Original Title: Determining suitable meteorological drought and vegetation indices for monitoring drought and crop yield in Srepok River basin, Vietnam
Source: doi.org/10.34044/j.anres.2025.59.2.09
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original paper for full scientific accuracy.

ការកំណត់សន្ទស្សន៍គ្រោះរាំងស្ងួតឧតុនិយម និងរុក្ខជាតិដែលសមស្របសម្រាប់ការតាមដានគ្រោះរាំងស្ងួត និងទិន្នផលដំណាំនៅក្នុងអាងទន្លេសេប៉ុក (Srepok) ប្រទេសវៀតណាម

ចំណងជើងដើម៖ Determining suitable meteorological drought and vegetation indices for monitoring drought and crop yield in Srepok River basin, Vietnam

អ្នកនិពន្ធ៖ Huynh Cong Luc (Institute of Environmental Science, Engineering and Management, Industrial University of Ho Chi Minh City, Vietnam), Luong Van Viet (Institute of Environmental Science, Engineering and Management, Industrial University of Ho Chi Minh City, Vietnam), Bui Dang Hung (Institute of Environmental Science, Engineering and Management, Industrial University of Ho Chi Minh City, Vietnam)

ឆ្នាំបោះពុម្ព៖ 2025, Agriculture and Natural Resources

វិស័យសិក្សា៖ Agricultural Climatology

១. សេចក្តីសង្ខេបប្រតិបត្តិ (Executive Summary)

បញ្ហា (The Problem)៖ ការសិក្សានេះដោះស្រាយបញ្ហាផលប៉ះពាល់នៃគ្រោះរាំងស្ងួតទៅលើទិន្នផលដំណាំ ដោយស្វែងរកសន្ទស្សន៍ឧតុនិយម និងសន្ទស្សន៍រុក្ខជាតិដែលស័ក្តិសមបំផុតសម្រាប់ការតាមដាន និងផ្តល់ការព្រមានជាមុននៅក្នុងតំបន់អាងទន្លេសេប៉ុក (Srepok River basin) ប្រទេសវៀតណាម។

វិធីសាស្ត្រ (The Methodology)៖ ការស្រាវជ្រាវនេះបានប្រើប្រាស់ទិន្នន័យសង្កេតផ្ទាល់ និងទិន្នន័យពីផ្កាយរណបចាប់ពីឆ្នាំ ២០០០ ដល់ ២០២២ ដោយធ្វើការវិភាគមេគុណសហសម្ព័ន្ធសាមញ្ញ និងពហុគុណដើម្បីវាយតម្លៃទំនាក់ទំនងរវាងសន្ទស្សន៍ផ្សេងៗ និងទិន្នផលដំណាំ។

លទ្ធផលសំខាន់ៗ (The Verdict)៖

២. ការវិភាគលើប្រសិទ្ធភាព និងដែនកំណត់ (Performance & Constraints)

