បញ្ហា (The Problem)៖ វិធីសាស្ត្របែងចែកតំបន់បច្ចុប្បន្នក្នុងការគ្រប់គ្រងសត្វល្អិតតាមទីតាំងអេកូឡូស៊ី (eSSPM) ជារឿយៗបង្កើតបានជាទម្រង់មិនល្អប្រសើរ ដូចជាការមានតំបន់សត្វល្អិតលាក់ខ្លួនក្នុងតំបន់គ្មានសត្វល្អិត និងខ្វះលក្ខណៈវិនិច្ឆ័យច្បាស់លាស់ក្នុងការជ្រើសរើសក្បួនដោះស្រាយចង្កោម (Clustering algorithms) ដ៏ល្អបំផុត។
វិធីសាស្ត្រ (The Methodology)៖ ការស្រាវជ្រាវនេះបានប្រើប្រាស់ទិន្នន័យបរិស្ថានកម្រិតច្បាស់ខ្ពស់ពីចម្ការក្រូចឆ្មារ ការបង្កើតស្ថានភាពសត្វល្អិតក្លែងធ្វើ និងការបែងចែកវាលជាលំដាប់ថ្នាក់ (Nested field partitions) ដែលវាយតម្លៃដោយសន្ទស្សន៍ចង្កោមជីវសាស្ត្រ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Current eSSPM (One-step Partitioning) ការបែងចែកតំបន់ eSSPM បច្ចុប្បន្ន (ការធ្វើចង្កោមមួយជំហាន) |
ងាយស្រួលក្នុងការអនុវត្ត និងមានប្រសិទ្ធភាពសម្រាប់បែងចែកតំបន់ដែលមានលក្ខណៈកសិកម្មថេរ (ឧទាហរណ៍៖ លក្ខណៈដី ទិន្នផល)។ | បង្កើតបានជាទម្រង់មិនល្អប្រសើរសម្រាប់សត្វល្អិតដែលមានសកម្មភាពផ្លាស់ប្តូរ ដោយជារឿយៗលាយឡំតំបន់មានសត្វល្អិតទៅក្នុងតំបន់អវត្តមានសត្វល្អិត។ | បង្កើតបានតំបន់គ្រប់គ្រងសត្វល្អិតដែលមិនសូវច្បាស់លាស់ និងមិនអាចបែងចែកកម្រិតនៃការរាតត្បាតបានត្រឹមត្រូវ។ |
| Proposed eSSPM (Nested Field Partitioning) វិធីសាស្ត្រ eSSPM ស្នើឡើង (ការបែងចែកវាលជាលំដាប់ថ្នាក់) |
ជួយកាត់បន្ថយបញ្ហាតំបន់ត្រួតស៊ីគ្នា អាចចាប់យកទីតាំងសត្វល្អិតលាក់ខ្លួន និងបែងចែកកម្រិតសត្វល្អិតបានយ៉ាងច្បាស់លាស់។ | ទាមទារដំណើរការច្រើនដំណាក់កាល (n-steps) ដែលស៊ីពេលវិភាគ និងតម្រូវឱ្យជ្រើសរើសក្បួនដោះស្រាយ (Algorithms) ច្រើនប្រភេទ។ | ផ្តល់តម្លៃសន្ទស្សន៍ BHI/BSI ខ្ពស់ និងឆ្លងកាត់ការធ្វើសុពលភាព (SDM background tests) យ៉ាងជោគជ័យ។ |
| Hierarchical Clustering (AL, CL, SL, WL) ការធ្វើចង្កោមតាមឋានានុក្រម (Hierarchical Clustering) |
មានប្រសិទ្ធភាពខ្ពស់ក្នុងការបែងចែកទិន្នន័យដែលដាច់ពីគ្នាយ៉ាងច្បាស់លាស់ (ឧទាហរណ៍៖ ការបែងចែកតំបន់មាន និងគ្មានសត្វល្អិត)។ | មិនសូវមានភាពបត់បែនក្នុងការស្វែងរកភាពខុសប្លែកគ្នាតិចតួចនៅក្នុងតំបន់ដែលមានសត្វល្អិតរាតត្បាតស្រាប់។ | ដំណើរការបានល្អបំផុតក្នុងជំហានទី១ (Binary partitioning) និងការបែងចែកតំបន់អវត្តមានសត្វល្អិត។ |
| Partitioning / Machine Learning Clustering (SOM, DIA, MCL) ការធ្វើចង្កោមតាមបែប Partitioning និង Machine Learning |
ពូកែក្នុងការស្វែងរកកម្រិតរាតត្បាតសត្វល្អិតផ្សេងៗគ្នានៅក្នុងបរិវេណរួមមួយ។ | ដំណើរការមិនសូវល្អជាមួយទិន្នន័យដែលមានលក្ខណៈជាពីរផ្នែកដាច់ស្រឡះពីគ្នា (Binary separation) បើធៀបនឹង Hierarchical។ | ដំណើរការបានល្អបំផុតក្នុងជំហានទី២ (Complementary partitioning) ដើម្បីកំណត់កម្រិតភាពធ្ងន់ធ្ងរនៃសត្វល្អិត។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តវិធីសាស្ត្រនេះតម្រូវឱ្យមានឧបករណ៍ប្រមូលទិន្នន័យកម្រិតច្បាស់ខ្ពស់ផ្នែករឹង និងកម្មវិធីវិភាគទិន្នន័យភូមិសាស្ត្រ-ស្ថិតិកម្រិតខ្ពស់។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅក្នុងចម្ការក្រូចឆ្មារទំហំ ៦.៥ ហិកតាក្នុងរដ្ឋ Veracruz ប្រទេសម៉ិកស៊ិក ដោយប្រើប្រាស់ទិន្នន័យសត្វល្អិតក្លែងធ្វើ (Virtual pests) ចំនួន ៦ ប្រភេទ។ ទោះបីជាការក្លែងធ្វើនេះផ្អែកលើទិន្នន័យបរិស្ថានជាក់ស្តែងក៏ដោយ វាមិនទាន់ឆ្លុះបញ្ចាំងទាំងស្រុងពីអាកប្បកិរិយារបស់សត្វល្អិតពិតប្រាកដក្នុងបរិស្ថានត្រូពិចស្មុគស្មាញឡើយ។ នេះមានសារៈសំខាន់សម្រាប់ប្រទេសកម្ពុជា ព្រោះយើងមានអាកាសធាតុក្តៅសើម និងប្រភេទដំណាំចម្រុះ ដែលទាមទារការធ្វើតេស្តបន្តជាមួយសត្វល្អិតជាក់ស្តែងក្នុងស្រុក។
វិធីសាស្ត្របែងចែកតំបន់សម្រាប់ការគ្រប់គ្រងសត្វល្អិត (eSSPM) នេះពិតជាមានសក្តានុពលខ្ពស់សម្រាប់ជួយជំរុញកសិកម្មឆ្លាតវៃនៅកម្ពុជា។
ជារួម ការអនុវត្តវិធីសាស្ត្រ eSSPM ដែលបានកែលម្អនេះ នឹងជួយផ្លាស់ប្តូរមុខមាត់វិស័យកសិកម្មកម្ពុជា ពីការគ្រប់គ្រងបែបប្រពៃណី ទៅជាការគ្រប់គ្រងសត្វល្អិតប្រកបដោយភាពវៃឆ្លាត ជាក់លាក់ និងមានប្រសិទ្ធភាពសេដ្ឋកិច្ចខ្ពស់។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Site-specific pest management (SSPM) | ជាវិធីសាស្ត្រកសិកម្មដែលផ្តោតលើការវិភាគទិន្នន័យដើម្បីគ្រប់គ្រង និងកម្ចាត់សត្វល្អិតតែនៅតំបន់ជាក់លាក់ណាមួយក្នុងចម្ការដែលមានហានិភ័យខ្ពស់ ជំនួសឱ្យការបាញ់ថ្នាំសម្លាប់សត្វល្អិតពាសវាលពាសកាលលើផ្ទៃដីទាំងមូល។ | ដូចជាការលាបថ្នាំលើស្បែកតែត្រង់កន្លែងដែលមានរបួស ឬរមាស់ ជាជាងការលាបថ្នាំពេញទាំងរាងកាយ។ |
| Multivariate clustering algorithms | ជាក្បួនដោះស្រាយគណិតវិទ្យាក្នុងកុំព្យូទ័រ ដែលយកទិន្នន័យច្រើនប្រភេទ (ដូចជាសីតុណ្ហភាព សំណើម និងកម្រិតជាតិជូររបស់ដី) មកវិភាគរួមគ្នា ដើម្បីចាត់ថ្នាក់តំបន់ដែលមានលក្ខណៈស្រដៀងគ្នាឱ្យនៅជាក្រុម ឬជាតំបន់តែមួយ។ | ដូចជាការចាត់ថ្នាក់សិស្សក្នុងថ្នាក់ជាក្រុមៗ ដោយផ្អែកលើចំណង់ចំណូលចិត្ត ពិន្ទុ និងទីលំនៅរបស់ពួកគេក្នុងពេលតែមួយ ដើម្បីងាយស្រួលគ្រប់គ្រង។ |
| Species distribution modeling (SDM) | ជាការប្រើប្រាស់គំរូកុំព្យូទ័រដើម្បីទស្សន៍ទាយ និងគូសផែនទីថាតើសត្វល្អិតនឹងអាចរស់នៅទីតាំងណាខ្លះ ដោយផ្អែកលើការវិភាគទៅលើស្ថានភាពបរិស្ថាន (អាកាសធាតុ ដី) ដែលសត្វល្អិតទាំងនោះធ្លាប់ត្រូវបានគេរកឃើញកាលពីមុន។ | ដូចជាការសង្កេតមើលថាត្រីប្រភេទនេះចូលចិត្តទឹកជ្រៅនិងត្រជាក់ រួចយើងទាយថាទីតាំងផ្សេងទៀតដែលមានទឹកជ្រៅនិងត្រជាក់ ក៏ប្រហែលជាមានត្រីនោះរស់នៅដែរ។ |
| Nested field partitioning | ជាដំណើរការបែងចែកដីចម្ការជាពីរ ឬច្រើនដំណាក់កាល ដោយជំហានទីមួយគឺបំបែកតំបន់មានសត្វល្អិតនិងគ្មានសត្វល្អិតជាមុនសិន រួចទើបបន្តយកតំបន់ទាំងនោះទៅបំបែកជាកម្រិតតូចៗទៀតដើម្បីមើលពីភាពធ្ងន់ធ្ងរនៃការរាតត្បាត។ | ដូចជាការបែងចែកប្រទេសជាខេត្តសិន រួចទើបបន្តបែងចែកខេត្តនីមួយៗនោះទៅជាស្រុកនិងឃុំបន្តទៀត ដើម្បីឱ្យការគ្រប់គ្រងកាន់តែមានភាពជាក់លាក់។ |
| Virtual pests | ជាការបង្កើតទិន្នន័យសត្វល្អិតក្លែងក្លាយក្នុងកុំព្យូទ័រដោយផ្អែកលើចរិតលក្ខណៈជីវសាស្ត្រ និងតម្រូវការបរិស្ថានពិតប្រាកដ ដើម្បីយកមកធ្វើតេស្តសាកល្បងភាពត្រឹមត្រូវនៃវិធីសាស្ត្រគណិតវិទ្យា មុននឹងយកទៅអនុវត្តជាមួយសត្វល្អិតពិតៗ។ | ដូចជាការលេងកម្មវិធីហ្គេមបើកបរឡានដើម្បីហ្វឹកហាត់ និងសាកល្បងបច្ចេកទេស មុននឹងចេញទៅបើកឡានពិតប្រាកដនៅលើដងផ្លូវ។ |
| Biological Homogeneity Index (BHI) | ជាសន្ទស្សន៍វាយតម្លៃខាងស្ថិតិដែលវាស់ស្ទង់ថាតើតំបន់ដែលប្រព័ន្ធកុំព្យូទ័របានបែងចែកនោះ ពិតជាមានលក្ខណៈបរិស្ថាន និងកម្រិតនៃការរាតត្បាតសត្វល្អិតដូចគ្នាបេះបិទ (ឯកសណ្ឋាន) នៅក្នុងតំបន់តែមួយដែរឬទេ។ | ដូចជាការត្រួតពិនិត្យមើលថាតើផ្លែឈើដែលយើងរៀបចំដាក់ចូលក្នុងកន្ត្រកតែមួយ សុទ្ធតែជាផ្លែឈើប្រភេទដូចគ្នា និងទុំស្មើគ្នាដែរឬទេ។ |
| Normalized difference vegetation index (NDVI) | ជាសន្ទស្សន៍វាស់ស្ទង់ភាពខៀវស្រងាត់ និងការលូតលាស់របស់រុក្ខជាតិ ដោយប្រើប្រាស់រូបភាពពីកាមេរ៉ាពិសេស (Multispectral) ដែលអាចចាប់យកចំណាំងផ្លាតនៃពន្លឺក្រហម និងពន្លឺអ៊ីនហ្វ្រារ៉េដ ដើម្បីដឹងថាដំណាំកំពុងមានសុខភាពល្អ ឬមានជំងឺ។ | ដូចជាការថតកាំរស្មីអ៊ិច (X-ray) នៅមន្ទីរពេទ្យ ដើម្បីមើលរចនាសម្ព័ន្ធខាងក្នុង និងស្ថានភាពសុខភាពរាងកាយ ដែលភ្នែកទទេរបស់យើងមិនអាចមើលឃើញ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
