សញ្ញាជាច្រើនដែលត្រូវបានដាំនៅពាសពេញវាលស្រែ ដើម្បីវាស់ស្ទង់ទិន្នន័យជាក់ស្តែង (ដូចជា សំណើម សីតុណ្ហភាព និងកម្រិត pH ដី) ហើយបញ្ជូនព័ត៌មានទាំងនោះទៅកាន់ប្រព័ន្ធកុំព្យូទ័រកណ្តាលជាបន្តបន្ទាប់។ ដូចជាការដាក់ប្រព័ន្ធកាមេរ៉ាសុវត្ថិភាពនិងឧបករណ៍ចាប់ផ្សែងនៅតាមជ្រុងនីមួយៗនៃផ្ទះ ដែលតែងតែរាយការណ៍ប្រាប់ម្ចាស់ផ្ទះភ្លាមៗរាល់ពេលមានអ្វីខុសប្រក្រតីកើតឡើង។
Predictive analytics ការប្រើប្រាស់ទិន្នន័យប្រវត្តិសាស្ត្រ ទិន្នន័យជាក់ស្តែង និងក្បួនដោះស្រាយតាមបែបម៉ាស៊ីនរៀន (Machine Learning) ដើម្បីវិភាគរកនិន្នាការ និងព្យាករណ៍ពីហេតុការណ៍ ឬលទ្ធផលដែលអាចកើតឡើងនៅថ្ងៃអនាគត ដូចជាការទស្សន៍ទាយទិន្នផលដំណាំ ឬហានិភ័យនៃជំងឺ។ ដូចជាការមើលពពកខ្មៅ និងទិសដៅខ្យល់ ដើម្បីទស្សន៍ទាយថាតើភ្លៀងនឹងធ្លាក់នៅម៉ោងប៉ុន្មាន ដើម្បីអាចប្រមូលខោអាវដែលហាលទុកបានទាន់ពេលវេលា។

៦. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