វិធីសាស្ត្រ (Method) គុណសម្បត្តិ (Pros) គុណវិបត្តិ (Cons) លទ្ធផលគន្លឹះ (Key Result)
Standardized Precipitation Index (SPI)
សន្ទស្សន៍ទឹកភ្លៀងស្តង់ដារ		 អាចកំណត់រង្វាស់ពេលវេលាខុសៗគ្នា (១-១៣ខែ) សម្រាប់តម្រូវតាមប្រភេទដំណាំ និងមានទំនាក់ទំនងល្អបំផុតជាមួយទិន្នផលដំណាំព្រមទាំងសុខភាពរុក្ខជាតិ។ ត្រូវការទិន្នន័យទឹកភ្លៀងរយៈពេលវែង និងមិនបានពិចារណាលើកត្តារំហួតទឹក (Evapotranspiration)។ សន្ទស្សន៍ SPI រយៈពេល ៥ខែ (SPI5) គឺជាជម្រើសដ៏ល្អបំផុតសម្រាប់ការព្រមានទិន្នផលកាហ្វេមុន ៩ខែ និងទិន្នផលស្រូវមុន ៣ខែ។
Vegetation Health Index (VHI)
សន្ទស្សន៍សុខភាពរុក្ខជាតិ		 រួមបញ្ចូលទាំងកត្តាសីតុណ្ហភាពផ្ទៃដី និងស្ថានភាពភាពបៃតងរបស់រុក្ខជាតិ ដែលឆ្លុះបញ្ចាំងពីផលប៉ះពាល់នៃគ្រោះរាំងស្ងួតបានទូលំទូលាយ។ ទាមទារទិន្នន័យពីផ្កាយរណប (NDVI និង LST) ដែលអាចរងផលប៉ះពាល់ពីគម្របពពក និងត្រូវការប្រព័ន្ធកុំព្យូទ័រធំសម្រាប់ទាញយកទិន្នន័យ។ ការផ្គូផ្គងសន្ទស្សន៍ VHI ជាមួយនឹង SPI រយៈពេល ៦ខែ (SPI6) គឺមានប្រសិទ្ធភាពបំផុតសម្រាប់ការតាមដានគ្រោះរាំងស្ងួតនារដូវប្រាំង។
Effective Drought Index (EDI)
សន្ទស្សន៍គ្រោះរាំងស្ងួតដែលមានប្រសិទ្ធភាព		 ល្អសម្រាប់ការតាមដានកម្រិតគ្រោះរាំងស្ងួតរយៈពេលខ្លី ដោយវាគណនាផ្អែកលើបរិមាណទឹកភ្លៀងប្រចាំថ្ងៃ។ មានទំនាក់ទំនងខ្សោយជាមួយទិន្នផលដំណាំកាហ្វេ និងស្រូវ បើប្រៀបធៀបទៅនឹង SPI ទើបធ្វើឱ្យវាមិនសូវមានប្រសិទ្ធភាពក្នុងការព្រាករណ៍។ មានទំនាក់ទំនងទាបជាង SPI ជាមួយសន្ទស្សន៍រុក្ខជាតិ និងទិន្នផលដំណាំ ដូច្នេះវាមិនត្រូវបានផ្តល់អាទិភាពសម្រាប់ការតាមដាននោះទេ។

ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តវិធីសាស្ត្រនេះទាមទារនូវការរួមបញ្ចូលគ្នារវាងទិន្នន័យទឹកភ្លៀងពីស្ថានីយផ្ទាល់ និងទិន្នន័យពីផ្កាយរណប ព្រមទាំងកម្មវិធីកុំព្យូទ័រសម្រាប់ការគណនា និងវិភាគទិន្នន័យលំហ។

៣. ការពិនិត្យសម្រាប់បរិបទកម្ពុជា/អាស៊ីអាគ្នេយ៍

ភាពលំអៀងនៃទិន្នន័យ (Data Bias)៖

ការសិក្សានេះត្រូវបានធ្វើឡើងនៅក្នុងតំបន់អាងទន្លេសេប៉ុក នៃប្រទេសវៀតណាម ដោយប្រើប្រាស់ទិន្នន័យពីឆ្នាំ ២០០០ ដល់ ២០២២ ខណៈមួយផ្នែកនៃទន្លេនេះហូរចូលមកប្រទេសកម្ពុជា។ ទិន្នន័យជាក់ស្តែងភាគច្រើនគឺយកពីស្ថានីយឧតុនិយមរបស់វៀតណាម។ នេះមានសារៈសំខាន់ខ្លាំងសម្រាប់កម្ពុជា ដោយសារតំបន់ខ្ពង់រាបភាគឦសាន (មណ្ឌលគិរី រតនគិរី) មានអាកាសធាតុប្រភេទមូសុង ដីក្រហម និងប្រភេទដំណាំសេដ្ឋកិច្ចស្រដៀងគ្នាទាំងស្រុង។

លទ្ធភាពនៃការអនុវត្ត (Applicability)៖

វិធីសាស្ត្រនៃការប្រើប្រាស់សន្ទស្សន៍ SPI រួមជាមួយ VHI នេះមានអត្ថប្រយោជន៍ និងអាចអនុវត្តបានយ៉ាងជោគជ័យសម្រាប់ប្រទេសកម្ពុជា ជាពិសេសក្នុងប្រព័ន្ធប្រកាសអាសន្នជាមុន (Early Warning System)។

