Original Title: REMOTELY SENSED VEGETATION INDICES: THEORY AND APPLICATIONS FOR CROP MANAGEMENT
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original paper for full scientific accuracy.

សន្ទស្សន៍រុក្ខជាតិទទួលបានពីការសង្កេតពីចម្ងាយ៖ ទ្រឹស្តី និងការអនុវត្តសម្រាប់ការគ្រប់គ្រងដំណាំ

ចំណងជើងដើម៖ REMOTELY SENSED VEGETATION INDICES: THEORY AND APPLICATIONS FOR CROP MANAGEMENT

អ្នកនិពន្ធ៖ Bruno Basso (University of Basilicata), Davide Cammarano (University of Basilicata), Pasquale De Vita (ENEA C.R. Trisaia)

ឆ្នាំបោះពុម្ព៖ 2004 Rivista Italiana di Agrometeorologia

វិស័យសិក្សា៖ Precision Agriculture

១. សេចក្តីសង្ខេបប្រតិបត្តិ (Executive Summary)

បញ្ហា (The Problem)៖ ការសិក្សានេះដោះស្រាយពីបញ្ហាប្រឈមក្នុងការវាយតម្លៃអថេរភាពលំហ និងពេលវេលានៃដីនិងដំណាំ ដើម្បីកែលម្អការគ្រប់គ្រងកសិកម្មតាមរយៈការប្រើប្រាស់បច្ចេកវិទ្យាសង្កេតពីចម្ងាយ (Remote Sensing) ប្រកបដោយប្រសិទ្ធភាពខ្ពស់។

វិធីសាស្ត្រ (The Methodology)៖ អ្នកស្រាវជ្រាវបានធ្វើការពិនិត្យឡើងវិញ (Review) យ៉ាងទូលំទូលាយនូវទ្រឹស្តីរូបវិទ្យាជីវៈនៃសន្ទស្សន៍រុក្ខជាតិ និងបង្ហាញពីវិធីសាស្ត្រអនុវត្តជាក់ស្តែងនៅក្នុងវិស័យកសិកម្មច្បាស់លាស់។

លទ្ធផលសំខាន់ៗ (The Verdict)៖

២. ការវិភាគលើប្រសិទ្ធភាព និងដែនកំណត់ (Performance & Constraints)

វិធីសាស្ត្រ (Method) គុណសម្បត្តិ (Pros) គុណវិបត្តិ (Cons) លទ្ធផលគន្លឹះ (Key Result)
Simple Regression Approach
វិធីសាស្រ្តតំរែតំរង់សាមញ្ញ (Simple Regression Approach)
មានភាពងាយស្រួលក្នុងការគណនានិងស្វែងរកទំនាក់ទំនងរវាងសន្ទស្សន៍ផ្ទៃស្លឹក (LAI) និងចំណាំងផ្លាតពីផ្ទៃដី។ ទាមទារទិន្នន័យវាស់វែងផ្ទាល់ពីដីនៅពេលតែមួយនិងទីកន្លែងតែមួយ ងាយរងឥទ្ធិពលរំខានពីផ្ទៃដី និងអាស្រ័យលើប្រភេទដំណាំ។ បង្កើតបានជាសមីការទំនាក់ទំនងរវាងសន្ទស្សន៍ផ្ទៃស្លឹក និងស펙տրូមចំណាំងផ្លាត ប៉ុន្តែមានដែនកំណត់ក្នុងការប្រើប្រាស់ទូទៅ។
Modeling Approach (e.g., SAIL)
វិធីសាស្រ្តប្រើប្រាស់ម៉ូដែលក្លែងធ្វើ (Modeling Approach)
ផ្អែកលើលក្ខណៈរូបវិទ្យាច្បាស់លាស់នៃចំណាំងផ្លាត និងមានសក្តានុពលខ្ពស់នៅពេលប្រើជាមួយការវាស់វែងពហុទិសដៅ។ មានភាពស្មុគស្មាញខ្លាំង និងត្រូវការទិន្នន័យប៉ារ៉ាម៉ែត្រជាច្រើនដែលពិបាកក្នុងការវាស់វែងផ្ទាល់នៅលើវាលស្រែ។ អាចវាយតម្លៃនិងទាញយកលក្ខណៈរូបវន្តនៃផ្ទៃដីបានយ៉ាងសុក្រឹត ប្រសិនបើមានទិន្នន័យវាស់វែងគ្រប់គ្រាន់។
Intrinsic Vegetation Indices (NDVI, GNDVI, RVI)
សន្ទស្សន៍រុក្ខជាតិធម្មតា (Intrinsic VIs ដូចជា NDVI)
ងាយស្រួលគណនា ប្រើប្រាស់យ៉ាងទូលំទូលាយសម្រាប់ការតាមដានការលូតលាស់របស់ដំណាំ និងជួយកាត់បន្ថយរំខានពីកត្តាខាងក្រៅមួយចំនួន។ ងាយរងឥទ្ធិពលពីពណ៌ផ្ទៃដីនៅពេលដំណាំនៅតូច (មានគម្របស្លឹកតិច) និងឆាប់តិត្ថិភាព (Saturate) នៅពេលគម្របស្លឹកក្រាស់ពេក។ សម្រាប់គម្របស្លឹក ៤០% កម្រិតរំខានរបស់ NDVI មានរហូតដល់កំហុសឆ្គងប្រមាណ +/- ២៣% សម្រាប់ការប៉ាន់ស្មានបន្លែ។
Soil-adjusted Vegetation Indices (SAVI, TSAVI, MSAVI)
សន្ទស្សន៍រុក្ខជាតិកែតម្រូវផ្ទៃដី (Soil-adjusted VIs ដូចជា SAVI)
កាត់បន្ថយឥទ្ធិពលរំខានពីផ្ទៃដីខាងក្រោមបានយ៉ាងប្រសើរ ជាពិសេសសម្រាប់ដំណាំដែលមិនទាន់គ្របដណ្តប់ផ្ទៃដីជិត។ តម្រូវឲ្យដឹងពីប៉ារ៉ាម៉ែត្រនៃខ្សែបន្ទាត់ដី (Soil line parameters) ដូចជាមេគុណកែតម្រូវ L ដែលអាចប្រែប្រួលតាមតំបន់។ កាត់បន្ថយកំហុសឆ្គងសម្រាប់ការប៉ាន់ស្មានបន្លែមកត្រឹម +/- ២.៥% ប៉ុណ្ណោះ ដែលធ្វើឲ្យវាមានភាពសុក្រឹតជាង NDVI កំឡុងពេលដំណាំនៅតូច។

ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តបច្ចេកវិទ្យាសង្កេតពីចម្ងាយសម្រាប់កសិកម្ម តម្រូវឱ្យមានការវិនិយោគលើប្រភពទិន្នន័យរូបភាព ឧបករណ៍វាស់វែងជាក់លាក់ និងចំណេះដឹងផ្នែកកុំព្យូទ័រសម្រាប់ការវិភាគទិន្នន័យ។

៣. ការពិនិត្យសម្រាប់បរិបទកម្ពុជា/អាស៊ីអាគ្នេយ៍

ភាពលំអៀងនៃទិន្នន័យ (Data Bias)៖

ការសិក្សានេះផ្អែកលើទិន្នន័យដែលប្រមូលបានពីតំបន់អភិវឌ្ឍន៍ដូចជាសហរដ្ឋអាមេរិក (រដ្ឋ Michigan, Arizona) និងប្រទេសអ៊ីតាលី (តំបន់ Puglia) លើដំណាំស្រូវសាលី ពោត និងសណ្តែកសៀង ដែលមានអាកាសធាតុត្រជាក់និងក្តៅស្ងួត។ សម្រាប់ប្រទេសកម្ពុជា ដែលមានអាកាសធាតុត្រូពិចសើម និងមានការដាំដុះដំណាំស្រូវជាចម្បង វាមានសារៈសំខាន់ណាស់ក្នុងការធ្វើតេស្តសាកល្បងសន្ទស្សន៍ទាំងនេះឡើងវិញ ដើម្បីធានាថាវាឆ្លើយតបទៅនឹងលក្ខខណ្ឌដីខ្សាច់ ឬដីឥដ្ឋដែលមាននៅទីនេះ។

