Original Title: Thriving Accelerators for Smart Agriculture in Taiwan during COVID-19 Pandemic
Source: doi.org/10.56669/IPXG9783
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original paper for full scientific accuracy.

កត្តាជំរុញដ៏ខ្លាំងក្លាសម្រាប់កសិកម្មឆ្លាតវៃនៅតៃវ៉ាន់ក្នុងអំឡុងពេលជំងឺរាតត្បាតកូវីដ-១៩

ចំណងជើងដើម៖ Thriving Accelerators for Smart Agriculture in Taiwan during COVID-19 Pandemic

អ្នកនិពន្ធ៖ Jyh-Rong Tsay (Taiwan Agricultural Research Institute), Yu-Hsuan Yang (Taiwan Agricultural Research Institute), Chih-Yuan Chang (Taiwan Agricultural Research Institute), Chang-Tsern Chen (Taiwan Agricultural Research Institute)

ឆ្នាំបោះពុម្ព៖ 2021 FFTC Journal of Agricultural Policy

វិស័យសិក្សា៖ Agricultural Policy and Technology

១. សេចក្តីសង្ខេបប្រតិបត្តិ (Executive Summary)

បញ្ហា (The Problem)៖ ឯកសារនេះដោះស្រាយបញ្ហាកង្វះខាតកម្លាំងពលកម្ម និងការរំខានដល់ខ្សែច្រវាក់ផ្គត់ផ្គង់អាហារក្នុងវិស័យកសិកម្មតៃវ៉ាន់ ដែលបង្កឡើងដោយជំងឺរាតត្បាតកូវីដ-១៩ ក៏ដូចជាតម្រូវការក្នុងការធានាសន្តិសុខស្បៀង។

វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះរៀបរាប់ពីការអភិវឌ្ឍ និងការអនុវត្តបច្ចេកវិទ្យាកសិកម្មឆ្លាតវៃនានាដោយវិទ្យាស្ថានស្រាវជ្រាវកសិកម្មតៃវ៉ាន់ (TARI) ដើម្បីជួយសង្គ្រោះនិងផ្លាស់ប្តូរមុខមាត់វិស័យកសិកម្មក្នុងអំឡុងពេលមានវិបត្តិ។

លទ្ធផលសំខាន់ៗ (The Verdict)៖

២. ការវិភាគលើប្រសិទ្ធភាព និងដែនកំណត់ (Performance & Constraints)

វិធីសាស្ត្រ (Method) គុណសម្បត្តិ (Pros) គុណវិបត្តិ (Cons) លទ្ធផលគន្លឹះ (Key Result)
Drone Technology for Spraying
បច្ចេកវិទ្យាដ្រូនសម្រាប់ការបាញ់ថ្នាំ
កាត់បន្ថយការប្រើប្រាស់ថ្នាំពុលយ៉ាងច្រើន និងបង្កើនល្បឿនប្រតិបត្តិការប្រកបដោយប្រសិទ្ធភាព។ វាជួយការពារសុខភាពកសិករពីការប៉ះពាល់សារធាតុគីមីផ្ទាល់។ ទាមទារដើមទុនវិនិយោគដំបូងខ្ពស់ និងតម្រូវឱ្យមានការបណ្តុះបណ្តាលបច្ចេកទេសជំនាញក្នុងការបញ្ជា និងថែទាំឧបករណ៍។ កាត់បន្ថយការប្រើប្រាស់បរិមាណថ្នាំបាញ់ពី ១/១០ ទៅ ១/១៥ និងបង្កើនប្រសិទ្ធភាពការងារបាន ៤ ដង បើធៀបនឹងការបាញ់ដោយដៃ។
Automated Mushroom Cultivation System
ប្រព័ន្ធដាំដុះ និងវេចខ្ចប់ផ្សិតស្វ័យប្រវត្តិ
កាត់បន្ថយការពឹងផ្អែកលើកម្លាំងពលកម្មមនុស្សយ៉ាងច្រើនសន្ធឹកសន្ធាប់ និងជំរុញផលិតភាពរោងចក្របានកម្រិតខ្ពស់បំផុត។ ត្រូវការប្រព័ន្ធហេដ្ឋារចនាសម្ព័ន្ធស្មុគស្មាញ និងទុនវិនិយោគច្រើនសម្រាប់ការដំឡើងប្រព័ន្ធឃ្លាំងនិងគ្រឿងយន្តស្វ័យប្រវត្តិ។ សន្សំកម្លាំងពលកម្មបានប្រមាណ ៩០% បង្កើនផលិតភាពជាង ៥ ដង និងអាចផលិតបាន ៩,០០០ កញ្ចប់ក្នុងមួយម៉ោង (លឿនជាងមនុស្ស ១៥ ដង)។
Livestock Automation / Feeding Robots
មនុស្សយន្តផ្តល់ចំណីសត្វស្វ័យប្រវត្តិ
ធានាការផ្តល់ចំណីបានទៀងទាត់ និងអនុញ្ញាតឱ្យតាមដានស្ថានភាពសុខភាពសត្វពីចម្ងាយតាមរយៈកាមេរ៉ាជាប់នឹងមនុស្សយន្ត។ ត្រូវការការថែទាំប្រព័ន្ធគ្រឿងយន្តជាប្រចាំ និងប្រព័ន្ធតភ្ជាប់អ៊ីនធឺណិតដែលស្ថិរភាពនៅកសិដ្ឋានដើម្បីបញ្ជាពីចម្ងាយ។ បង្កើនការស៊ីចំណី ៦-១០% បង្កើនទិន្នផលទឹកដោះ ៣-៨% កាត់បន្ថយពេលធ្វើការ ៣-៤ ម៉ោង/ថ្ងៃ និងជួយឱ្យកូនគោរស់រានមានជីវិតដល់ ៩៥%។