ជារួម ការអនុវត្តតាមវិធីសាស្រ្តស្រាវជ្រាវនេះ អាចជួយកម្ពុជាក្នុងការកាត់បន្ថយហានិភ័យបាត់បង់ទិន្នផលដំណាំ ដោយផ្តល់ពេលវេលាគ្រប់គ្រាន់ (៣ ទៅ ៩ខែ) សម្រាប់ស្ថាប័នពាក់ព័ន្ធ និងកសិករក្នុងការត្រៀមលក្ខណៈទប់ទល់។

៤. ផែនការសកម្មភាពសម្រាប់និស្សិត (Actionable Roadmap)

ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖

  1. ការទាញយកទិន្នន័យផ្កាយរណបជាមូលដ្ឋាន: និស្សិតគួរចាប់ផ្តើមរៀនប្រើប្រាស់ថ្នាល Google Earth Engine (GEE) ឬ USGS EarthExplorer ដើម្បីទាញយកទិន្នន័យ MODIS (NDVI, LST) ដោយប្រើកូដ JavaScript ឬ Python ដើម្បីដំណើរការទិន្នន័យក្នុងទ្រង់ទ្រាយធំដោយមិនបាច់ប្រើកុំព្យូទ័រកម្លាំងខ្លាំងផ្ទាល់ខ្លួន។
  2. ការគណនាសន្ទស្សន៍ឧតុនិយមគ្រោះរាំងស្ងួត: ប្រើប្រាស់ភាសា Python ជាពិសេសបណ្ណាល័យ climate-indices ឬ scipy ដើម្បីសរសេរកូដគណនាសន្ទស្សន៍ SPI (Standardized Precipitation Index) និង EDI ដោយប្រើប្រាស់ទិន្នន័យទឹកភ្លៀងប្រចាំខែពីស្ថានីយឧតុនិយមក្នុងស្រុក។
  3. ការរួមបញ្ចូលនិងវិភាគប្រព័ន្ធព័ត៌មានភូមិសាស្រ្ត (GIS): ប្រើប្រាស់កម្មវិធី QGIS ឬ ArcGIS Pro ដើម្បីធ្វើការត្រួតស៊ីគ្នា (Overlay analysis) រវាងផែនទីសន្ទស្សន៍គ្រោះរាំងស្ងួត ផែនទីសុខភាពរុក្ខជាតិ (VHI) និងផែនទីប្រើប្រាស់ដីធ្លី (LULC) ដើម្បីទាញយកទិន្នន័យតាមប្រភេទដំណាំនីមួយៗ។
  4. ការបង្កើតម៉ូដែលព្យាករណ៍ទិន្នផលដំណាំ: ប្រមូលទិន្នន័យទិន្នផលកសិកម្មពីមន្ទីរកសិកម្មខេត្ត រួចប្រើប្រាស់វិធីសាស្ត្រស្ថិតិ Multiple Correlation Analysis ឬ Machine Learning (e.g., Random Forest) តាមរយៈបណ្ណាល័យ scikit-learn ក្នុង Python ដើម្បីបង្កើតម៉ូដែលរកទំនាក់ទំនង និងព្យាករណ៍ទិន្នផលនៅរដូវកាលបន្ទាប់។

៥. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស ការពន្យល់ជាខេមរភាសា (Khmer Explanation) និយមន័យសាមញ្ញ (Simple Definition)
Standardized Precipitation Index (SPI) (សន្ទស្សន៍ទឹកភ្លៀងស្តង់ដារ) ជារង្វាស់ស្ថិតិដែលប្រៀបធៀបបរិមាណទឹកភ្លៀងជាក់ស្តែងក្នុងរយៈពេលណាមួយទៅនឹងបរិមាណទឹកភ្លៀងមធ្យមជាប្រវត្តិសាស្ត្រ ដើម្បីកំណត់ថាតើតំបន់នោះមានភាពស្ងួត ឬសើមខុសធម្មតាកម្រិតណា។ ដូចជាការប្រៀបធៀបពិន្ទុប្រឡងរបស់អ្នកខែនេះទៅនឹងពិន្ទុមធ្យមរបស់អ្នករាល់ខែ ដើម្បីដឹងថាអ្នកធ្វើបានល្អជាង ឬអន់ជាងធម្មតា។
Effective Drought Index (EDI) (សន្ទស្សន៍គ្រោះរាំងស្ងួតដែលមានប្រសិទ្ធភាព) ជារង្វាស់ដែលគណនាផ្អែកលើបរិមាណទឹកភ្លៀងប្រចាំថ្ងៃប្រមូលផ្តុំ ដោយផ្តោតលើបរិមាណទឹកដែលនៅសេសសល់ក្នុងដី (Effective rainfall) ដើម្បីវាយតម្លៃភាពរាំងស្ងួតរយៈពេលខ្លី។ ដូចជាការតាមដានលុយសល់ក្នុងកាបូបប្រចាំថ្ងៃបន្ទាប់ពីចំណាយរួច ដើម្បីដឹងថាអ្នកកំពុងខ្វះលុយចាយឬអត់។
Vegetation Health Index (VHI) (សន្ទស្សន៍សុខភាពរុក្ខជាតិ) ជាសន្ទស្សន៍ដែលរួមបញ្ចូលគ្នារវាងសីតុណ្ហភាពផ្ទៃដី (TCI) និងភាពបៃតងរបស់រុក្ខជាតិ (VCI) ដើម្បីវាយតម្លៃពីកម្រិតស្ត្រេស ឬសុខភាពទូទៅរបស់ដំណាំនៅពេលមានគ្រោះរាំងស្ងួត។ ដូចជាការវាស់កម្តៅ និងមើលពណ៌សម្បុរមុខអ្នកជំងឺ ដើម្បីវាយតម្លៃថាតើគាត់មានសុខភាពល្អ ឬកំពុងឈឺ។
Normalized Difference Vegetation Index (NDVI) (សន្ទស្សន៍ភាពខុសគ្នានៃរុក្ខជាតិបៃតង) ជារង្វាស់ទាញចេញពីរូបភាពផ្កាយរណប ដែលប្រើប្រាស់ចំណាំងផ្លាតនៃពន្លឺ (ពន្លឺក្រហម និងអ៊ីនហ្វ្រារ៉េដជិត) ដើម្បីគណនាពីដង់ស៊ីតេ និងភាពបៃតងស្រស់របស់រុក្ខជាតិនៅលើផែនដី។ ដូចជាការប្រើកាមេរ៉ាពិសេសថតមើលពីលើមេឃ ដើម្បីស្កេនរកមើលថាតើកន្លែងណាមានដើមឈើដុះក្រាស់ និងបៃតងល្អ។
Land Surface Temperature (LST) (សីតុណ្ហភាពផ្ទៃដី) ជាកម្រិតសីតុណ្ហភាពនៃផ្ទៃដីខាងលើបង្អស់ដែលត្រូវបានវាស់ដោយឧបករណ៍សេនស័ររបស់ផ្កាយរណប ដែលវាមានសារៈសំខាន់ក្នុងការវាយតម្លៃរំហួតទឹក និងកម្រិតភាពរាំងស្ងួត។ ដូចជាការយកទែម៉ូម៉ែត្រទៅស្ទាបវាស់កម្តៅផ្ទាល់នៅលើវាលស្រែ ឬដីចម្ការ។
Lag time (ពេលវេលាធ្លាក់ចុះ ឬ ពេលវេលាយឺតយ៉ាវ) នៅក្នុងការសិក្សានេះ វាសំដៅទៅលើចំនួនខែមុនពេលប្រមូលផលដែលអាកាសធាតុ (ដូចជាទឹកភ្លៀង) មានឥទ្ធិពលខ្លាំងបំផុតទៅលើការកំណត់ទិន្នផលដំណាំនាពេលអនាគត។ ដូចជាការសង្កេតមើលថាតើការខំប្រឹងរៀនមុនប្រឡង ៣ខែ ឬ ៩ខែ មួយណាធ្វើឱ្យអ្នកប្រឡងជាប់បានពិន្ទុល្អជាង។

៦. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