លទ្ធភាពនៃការអនុវត្ត (Applicability)៖

បច្ចេកវិទ្យាសង្កេតពីចម្ងាយតាមរយៈសន្ទស្សន៍រុក្ខជាតិ មានសក្តានុពលយ៉ាងខ្លាំងក្នុងការផ្លាស់ប្តូរ និងធ្វើទំនើបកម្មវិស័យកសិកម្មនៅប្រទេសកម្ពុជា។

ការដាក់បញ្ចូលបច្ចេកវិទ្យានេះជាមួយនឹងប្រព័ន្ធផ្តល់យោបល់ដល់កសិករ (Decision Support Systems) នឹងជួយបង្កើនទិន្នផល កាត់បន្ថយការចំណាយមិនចាំបាច់ និងពង្រឹងភាពធន់របស់កសិកម្មកម្ពុជាទៅនឹងការប្រែប្រួលអាកាសធាតុ។

៤. ផែនការសកម្មភាពសម្រាប់និស្សិត (Actionable Roadmap)

ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖

  1. សិក្សាមូលដ្ឋានគ្រឹះស្តីពីការសង្កេតពីចម្ងាយ និង GIS (Learn basics of Remote Sensing and GIS): និស្សិតត្រូវចាប់ផ្តើមស្វែងយល់ពីគោលការណ៍នៃស펙տրូមអេឡិចត្រូម៉ាញេទិក (Electromagnetic spectrum) ជាពិសេសឥទ្ធិពលនៃពន្លឺពណ៌ក្រហម (Red) និងជិតអាំងប្រាក្រហម (NIR) មកលើស្លឹករុក្ខជាតិ ដោយអនុវត្តផ្ទាល់លើកម្មវិធី QGIS
  2. ស្វែងយល់អំពីសន្ទស្សន៍រុក្ខជាតិ និងការគណនា (Understand Vegetation Indices): ត្រូវសិក្សាស៊ីជម្រៅពីរូបមន្តគណនាសន្ទស្សន៍សំខាន់ៗដូចជា NDVI និងរបៀបដែលសន្ទស្សន៍កែតម្រូវដីដូចជា SAVI អាចជួយកាត់បន្ថយបញ្ហារំខានពីផ្ទៃដី នៅពេលដំណាំទើបតែដុះ។
  3. ទាញយកនិងប្រមូលទិន្នន័យផ្កាយរណបដោយឥតគិតថ្លៃ (Acquire Free Satellite Data): ប្រើប្រាស់ថ្នាល Google Earth Engine ឬគេហទំព័រ Copernicus Open Access Hub ដើម្បីសរសេរកូដទាញយករូបភាពពីផ្កាយរណប Sentinel-2 ដែលមានកម្រិតភាពច្បាស់ 10m មកវិភាគលើតំបន់កសិកម្មនៅកម្ពុជា។
  4. អនុវត្តគម្រោងស្រាវជ្រាវខ្នាតតូចផ្ទាល់ខ្លួន (Conduct a Mini-Research Project): ជ្រើសរើសចម្ការដំណាំជាក់លាក់មួយ (ឧទាហរណ៍ ស្រូវប្រាំងនៅខេត្តតាកែវ) រួចប្រើប្រាស់ស្គ្រីប Python ដើម្បីគណនាបំរែបំរួលទិន្នន័យ NDVI Time-series ពេញមួយរដូវកាលដាំដុះ និងសង្កេតមើលកាលបរិច្ឆេទដែលដំណាំលូតលាស់ខ្លាំងបំផុត។
  5. រួមបញ្ចូលទិន្នន័យពីចម្ងាយជាមួយម៉ូដែលដំណាំ (Integrate with Crop Simulation Models): សាកល្បងបញ្ចូលទិន្នន័យសន្ទស្សន៍ផ្ទៃស្លឹក (LAI) ដែលទាញបានពីរូបភាពផ្កាយរណប ទៅក្នុងកម្មវិធីម៉ូដែលក្លែងធ្វើដំណាំដូចជា DSSATAPSIM ដើម្បីធ្វើចំណាត់ថ្នាក់តំបន់ដី (Management zones) និងវាយតម្លៃការព្យាករណ៍ទិន្នផល។

