បញ្ហា (The Problem)៖ ការសិក្សានេះដោះស្រាយបញ្ហាការខូចខាតដំណាំកប្បាសដោយសារដង្កូវស៊ីផ្លែកប្បាស (Helicoverpa armigera) តាមរយៈការកំណត់ពីការសាយភាយក្នុងលំហ និងការរកទំហំគំរូដ៏ប្រសើរបំផុតសម្រាប់ការតាមដានសត្វល្អិតនេះដើម្បីកាត់បន្ថយថ្លៃដើម។
វិធីសាស្ត្រ (The Methodology)៖ ការស្រាវជ្រាវនេះត្រូវបានធ្វើឡើងតាមរយៈការពិសោធន៍ផ្ទាល់នៅចម្ការដំណាំកប្បាសដោយប្រើប្រាស់សន្ទស្សន៍ស្ថិតិគណិតវិទ្យាដើម្បីវិភាគការសាយភាយ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Variance-to-mean ratio (s²/x̄) សមាមាត្រវ៉ារ្យង់ទៅនឹងមធ្យមភាគ |
ជាសន្ទស្សន៍មូលដ្ឋាន និងសាមញ្ញបំផុតសម្រាប់វាយតម្លៃកម្រិតនៃការចែកចាយរបស់សត្វល្អិតប្រៀបធៀបនឹងទ្រឹស្តី Poisson។ | អាចរងឥទ្ធិពលពីទំហំនៃសំណាក និងមធ្យមភាគ ដែលជួនកាលធ្វើឱ្យការបកស្រាយមានភាពមិនច្បាស់លាស់។ | សន្ទស្សន៍នេះមានតម្លៃធំជាង ១ ស្ទើរតែគ្រប់ពេលវេលាយកសំណាក ដែលបញ្ជាក់ថាដង្កូវមានការចែកចាយបែបប្រមូលផ្តុំ (Clumped distribution)។ |
| Morisita’s Index (Iδ) សន្ទស្សន៍ម៉ូរីស៊ីតា |
មិនសូវរងឥទ្ធិពលពីទំហំគំរូ ទំហំមធ្យមភាគ និងប្រភេទនៃការចែកចាយ ធ្វើឱ្យវាមានភាពត្រឹមត្រូវខ្ពស់ជាងក្នុងការវាស់ស្ទង់ភាពប្រមូលផ្តុំ។ | ទាមទារការគណនាស្មុគស្មាញជាងវិធីសាស្ត្រ Variance-to-mean ratio បន្តិច។ | តម្លៃ Iδ ខ្ពស់រហូតដល់ ១០.៤០ លើដំណាំស្រោចស្រព និងទាបមកត្រឹម ១.២៧ លើដំណាំពឹងទឹកភ្លៀង ដែលបញ្ជាក់យ៉ាងច្បាស់ពីការប្រមូលផ្តុំ។ |
| Negative binomial parameter (k) ប៉ារ៉ាម៉ែត្រទ្វេធាអវិជ្ជមាន |
ជារង្វាស់ដ៏ល្អបំផុតដើម្បីកំណត់កម្រិតនៃការប្រមូលផ្តុំ (កាលណា k កាន់តែតូច ការប្រមូលផ្តុំកាន់តែខ្ពស់)។ | ការប៉ាន់ស្មានតម្លៃកម្រិត k អាចមានការលំបាក និងប្រែប្រួលខ្លាំងនៅពេលដង់ស៊ីតេសត្វល្អិតមានកម្រិតទាបពេក។ | ដង្កូវមានការប្រមូលផ្តុំខ្ពស់ (k=0.10) លើដំណាំស្រោចស្រព និងការប្រមូលផ្តុំទាប (k=3.92) លើដំណាំពឹងទឹកភ្លៀង។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការស្រាវជ្រាវនេះមិនទាមទារឧបករណ៍ពិសោធន៍ទំនើបៗនោះទេ ប៉ុន្តែទាមទារកម្លាំងពលកម្មច្រើនសម្រាប់ការចុះពិនិត្យដោយផ្ទាល់នៅតាមចម្ការជារៀងរាល់សប្តាហ៍។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅ Suwan Farm ខេត្ត Nakhon Ratchasima ប្រទេសថៃ ក្នុងចន្លោះឆ្នាំ ២០០០-២០០១។ ដោយសារប្រទេសថៃមានអាកាសធាតុ និងប្រភេទដីស្រដៀងនឹងប្រទេសកម្ពុជា លទ្ធផលនេះមានភាពពាក់ព័ន្ធខ្ពស់សម្រាប់អនុវត្ត។ ទោះជាយ៉ាងណា ការប្រែប្រួលអាកាសធាតុ និងការវិវត្តធន់នឹងថ្នាំសម្លាប់សត្វល្អិតក្នុងរយៈពេលជាង ២ ទសវត្សរ៍ចុងក្រោយ អាចតម្រូវឱ្យមានការធ្វើបច្ចុប្បន្នភាពទិន្នន័យឡើងវិញ។
លទ្ធផលនៃការសិក្សានេះមានសារៈសំខាន់ខ្លាំងណាស់សម្រាប់ការគ្រប់គ្រងសត្វល្អិតចង្រៃតាមបែបវិទ្យាសាស្ត្រ និងការអនុវត្តកសិកម្មច្បាស់លាស់ (Precision agriculture) នៅកម្ពុជា។
ការប្រើប្រាស់វិធីសាស្ត្រគណនាទំហំគំរូដ៏ប្រសើរបំផុតនេះ នឹងជួយកសិករកម្ពុជាឱ្យកាត់បន្ថយការពឹងផ្អែកលើការប៉ាន់ស្មានដោយភ្នែកទទេ ឈានទៅកាត់បន្ថយការប្រើប្រាស់ថ្នាំគីមីលើសកម្រិត និងការពារបរិស្ថាន។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Spatial Dispersion (ការសាយភាយក្នុងលំហ) | ជារបៀបដែលសត្វល្អិតរស់នៅរាយប៉ាយ ឬប្រមូលផ្តុំគ្នានៅទីតាំងណាមួយក្នុងចម្ការ ដែលជួយឲ្យយើងដឹងពីទម្លាប់នៃការរស់នៅរបស់វា និងងាយស្រួលក្នុងការចាត់វិធានការកម្ចាត់។ | ដូចជាការមើលពីលើអាកាសទៅឃើញផ្ទះអ្នកភូមិខ្លះនៅផ្តុំគ្នា (ប្រមូលផ្តុំ) ឯខ្លះទៀតនៅដាច់ៗពីគ្នា (ចៃដន្យ) អញ្ចឹងដែរ។ |
| Variance-to-mean ratio (សមាមាត្រវ៉ារ្យង់ទៅនឹងមធ្យមភាគ) | ជារង្វាស់ស្ថិតិដែលប្រៀបធៀបកម្រិតប្រែប្រួលនៃទិន្នន័យ (Variance) ទៅនឹងតម្លៃមធ្យមភាគ (Mean) ដើម្បីកំណត់ថាតើសត្វល្អិតរស់នៅផ្តុំគ្នា ឬនៅរាយប៉ាយដោយចៃដន្យ។ | ដូចជាការវាស់ស្ទង់មើលថាតើសិស្សក្នុងថ្នាក់ចូលចិត្តអង្គុយផ្តុំគ្នាជាក្រុម ឬអង្គុយរាយប៉ាយពេញថ្នាក់ដោយសេរី។ |
| Morisita’s Index (សន្ទស្សន៍ម៉ូរីស៊ីតា) | ជារូបមន្តគណិតវិទ្យាមួយសម្រាប់វាស់កម្រិតប្រមូលផ្តុំរបស់សត្វ ឬរុក្ខជាតិ ដែលមានភាពត្រឹមត្រូវខ្ពស់ព្រោះវាមិនសូវរងឥទ្ធិពលពីចំនួនសំណាកដែលយើងបានយកនោះទេ។ | ដូចជាជញ្ជីងថ្លឹងដែលមិនលម្អៀង ទោះបីជាយើងថ្លឹងរបស់តិច ឬច្រើនក៏ដោយ វានៅតែបង្ហាញទម្ងន់ពិតប្រាកដ។ |
| Negative binomial distribution (របាយទ្វេធាអវិជ្ជមាន) | ជាទម្រង់ស្ថិតិដែលគេប្រើដើម្បីពណ៌នាពីការចែកចាយរបស់សត្វល្អិតនៅពេលដែលពួកវាមានទំនោររស់នៅប្រមូលផ្តុំគ្នា (Aggregated) នៅកន្លែងតែមួយជាជាងនៅរាយប៉ាយ។ | ដូចជាការទស្សន៍ទាយថាបើមានសិស្សពូកែទី១អង្គុយនៅតុនេះ នោះប្រាកដជាមានសិស្សពូកែផ្សេងទៀតមកអង្គុយជុំគ្នានៅទីនេះដែរ។ |
| Stratified random sampling (ការយកសំណាកបែបចៃដន្យតាមស្រទាប់) | ជាវិធីសាស្ត្រចែកដីចម្ការជាផ្នែកៗ (ស្រទាប់) រួចទើបជ្រើសរើសដើមដំណាំដោយចៃដន្យនៅក្នុងផ្នែកនីមួយៗនោះ ដើម្បីធានាថាសំណាកតំណាងឲ្យផ្ទៃដីទាំងមូល។ | ដូចជាការកូរទឹកសម្លឲ្យសព្វមុននឹងដួសភ្លក់មួយស្លាបព្រា ដើម្បីប្រាកដថាបានភ្លក់រសជាតិពីគ្រប់ជ្រុងនៃឆ្នាំងពិតមែន។ |
| Optimum sample size (ទំហំគំរូដ៏ប្រសើរបំផុត) | ជាចំនួនសំណាកតិចតួចបំផុតដែលត្រូវប្រមូល ដើម្បីទទួលបានលទ្ធផលដែលអាចតំណាងឲ្យចំនួនសរុបប្រកបដោយភាពត្រឹមត្រូវ និងជួយសន្សំសំចៃពេលវេលានិងកម្លាំងពលកម្ម។ | ដូចជាការដឹងថាត្រូវសួរមតិសិស្សតែ ៣០ នាក់ប៉ុណ្ណោះ ទើបតំណាងឲ្យមតិរបស់សិស្សពេញមួយសាលា ដោយមិនចាំបាច់ដើរសួរគ្រប់គ្នាឡើយ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
