បញ្ហា (The Problem)៖ ការស្រាវជ្រាវនេះមានគោលបំណងដោះស្រាយបញ្ហានៃការប៉ាន់ប្រមាណប្រសិទ្ធភាពដំណាំមើមស្ពៃផ្អែម (Sugar beet) ក្រោមលក្ខខណ្ឌកម្រិតជីអាសូត (Nitrogen) ផ្សេងៗគ្នា តាមរយៈវិធីសាស្ត្ររហ័សនិងមិនបំផ្លាញដំណាំ ដើម្បីផ្តល់អត្ថប្រយោជន៍ទាំងផ្នែកសេដ្ឋកិច្ច និងបរិស្ថានក្នុងវិស័យកសិកម្មសុក្រឹត (Precision agriculture)។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានធ្វើការវាយតម្លៃលើទីវាលផ្ទាល់ ដោយរួមបញ្ចូលការប្រមូលទិន្នន័យពីសន្ទស្សន៍វិសាលគម (Spectral indices) រួមជាមួយនឹងម៉ូដែលរៀនម៉ាស៊ីន ដើម្បីទស្សន៍ទាយពីកម្រិតលូតលាស់និងគុណភាពដំណាំ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| 2D-SRIs with GBR ការរួមបញ្ចូលសន្ទស្សន៍វិសាលគម២កម្រិតជាមួយម៉ូដែល GBR |
មានភាពងាយស្រួលក្នុងការគណនាដោយប្រើប្រាស់រលកពន្លឺត្រឹមតែ២កម្រិត (bands) និងប្រើប្រាស់សន្ទស្សន៍ដែលមានស្រាប់ទូទៅ។ | មានភាពសុក្រឹតទាបជាងសន្ទស្សន៍ ៣កម្រិត និងងាយរងឥទ្ធិពលពីកត្តាខាងក្រៅ (ដូចជាពន្លឺ ឬផ្ទៃដីចម្ការ)។ | ទទួលបានតម្លៃ R² សម្រាប់ការទស្សន៍ទាយលើទិន្នន័យសាកល្បង (Testing data) ទាបជាងម៉ូដែលដទៃ។ |
| 3D-SRIs with GBR ការរួមបញ្ចូលសន្ទស្សន៍វិសាលគម៣កម្រិតដែលទើបអភិវឌ្ឍថ្មីជាមួយម៉ូដែល GBR |
មានសមត្ថភាពខ្ពស់ក្នុងការចាប់យកព័ត៌មានលម្អិតពីរលកពន្លឺ (Visible, Red-edge, និង NIR) ធ្វើឱ្យមានភាពធន់នឹងបញ្ហារំខានផ្សេងៗ។ | តម្រូវឱ្យមានការគណនាស្មុគស្មាញជាងមុនក្នុងការផ្សំរលកពន្លឺ៣កម្រិតចូលគ្នា ដើម្បីស្វែងរកសន្ទស្សន៍ល្អបំផុត (Optimization)។ | បង្ហាញពីទំនាក់ទំនងខ្លាំង និងមធ្យម (R² = 0.65–0.89) ជាមួយប៉ារ៉ាម៉ែត្រទាំងអស់។ |
| ASRIs with GBR ការរួមបញ្ចូលសន្ទស្សន៍វិសាលគមសរុប (Aggregate of All SRIs) ជាមួយម៉ូដែល GBR |
ផ្តល់នូវភាពសុក្រឹតនិងប្រសិទ្ធភាពខ្ពស់បំផុត ដោយមានការចម្រាញ់យកលក្ខណៈពិសេស (Feature Selection) ចេញពីទិន្នន័យរលកពន្លឺច្រើនប្រភេទ។ | ទាមទារថាមពលកុំព្យូទ័រខ្ពស់បន្តិចសម្រាប់ការកែតម្រូវ Hyperparameters និងការពារកុំឱ្យមានការទន្ទេញទិន្នន័យ (Overfitting)។ | ទទួលបានភាពសុក្រឹតខ្ពស់បំផុតក្នុងការទស្សន៍ទាយកម្រិតជាតិស្ករ (SC) ដោយមាន R² = 0.78 និង RMSE = 6.294 សម្រាប់ទិន្នន័យ Testing។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការស្រាវជ្រាវនេះតម្រូវឱ្យមានឧបករណ៍វាស់ចំណាំងផ្លាតវិសាលគម (Spectroradiometer) ជាចាំបាច់ ព្រមទាំងកុំព្យូទ័រលំដាប់មធ្យមសម្រាប់ដំណើរការម៉ូដែលរៀនម៉ាស៊ីន។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅតំបន់ Al Nubaria នៃប្រទេសអេស៊ីប ដែលមានអាកាសធាតុពាក់កណ្តាលស្ងួត (Semiarid) និងជាប្រភេទដីល្បាយខ្សាច់ (Sand loam) ដោយប្រើប្រាស់ពូជមើមស្ពៃផ្អែមពីដាណឺម៉ាក។ សម្រាប់ប្រទេសកម្ពុជាដែលមានអាកាសធាតុត្រូពិចក្ដៅសើម និងប្រភេទដីឥដ្ឋឬដីល្បាប់ វាអាចនឹងធ្វើឱ្យចំណាំងផ្លាតវិសាលគមមានភាពខុសគ្នា ដែលតម្រូវឱ្យមានការប្រមូលទិន្នន័យក្នុងស្រុកដើម្បីបណ្តុះបណ្តាលម៉ូដែលឡើងវិញ។
ទោះបីជាប្រទេសកម្ពុជាមិនមែនជាប្រទេសដាំដុះដំណាំមើមស្ពៃផ្អែម (Sugar beet) ក៏ពិតមែន ប៉ុន្តែវិធីសាស្ត្រក្នុងការតាមដានជីអាសូតតាមរយៈម៉ូដែលរៀនម៉ាស៊ីននេះ គឺមានសារៈសំខាន់ខ្លាំងណាស់សម្រាប់វិស័យកសិកម្មសុក្រឹតនៅកម្ពុជា។
សរុបសេចក្តីមក ការសហការរវាងបច្ចេកវិទ្យា Remote Sensing និង Machine Learning នេះគឺជាគន្លឹះឆ្ពោះទៅរកការអនុវត្តកសិកម្មឆ្លាតវៃដែលអាចជួយកសិករកម្ពុជាបង្កើនទាំងទិន្នផលនិងគុណភាព។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Gradient boosting regression (GBR) | ជាក្បួនដោះស្រាយរៀនម៉ាស៊ីន (Machine Learning) ដែលបង្កើតម៉ូដែលព្យាករណ៍ទិន្នន័យដោយការបូកបញ្ចូលមែកធាងសេចក្តីសម្រេច (Decision trees) តូចៗជាច្រើនតាមលំដាប់លំដោយ។ មែកធាងថ្មីៗនីមួយៗត្រូវបានបង្កើតឡើងដើម្បីកែតម្រូវកំហុសរបស់អ្នកមុនៗ ធ្វើឱ្យលទ្ធផលព្យាករណ៍ចុងក្រោយមានភាពសុក្រឹតខ្ពស់។ | ដូចជាការធ្វើការងារជាក្រុម ដែលសមាជិកម្នាក់ៗតាមជួយកែតម្រូវចំណុចខ្វះខាតរបស់គ្នាជាបន្តបន្ទាប់ រហូតទទួលបានលទ្ធផលការងារដ៏ល្អឥតខ្ចោះមួយ។ |
| Spectral reflectance indices (SRIs) | ជារូបមន្តគណិតវិទ្យាដែលផ្សំឡើងពីភាគរយនៃចំណាំងផ្លាតពន្លឺពីស្លឹករុក្ខជាតិក្នុងរលកពន្លឺជាក់លាក់ ដើម្បីយកមកវាយតម្លៃពីសុខភាពរបស់រុក្ខជាតិ ដូចជាបរិមាណក្លរ៉ូហ្វីល កម្រិតទឹក ឬកម្រិតជីអាសូត ដោយមិនបាច់កាត់ស្លឹកយកទៅពិសោធន៍។ | ដូចជាការប្រើប្រាស់កញ្ចក់ឆ្លុះសាច់ពណ៌ដើម្បីមើលថាតើមនុស្សម្នាក់មានជំងឺស្លេកស្លាំងឬអត់ ដោយមិនចាំបាច់បូមឈាម។ |
| Precision agriculture | ជាការធ្វើកសិកម្មបែបទំនើបដែលប្រើប្រាស់បច្ចេកវិទ្យា (ដូចជាសេនស័រ កាមេរ៉ាដ្រូន ឬប្រព័ន្ធ AI) ដើម្បីតាមដាន និងផ្តល់ទឹក ឬជីដល់ដំណាំក្នុងបរិមាណដ៏ត្រឹមត្រូវ និងចំទីតាំងដែលត្រូវការ ដើម្បីទទួលបានទិន្នផលខ្ពស់និងកាត់បន្ថយការខ្ជះខ្ជាយ។ | ដូចជាការឱ្យថ្នាំពេទ្យទៅអ្នកជំងឺតាមកម្រិតដែលពេទ្យសរសេរឱ្យចំៗរោគសញ្ញា ជាជាងការឱ្យថ្នាំទូទៅទៅមនុស្សគ្រប់គ្នាស្មើៗគ្នា។ |
