បញ្ហា (The Problem)៖ ឯកសារនេះដោះស្រាយពីតម្រូវការចាំបាច់ក្នុងការចាត់ថ្នាក់រដូវដាំដុះស្រូវឱ្យបានត្រឹមត្រូវនៅប្រទេសវៀតណាម (ជាពិសេសនៅតំបន់ដីសណ្ដទន្លេមេគង្គ) ដើម្បីគាំទ្រដល់ការរៀបចំផែនការកសិកម្ម ការព្យាករណ៍ទិន្នផល និងការធានាសន្តិសុខស្បៀងក្នុងបរិបទនៃការប្រែប្រួលអាកាសធាតុ។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានធ្វើការត្រួតពិនិត្យជាប្រព័ន្ធលើវិធីសាស្រ្តប្រើប្រាស់ការវាស់វែងពីចម្ងាយ (Remote Sensing) ដែលត្រូវបានអនុវត្តសម្រាប់ការចាត់ថ្នាក់រដូវស្រូវនៅប្រទេសវៀតណាមពីឆ្នាំ ២០១៥ ដល់បច្ចុប្បន្ន។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Phenology-based classification (Optical data) ការចាត់ថ្នាក់ផ្អែកលើបាតុភូតវិទ្យាដោយប្រើទិន្នន័យអុបទិក (MODIS/Landsat) |
ងាយស្រួលអនុវត្តលើផ្ទៃដីធំទូលាយ មានភាពសាមញ្ញ និងចំណាយលើដំណើរការកែច្នៃទាប។ | ទទួលរងឥទ្ធិពលខ្លាំងពីពពកបាំង និងមានបញ្ហាច្របល់ភីកសែល (Mixed pixels) នៅតាមតំបន់ស្រែដែលមានទំហំតូច និងបែកខ្ញែក។ | ទទួលបានភាពត្រឹមត្រូវអាចទទួលយកបាននៅកម្រិតតំបន់ ប៉ុន្តែភាពត្រឹមត្រូវថយចុះនៅកម្រិតខេត្តដោយសារកម្រិតបង្ហាញទាប (ឧទាហរណ៍៖ MODIS 500m)។ |
| Supervised Machine Learning (SAR/Sentinel-1) ការរៀនម៉ាស៊ីនមានការត្រួតពិនិត្យដោយប្រើទិន្នន័យរ៉ាដា (SAR/Sentinel-1) |
អាចឆ្លងកាត់ពពក និងអ័ព្ទបានយ៉ាងល្អ ដែលធានាបាននូវការតាមដានជាប្រចាំ និងផ្តល់ភាពត្រឹមត្រូវខ្ពស់។ | ទាមទារទិន្នន័យទីវាល (Ground-truth data) ច្រើនសម្រាប់ការបង្ហាត់ម៉ូដែល ព្រមទាំងរងផលរំខានពីចំណុចអុចៗនៃរូបភាព (Speckle noise)។ | ទទួលបានភាពត្រឹមត្រូវសរុប (Overall Accuracy) ខ្ពស់ ដែលជាទូទៅមានកម្រិតចាប់ពី ៨៥% រហូតដល់ជាង ៩៤%។ |
| Multi-source Data Integration (Optical + Radar) ការធ្វើសមាហរណកម្មទិន្នន័យពហុប្រភព (អុបទិក និង រ៉ាដា) |
ទាញយកអត្ថប្រយោជន៍ពីទិន្នន័យទាំងពីរប្រភេទ ដើម្បីជួយបង្កើនភាពត្រឹមត្រូវខ្ពស់បំផុតក្នុងលក្ខខណ្ឌអាកាសធាតុ និងបរិស្ថានស្មុគស្មាញ។ | ទាមទារប្រព័ន្ធកុំព្យូទ័រដែលមានកម្លាំងខ្លាំង (ដូចជា Google Earth Engine) និងដំណើរការវិភាគមានភាពស្មុគស្មាញខ្ពស់។ | កម្រិតភាពត្រឹមត្រូវសរុបឡើងដល់កម្រិតខ្ពស់ខ្លាំង (ចន្លោះពី ៨៥% ទៅ ៩០%+) ដោយកាត់បន្ថយគម្លាតទិន្នន័យបានយ៉ាងល្អ។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តវិធីសាស្រ្តទំនើបទាំងនេះទាមទារឱ្យមានការវិនិយោគលើហេដ្ឋារចនាសម្ព័ន្ធកុំព្យូទ័រពពក និងទិន្នន័យទីវាលសម្រាប់ការបង្ហាត់ម៉ូដែល។
ការសិក្សានេះពឹងផ្អែកលើទិន្នន័យភាគច្រើននៅតំបន់ដីសណ្ដទន្លេមេគង្គ (Mekong Delta) និងទន្លេក្រហម (Red River Delta) នៃប្រទេសវៀតណាម។ ទោះបីជាតំបន់ទាំងនេះមានលក្ខណៈកសិ-អេកូឡូស៊ីស្រដៀងនឹងប្រទេសកម្ពុជាក៏ដោយ ក៏ភាពខុសគ្នានៃប្រតិទិនដាំដុះ ប្រភេទពូជស្រូវ និងទំហំដីស្រែ អាចទាមទារឱ្យមានការកែតម្រូវម៉ូដែលឡើងវិញ មុននឹងយកមកអនុវត្តជាក់ស្តែងនៅកម្ពុជា។
វិធីសាស្រ្ត និងបច្ចេកវិទ្យាដែលបានលើកឡើងនៅក្នុងឯកសារនេះ មានសារៈសំខាន់ និងអាចយកមកអនុវត្តបានយ៉ាងមានប្រសិទ្ធភាពសម្រាប់វិស័យកសិកម្មនៅប្រទេសកម្ពុជា។
ការផ្លាស់ប្តូរទៅប្រើប្រាស់ទិន្នន័យផ្កាយរណបពហុប្រភពរួមជាមួយបច្ចេកវិទ្យាកុំព្យូទ័រពពក នឹងជួយស្ថាប័នកម្ពុជាចំណេញថវិកា និងបង្កើនភាពជឿជាក់លើទិន្នន័យកសិកម្មជាតិសម្រាប់ការសម្រេចចិត្ត។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Remote sensing | បច្ចេកវិទ្យានៃការប្រមូលព័ត៌មានអំពីផ្ទៃផែនដីពីចម្ងាយ (ជាធម្មតាប្រើប្រាស់ផ្កាយរណប ឬយន្តហោះ) ដោយមិនចាំបាច់មានទំនាក់ទំនងផ្ទាល់ជាមួយទីតាំងនោះ ដើម្បីតាមដាន និងវិភាគការផ្លាស់ប្តូរនានាដូចជាការលូតលាស់របស់ដំណាំកសិកម្ម។ | ដូចជាការថតរូបពីលើអាកាសដោយប្រើកាមេរ៉ាដ្រូន ដើម្បីមើលទិដ្ឋភាពរួមនៃវាលស្រែទាំងមូលដោយមិនបាច់ដើរចុះទៅពិនិត្យផ្ទាល់។ |
| Google Earth Engine | ថ្នាលកុំព្យូទ័រពពក (Cloud computing platform) របស់ក្រុមហ៊ុន Google ដែលផ្ទុកទិន្នន័យផ្កាយរណបដ៏ធំសម្បើម និងអនុញ្ញាតឱ្យអ្នកស្រាវជ្រាវសរសេរកូដដើម្បីវិភាគទិន្នន័យបរិស្ថានកម្រិតខ្ពស់បានយ៉ាងរហ័ស ដោយមិនចាំបាច់ទាញយកទិន្នន័យមកកុំព្យូទ័រខ្លួនឯង។ | ដូចជាបណ្ណាល័យឌីជីថលដ៏ធំមួយដែលមានកុំព្យូទ័រល្បឿនលឿនស្រាប់ ដែលអ្នកអាចចូលអាន និងគណនាទិន្នន័យទូទាំងពិភពលោកបានដោយគ្រាន់តែមានអ៊ីនធឺណិត។ |
| Sample-free method | វិធីសាស្ត្រចាត់ថ្នាក់ទិន្នន័យផ្កាយរណបដែលពឹងផ្អែកលើច្បាប់រូបវន្ត និងលក្ខណៈបាតុភូតវិទ្យារបស់រុក្ខជាតិ ដើម្បីកំណត់ប្រភេទដំណាំ ដោយមិនតម្រូវឱ្យអ្នកស្រាវជ្រាវចុះទៅប្រមូលទិន្នន័យគំរូពីទីវាលពិត (Ground-truth data) មកបង្រៀនម៉ាស៊ីននោះទេ។ | ដូចជាការស្គាល់នរណាម្នាក់ដោយគ្រាន់តែមើលតាមភិនភាគនិងកាយវិការរបស់គេទូទៅ ដោយមិនបាច់មានអ្នកណាមកចង្អុលប្រាប់បញ្ជាក់ពីមុនមក។ |
| Synthetic Aperture Radar (SAR) | ប្រព័ន្ធសេនស័ររ៉ាដាដែលបញ្ចេញរលកសញ្ញាអគ្គិសនីម៉ាញេទិកទៅកាន់ផ្ទៃផែនដី និងចាប់យករលកដែលផ្លាតត្រឡប់មកវិញដើម្បីបង្កើតជារូបភាព។ បច្ចេកវិទ្យានេះអាចថតរូបភាពបានទាំងយប់ទាំងថ្ងៃ និងអាចឆ្លងកាត់ពពក ឬភ្លៀងបានយ៉ាងល្អ។ | ដូចជាសត្វប្រចៀវដែលបញ្ចេញសំឡេង និងស្តាប់អេកូដើម្បីស្វែងរកចំណីនៅពេលយប់ ដោយមិនខ្វល់ថាងងឹត ឬមានអ័ព្ទនោះទេ។ |
| NDVI | សន្ទស្សន៍ភាពខុសគ្នានៃបន្លែបៃតង (Normalized Difference Vegetation Index) ដែលគណនាពីកម្រិតចំណាំងផ្លាតនៃពន្លឺក្រហម និងពន្លឺអ៊ីនហ្វ្រារ៉េដជិត ដើម្បីវាស់ស្ទង់ភាពខៀវស្រងាត់ និងកម្រិតសុខភាពនៃការលូតលាស់របស់រុក្ខជាតិ។ | ដូចជាឧបករណ៍វាស់កម្តៅដែលគ្រូពេទ្យប្រើ តែនេះគឺជាឧបករណ៍វាស់ "ភាពបៃតង" ដើម្បីដឹងថាស្លឹកឈើមានសុខភាពល្អកម្រិតណា។ |
| Mixed pixels | បាតុភូតដែលភីកសែលមួយនៃរូបភាពផ្កាយរណប (ឧទាហរណ៍ទំហំ 500m x 500m) ផ្ទុកនូវប្រភេទផ្ទៃដីចម្រុះគ្នា (ដូចជា ស្រែខ្លះ ផ្ទះខ្លះ ផ្លូវខ្លះ) ដែលធ្វើឱ្យកុំព្យូទ័រពិបាកកំណត់ថាវាជាប្រភេទដីអ្វីឱ្យប្រាកដ។ | ដូចជាការមើលរូបថតដែលព្រិលៗពីចម្ងាយ ដែលយើងឃើញពណ៌លាយឡំគ្នា ពិបាកបែងចែកថាតើវាជាដើមឈើ ឬជាដំបូលផ្ទះ។ |
| Speckle noise | ផលរំខាននៅលើរូបភាពរ៉ាដា (SAR) ដែលលេចឡើងជាទម្រង់ចំណុចអុចៗសខ្មៅ បង្កឡើងដោយការសាយភាយរលកសញ្ញាត្រឡប់មកវិញពីផ្ទៃវត្ថុស្មុគស្មាញ ដែលធ្វើឱ្យគុណភាពរូបភាពថយចុះ និងពិបាកក្នុងការវិភាគ។ | ដូចជាការមើលទូរទស្សន៍សម័យមុនពេលដែលរលកសញ្ញាខ្សោយ ហើយមានលោតចំណុចអុចៗព្រិលៗពេញអេក្រង់។ |
| Machine learning | សាខាមួយនៃបញ្ញាសិប្បនិម្មិត (AI) ដែលផ្តល់លទ្ធភាពឱ្យប្រព័ន្ធកុំព្យូទ័ររៀនសូត្រពីទិន្នន័យគំរូ (ឧទាហរណ៍៖ រូបភាពផ្កាយរណបនៃស្រែរាប់ពាន់សន្លឹក) ដើម្បីស្វែងរកលំនាំ និងធ្វើការទស្សន៍ទាយឬចាត់ថ្នាក់ទីតាំងផ្សេងទៀតដោយស្វ័យប្រវត្តិ។ | ដូចជាការបង្រៀនកូនក្មេងឱ្យស្គាល់សត្វឆ្កែ ដោយបង្ហាញរូបភាពសត្វឆ្កែច្រើនៗសន្លឹក រហូតដល់ក្មេងនោះអាចចំណាំសត្វឆ្កែបានដោយខ្លួនឯងនៅពេលក្រោយ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