៥. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស ការពន្យល់ជាខេមរភាសា (Khmer Explanation) និយមន័យសាមញ្ញ (Simple Definition)
Leaf Area Index (LAI) សន្ទស្សន៍ផ្ទៃស្លឹក គឺជារង្វាស់នៃទំហំផ្ទៃដីដែលគ្របដណ្តប់ដោយស្លឹករុក្ខជាតិ ដែលបង្ហាញពីដង់ស៊ីតេ និងភាពលូតលាស់នៃដំបូលរុក្ខជាតិ។ វាត្រូវបានប្រើដើម្បីប៉ាន់ស្មានការធ្វើរស្មីសំយោគ និងសុខភាពទូទៅរបស់ដំណាំ។ ដូចជាការវាស់ទំហំឆ័ត្រដែលបើកគ្របពីលើដីអញ្ចឹង បើឆ័ត្រធំ (ស្លឹកច្រើន) វានឹងបាំងពន្លឺព្រះអាទិត្យមិនឱ្យដល់ដីបានច្រើន។
Normalized Difference Vegetation Index (NDVI) សន្ទស្សន៍ភាពខុសគ្នាធម្មតានៃរុក្ខជាតិ គឺជារូបមន្តគណនាដែលប្រៀបធៀបចំណាំងផ្លាតនៃពន្លឺជិតអាំងប្រាក្រហម (NIR) នឹងពន្លឺពណ៌ក្រហម (Red) ដើម្បីកំណត់ពីកម្រិតភាពបៃតង ជីវម៉ាស និងសុខភាពរបស់រុក្ខជាតិ។ ប្រៀបដូចជាការប្រើម៉ាស៊ីនស្កេនដើម្បីមើលថា តើរុក្ខជាតិកំពុង "ញ៉ាំ" ពន្លឺព្រះអាទិត្យបានល្អប៉ុណ្ណា បើវាញ៉ាំបានល្អ វានឹងបង្ហាញពណ៌បៃតងស្រស់។
Evapotranspiration (ET) រំហួតទឹកពីដំណាំនិងដី គឺជាដំណើរការរួមបញ្ចូលគ្នានៃការហួតទឹកពីផ្ទៃដី និងការភាយទឹកចេញពីរុក្ខជាតិទៅក្នុងបរិយាកាស។ វាត្រូវបានប្រើដើម្បីកំណត់ពីតម្រូវការទឹកពិតប្រាកដរបស់ដំណាំសម្រាប់ការស្រោចស្រព។ ប្រៀបដូចជាការបែកញើសរបស់មនុស្ស និងការហួតទឹកពីអាវសើមក្នុងពេលតែមួយ ដែលប្រាប់យើងថាពេលណាត្រូវផឹកទឹកបន្ថែម។
Soil Line ខ្សែបន្ទាត់ដី គឺជាគោលគំនិតក្នុងលំហទិន្នន័យចំណាំងផ្លាត ដែលបង្ហាញពីទំនាក់ទំនងរវាងពន្លឺពណ៌ក្រហម និងពន្លឺជិតអាំងប្រាក្រហមនៃផ្ទៃដីទទេ (គ្មានរុក្ខជាតិ)។ វាត្រូវបានប្រើជាគោលសម្រាប់កាត់បន្ថយឥទ្ធិពលពណ៌ដីរំខាន នៅពេលគណនាសន្ទស្សន៍រុក្ខជាតិ។ ដូចជាការថតរូបផ្ទៃខាងក្រោយ (Background) ទុកជាមុន ដើម្បីងាយស្រួលកាត់រូបមនុស្សចេញពីផ្ទៃខាងក្រោយនោះ។
Bidirectional Reflectance Distribution Function (BRDF) អនុគមន៍បំណែងចែកចំណាំងផ្លាតទ្វេទិស គឺជាគំរូគណិតវិទ្យាដែលពិពណ៌នាអំពីរបៀបដែលពន្លឺផ្លាតចេញពីផ្ទៃវត្ថុ អាស្រ័យលើមុំនៃពន្លឺព្រះអាទិត្យ និងមុំនៃកាមេរ៉ា ឬសេនស័រផ្កាយរណបដែលកំពុងថត។ ដូចជាពេលយើងមើលកញ្ចក់ ឬស្មៅពីមុំផ្សេងៗគ្នា វានឹងឃើញចាំង ឬមានពណ៌ខុសៗគ្នា ទោះបីជាវាជារបស់តែមួយក៏ដោយ។
Precision Agriculture កសិកម្មច្បាស់លាស់ គឺជាវិធីសាស្ត្រគ្រប់គ្រងកសិកម្មដែលប្រើប្រាស់បច្ចេកវិទ្យា (ដូចជា GPS និងទិន្នន័យសង្កេតពីចម្ងាយ) ដើម្បីវាស់វែង និងឆ្លើយតបទៅនឹងភាពខុសគ្នានៃស្ថានភាពដីនិងដំណាំនៅតាមតំបន់នីមួយៗក្នុងវាលស្រែតែមួយ។ ជំនួសឱ្យការលេបថ្នាំដូចៗគ្នាពេញមួយរាងកាយ គេប្រើថ្នាំលាបតែត្រង់កន្លែងដែលមានរបួស ដើម្បីសន្សំសំចៃ និងមានប្រសិទ្ធភាពខ្ពស់។
Crop Simulation Models ម៉ូដែលក្លែងធ្វើដំណាំ គឺជាកម្មវិធីកុំព្យូទ័រដែលប្រើប្រាស់ទិន្នន័យអាកាសធាតុ ដី លក្ខណៈពូជ និងការគ្រប់គ្រង ដើម្បីធ្វើការទស្សន៍ទាយពីដំណើរការលូតលាស់ និងវាយតម្លៃទិន្នផលរបស់ដំណាំជាមុន។ ដូចជាការលេងហ្គេមដាំដំណាំ (Farmville) ដោយបញ្ចូលទិន្នន័យពិត ដើម្បីមើលថាតើធ្វើបែបណាទើបទទួលបានទិន្នផលខ្ពស់បំផុតដោយមិនបាច់ពិសោធន៍ផ្ទាល់លើដី។
Multispectral scanning ការស្កេនពហុវិសាលគម គឺជាការចាប់យករូបភាពនៅក្នុងប្រេកង់រលកពន្លឺច្រើនផ្សេងៗគ្នា រួមទាំងពន្លឺដែលភ្នែកមនុស្សមើលមិនឃើញ (ដូចជាជិតអាំងប្រាក្រហម) ដើម្បីវិភាគលក្ខណៈសម្បត្តិរូបវន្ត និងគីមីរបស់រុក្ខជាតិ។ ប្រៀបដូចជាការប្រើវ៉ែនតាវេទមន្តដែលអាចមើលធ្លុះឃើញសរសៃឈាម ដើម្បីដឹងថាមនុស្សម្នាក់មានសុខភាពល្អឬអត់ ដោយមិនបាច់ប៉ះពាល់រាងកាយ។

៦. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