ការចំណាយលើធនធាន (Resource Cost)៖ ឯកសារនេះមិនបានបញ្ជាក់លម្អិតអំពីទំហំចំណាយជាសាច់ប្រាក់នៃការប្រើប្រាស់បច្ចេកវិទ្យាទាំងនេះទេ ប៉ុន្តែបានបង្ហាញថាវាទាមទារការវិនិយោគគួរឱ្យកត់សម្គាល់លើប្រព័ន្ធឌីជីថល គ្រឿងយន្ត និងចំណេះដឹងបច្ចេកទេស (កសិកម្មឆ្លាតវៃ)។

៣. ការពិនិត្យសម្រាប់បរិបទកម្ពុជា/អាស៊ីអាគ្នេយ៍

ភាពលំអៀងនៃទិន្នន័យ (Data Bias)៖

ការសិក្សានេះផ្អែកលើទិន្នន័យ និងគំរូអនុវត្តជាក់ស្តែងនៅកោះតៃវ៉ាន់ ដែលជំរុញដោយវិទ្យាស្ថានស្រាវជ្រាវកសិកម្មតៃវ៉ាន់ (TARI) ក្នុងអំឡុងពេលជំងឺរាតត្បាតកូវីដ-១៩។ ដោយសារតៃវ៉ាន់មានហេដ្ឋារចនាសម្ព័ន្ធបច្ចេកវិទ្យារឹងមាំ និងការគាំទ្រពីរដ្ឋាភិបាលពេញលេញ នេះជាបញ្ហាប្រឈមសម្រាប់ការយកមកអនុវត្តនៅកម្ពុជា ដែលកសិករភាគច្រើនមានដើមទុនតូចតាច និងប្រព័ន្ធអ៊ីនធឺណិតនៅតំបន់ជនបទនៅមានកម្រិត។

លទ្ធភាពនៃការអនុវត្ត (Applicability)៖

ទោះបីជាមានគម្លាតផ្នែកហេដ្ឋារចនាសម្ព័ន្ធបច្ចេកវិទ្យាក៏ដោយ ក៏បច្ចេកវិទ្យាមួយចំនួននៅក្នុងឯកសារនេះមានសក្តានុពលខ្ពស់អាចកែច្នៃយកមកអនុវត្តនៅកម្ពុជាបាន ដើម្បីដោះស្រាយបញ្ហាកង្វះពលកម្ម និងបង្កើនសន្តិសុខស្បៀង។

ជារួម ការចាប់ផ្តើមសាកល្បងដោយប្រើប្រាស់បច្ចេកវិទ្យាដែលមានតម្លៃសមរម្យជាមុន ដូចជាប្រព័ន្ធ IoT ខ្នាតតូច នឹងក្លាយជាជំហានដំបូងដ៏រឹងមាំសម្រាប់វិស័យកសិកម្មកម្ពុជាក្នុងការសម្របខ្លួនទៅរកការធ្វើឌីជីថលនីយកម្ម។

៤. ផែនការសកម្មភាពសម្រាប់និស្សិត (Actionable Roadmap)

ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖

  1. សិក្សាអំពីមូលដ្ឋានគ្រឹះនៃ IoT និងឧបករណ៍ចាប់សញ្ញា (Sensors): និស្សិតគួរចាប់ផ្តើមរៀនប្រើប្រាស់ Microcontrollers ដូចជា ArduinoRaspberry Pi ភ្ជាប់ជាមួយសេនស័រវាស់សំណើមដី និងសីតុណ្ហភាព ដើម្បីបង្កើតជាគំរូប្រព័ន្ធស្រោចស្រពដំណាំស្វ័យប្រវត្តិខ្នាតតូច។
  2. អភិវឌ្ឍជំនាញវិភាគទិន្នន័យកសិកម្ម (Agricultural Data Analysis): ផ្តោតលើការរៀនភាសាកូដ Python ដោយប្រើប្រាស់បណ្ណាល័យដូចជា Pandas សម្រាប់ការរៀបចំទិន្នន័យ និង Scikit-learn ដើម្បីវិភាគទិន្នន័យអាកាសធាតុ ឈានទៅការបង្កើតម៉ូដែលទស្សន៍ទាយទិន្នផល (Yield Prediction Models)។
  3. សិក្សាពីបច្ចេកវិទ្យាដ្រូន និងការវិភាគរូបភាព (Drone & Image Processing): ស្វែងយល់ពីរបៀបប្រមូលទិន្នន័យរូបភាពកសិដ្ឋានពីអាកាសដោយប្រើដ្រូន និងអនុវត្តការប្រើប្រាស់ OpenCV ជាមួយម៉ូដែល AI ដើម្បីវិភាគរកជំងឺលើស្លឹកដំណាំ កង្វះជាតិទឹក ឬវាយតម្លៃសុខភាពរុក្ខជាតិ។
  4. អភិវឌ្ឍកម្មវិធីទូរស័ព្ទតាមដានផលិតផល (Traceability Mobile App): សាកល្បងអភិវឌ្ឍកម្មវិធីទូរស័ព្ទដៃដោយប្រើ Flutter ភ្ជាប់ជាមួយមូលដ្ឋានទិន្នន័យ Firebase ដើម្បីឱ្យកសិករអាចកត់ត្រាប្រតិបត្តិការប្រចាំថ្ងៃ និងបង្កើត QR Code ដោយស្វ័យប្រវត្តិសម្រាប់អ្នកទិញស្កេនមើលប្រភពដើមទំនិញ។
  5. សហការ និងអនុវត្តផ្ទាល់នៅកសិដ្ឋាន (Field Collaboration): ស្វែងរកឱកាសចុះកម្មសិក្សា ឬធ្វើកិច្ចការស្រាវជ្រាវ (Thesis) ជាមួយកសិដ្ឋានទំនើបៗ ឬក្រុមហ៊ុន Agri-tech startups ក្នុងស្រុក ដើម្បីស្វែងយល់ពីបញ្ហាប្រឈមជាក់ស្តែង និងសាកល្បងបច្ចេកវិទ្យាដែលបានអភិវឌ្ឍក្នុងស្ថានភាពផ្ទាល់។

៥. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស ការពន្យល់ជាខេមរភាសា (Khmer Explanation) និយមន័យសាមញ្ញ (Simple Definition)
Digital twins (កូនភ្លោះឌីជីថល) ការប្រើប្រាស់បច្ចេកវិទ្យាបញ្ញាសិប្បនិម្មិត (AI) និងទិន្នន័យជាក់ស្តែងពីឧបករណ៍ចាប់សញ្ញា ដើម្បីបង្កើតជាគំរូសិប្បនិម្មិត (Virtual model) នៃកសិដ្ឋាន ឬផ្ទះកញ្ចក់ ដែលអនុញ្ញាតឱ្យកសិករអាចក្លែងធ្វើការសាកល្បង វិភាគបញ្ហា និងរកដំណោះស្រាយមុនពេលអនុវត្តលើកសិដ្ឋានពិតប្រាកដ។ ដូចជាការលេងហ្គេមសាងសង់កសិដ្ឋាន (Farming Simulator) ដែលយើងអាចសាកល្បងដាំដុះ និងមើលលទ្ធផលនៅក្នុងកុំព្យូទ័រជាមុន មុននឹងយកបច្ចេកទេសនោះទៅធ្វើលើដីពិតៗ។
Internet of Things (IoT) (អ៊ីនធឺណិតនៃវត្ថុ) ប្រព័ន្ធបណ្តាញដែលភ្ជាប់ឧបករណ៍រូបវន្ត (ដូចជាឧបករណ៍វាស់សីតុណ្ហភាព កាមេរ៉ា ឬប្រព័ន្ធស្រោចស្រព) ទៅនឹងអ៊ីនធឺណិត ដើម្បីឱ្យឧបករណ៍ទាំងនោះអាចផ្លាស់ប្តូរទិន្នន័យគ្នាទៅវិញទៅមក និងអាចត្រូវបានបញ្ជាពីចម្ងាយដោយស្វ័យប្រវត្តិ។ ដូចជាការប្រើទូរស័ព្ទដៃដើម្បីបញ្ជាឱ្យម៉ាស៊ីនត្រជាក់នៅផ្ទះបើកដោយស្វ័យប្រវត្តិមុនពេលយើងទៅដល់ផ្ទះអញ្ចឹងដែរ ប៉ុន្តែនេះយកទៅប្រើជាមួយឧបករណ៍ក្នុងកសិដ្ឋាន។
Edge Computing (ការគណនាទិន្នន័យនៅចុងកន្សោម / ប្រព័ន្ធកុំព្យូទ័រគែមបណ្ដាញ) បច្ចេកវិទ្យាដំណើរការ និងវិភាគទិន្នន័យនៅក្បែរប្រភពដែលបង្កើតទិន្នន័យនោះផ្ទាល់ (ឧទាហរណ៍៖ វិភាគរូបភាពនៅលើដ្រូនផ្ទាល់តែម្តង) ជាជាងបញ្ជូនទិន្នន័យទាំងអស់ទៅកាន់ម៉ាស៊ីនមេ (Cloud) ឆ្ងាយៗ ដែលជួយកាត់បន្ថយការយឺតយ៉ាវ និងអាចធ្វើការសម្រេចចិត្តបានភ្លាមៗ។ ដូចជាមានជំនួយការនៅក្បែរខ្លួនជួយគណនាលេខភ្លាមៗ ដោយមិនចាំបាច់ផ្ញើសំណួរតាមសំបុត្រទៅសួរមេនៅឯទីស្នាក់ការកណ្តាល ហើយអង្គុយរង់ចាំចម្លើយនោះទេ។
Controlled Environment Agriculture (កសិកម្មក្នុងបរិស្ថានគ្រប់គ្រង) វិធីសាស្ត្រនៃការដាំដុះរុក្ខជាតិនៅក្នុងរចនាសម្ព័ន្ធបិទជិត (ដូចជាផ្ទះកញ្ចក់ទំនើប ឬកសិដ្ឋានបញ្ឈរ) ដែលកសិករអាចគ្រប់គ្រងកត្តាបរិស្ថានបានយ៉ាងជាក់លាក់ ដូចជាពន្លឺ សីតុណ្ហភាព សំណើម ខ្យល់ និងសារធាតុចិញ្ចឹម ដើម្បីធានាបានទិន្នផលខ្ពស់ពេញមួយឆ្នាំ។ ដូចជាការដាក់រុក្ខជាតិនៅក្នុងបន្ទប់ម៉ាស៊ីនត្រជាក់ដែលមានបំពាក់អំពូលភ្លើងពណ៌លៃតម្រូវបាន ដើម្បីឱ្យវាដុះលូតលាស់លឿនដោយមិនខ្វល់ពីរដូវកាល ឬអាកាសធាតុខាងក្រៅ។
Food traceability systems (ប្រព័ន្ធតាមដានប្រភពដើមចំណីអាហារ) ប្រព័ន្ធឌីជីថលដែលកត់ត្រា និងតាមដានព័ត៌មានលម្អិតនៃផលិតផលកសិកម្មតាំងពីដំណាក់កាលដាំដុះ ប្រមូលផល វេចខ្ចប់ រហូតដល់ចរាចរលើទីផ្សារ។ អ្នកប្រើប្រាស់អាចស្កេន QR Code ដើម្បីដឹងពីប្រភពដើម និងសុវត្ថិភាពនៃអាហារ។ ដូចជាការមើល "សំបុត្រកំណើត" និង "ប្រវត្តិរូបសង្ខេប" របស់ផ្លែប៉ោមមួយផ្លែ ថាតើវាដាំនៅឯណា ប្រើជីអ្វីខ្លះ និងដឹកជញ្ជូនមកតាមណា មុននឹងយើងសម្រេចចិត្តទិញវាញ៉ាំ។
Community Supported Agriculture (CSA) (កសិកម្មគាំទ្រដោយសហគមន៍) ទម្រង់អាជីវកម្មកសិកម្មបែបថ្មី ដែលអ្នកប្រើប្រាស់បង់ប្រាក់ជាមុន ឬចូលហ៊ុនជាមួយកសិករក្នុងតំបន់ ដើម្បីជួយទ្រទ្រង់ថ្លៃដើមផលិតកម្ម ហើយជាការតបស្នង ពួកគេនឹងទទួលបានចំណែកនៃភោគផលកសិកម្មស្រស់ៗ និងមានសុវត្ថិភាពជាប្រចាំក្នុងរដូវប្រមូលផល។ ដូចជាការបង់លុយជាប្រចាំខែ (Subscription) ឱ្យកសិករណាម្នាក់ ដើម្បីឱ្យគាត់រៀបចំបន្លែ និងសាច់ស្រស់ៗមួយកន្ត្រកយកមកឱ្យយើងដល់មុខផ្ទះរាល់សប្តាហ៍។

៦. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