| Hyperspectral remote sensing | ជាបច្ចេកវិទ្យាចាប់យករូបភាពដែលអាចបំបែកពន្លឺជាច្រើនរយពណ៌ (រលកពន្លឺតូចៗបន្តបន្ទាប់គ្នា) ដែលភ្នែកមនុស្សមើលមិនឃើញ ដើម្បីវិភាគឱ្យដឹងស៊ីជម្រៅពីសមាសធាតុគីមី និងរចនាសម្ព័ន្ធខាងក្នុងរបស់ស្លឹករុក្ខជាតិ។ | ដូចជាការថតកាំរស្មីអ៊ិច (X-ray) ដែលអាចមើលធ្លុះដល់សមាសធាតុខាងក្នុង ជាជាងការថតរូបភាពពីខាងក្រៅដោយប្រើកាមេរ៉ាទូរស័ព្ទធម្មតា។ |
| Leave-one-out cross-validation (LOOCV) | ជាវិធីសាស្ត្រក្នុងការវាយតម្លៃសមត្ថភាពម៉ូដែលកុំព្យូទ័រ ដោយយកទិន្នន័យទាំងអស់មកបង្រៀនម៉ូដែល (Train) លើកលែងតែទិន្នន័យ១ប៉ុណ្ណោះដែលត្រូវទុកសម្រាប់ធ្វើតេស្តសាកល្បង (Test) ហើយដំណើរការនេះត្រូវធ្វើឡើងវិញរហូតដល់ទិន្នន័យគ្រប់ដុំត្រូវបានយកមកធ្វើតេស្ត។ | ដូចជាការរៀនត្រៀមប្រឡង ដោយសិស្សលាក់លំហាត់មួយទុកធ្វើជាវិញ្ញាសាសាកល្បងសមត្ថភាពខ្លួនឯង ហើយប្តូរលំហាត់នោះម្តងមួយៗរហូតអស់ពីសៀវភៅ។ |
| Red-edge | ជាតំបន់រលកពន្លឺនៃវិសាលគមចន្លោះពណ៌ក្រហម និងកាំរស្មីជិតអ៊ីនហ្វ្រារ៉េដ (ចន្លោះ 660-770 nm) ដែលចំណាំងផ្លាតរបស់រុក្ខជាតិមានការកើនឡើងយ៉ាងគំហុក។ កម្រិតរលកពន្លឺនេះមានភាពរសើបខ្លាំងបំផុតក្នុងការទាញយកព័ត៌មានពីកម្រិតក្លរ៉ូហ្វីលរបស់រុក្ខជាតិ។ | ដូចជាការចាប់សញ្ញាជីពចរដើម្បីដឹងពីចង្វាក់បេះដូងមនុស្ស ព្រោះចំណាំងផ្លាតពន្លឺនៅតំបន់នេះប្រាប់ពីកម្រិតសុខភាពស្លឹកឈើបានច្បាស់ជាងគេ។ |
| Hyperparameters | ជាប៉ារ៉ាម៉ែត្រ ឬតម្លៃកំណត់ជាមុន (Settings) ដែលអ្នកសរសេរកូដត្រូវបញ្ជាក់ឱ្យហើយ មុនពេលឱ្យម៉ូដែលម៉ាស៊ីន (Machine Learning) ចាប់ផ្តើមរៀនពីទិន្នន័យ ដើម្បីគ្រប់គ្រងល្បឿន និងរបៀបនៃការគណនារបស់ម៉ូដែលនោះកុំឱ្យលម្អៀង។ | ដូចជាការកំណត់កម្រិតកម្តៅ និងពេលវេលានៅលើម៉ាស៊ីនអាំងនំប៉័ង មុនពេលយើងចុចប៊ូតុងឱ្យវាចាប់ផ្តើមដុត។ |
| Near-infrared (NIR) | ជាប្រភេទកាំរស្មីពន្លឺដែលភ្នែកមនុស្សមើលមិនឃើញ (មានប្រវែងរលកពី 700-1100 nm)។ សម្រាប់រុក្ខជាតិ ការចំណាំងផ្លាតនៃពន្លឺប្រភេទនេះអាចជួយឱ្យគេដឹងពីសភាពរចនាសម្ព័ន្ធកោសិកា (Mesophyll) នៅខាងក្នុងរបស់ស្លឹក និងកម្រិតជាតិទឹក។ | ដូចជាការប្រើវ៉ែនតាស៊ីបមើលពេលយប់ (Night vision) ដែលជួយចាប់យកសញ្ញាកម្ដៅ ដែលភ្នែកទទេរបស់យើងមិនអាចមើលឃើញ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
