បញ្ហា (The Problem)៖ កំណើនប្រជាជននិងការប្រែប្រួលអាកាសធាតុបានធ្វើឱ្យធនធានទឹកសម្រាប់វិស័យកសិកម្មមានការខ្វះខាត ដែលទាមទារឱ្យមានការផ្លាស់ប្តូរពីការស្រោចស្រពបែបប្រពៃណីទៅជាប្រព័ន្ធស្រោចស្រពឆ្លាតវៃ និងច្បាស់លាស់។
វិធីសាស្ត្រ (The Methodology)៖ ឯកសារនេះបានធ្វើការពិនិត្យឡើងវិញជាប្រព័ន្ធ (Systematic Review) ទៅលើការសិក្សាស្រាវជ្រាវក្នុងរយៈពេល៤ឆ្នាំចុងក្រោយ ទាក់ទងនឹងបច្ចេកវិទ្យាដែលប្រើប្រាស់សម្រាប់ការស្រោចស្រពឆ្លាតវៃ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| K-Nearest Neighbors (KNN) ក្បួនដោះស្រាយយន្តរៀន K-Nearest Neighbor (KNN) រួមជាមួយ IoT |
ជាម៉ូដែលងាយស្រួលយល់ និងអនុវត្ត មិនត្រូវការការសន្មតជាមុនលើការចែកចាយទិន្នន័យ (Non-parametric) សមស្របសម្រាប់ការសម្រេចចិត្តផ្អែកលើទិន្នន័យឧបករណ៍ចាប់សញ្ញា។ | ត្រូវការដំណើរការលើទិន្នន័យទាំងអស់រាល់ពេលធ្វើការទស្សន៍ទាយ ដែលអាចស៊ីធនធានគណនា និងពេលវេលាយូរប្រសិនបើសំណុំទិន្នន័យមានទំហំធំ។ | ទទួលបានភាពត្រឹមត្រូវរហូតដល់ ៩៨.៣% ជាមួយនឹងតម្លៃកំហុស (RMSE) ត្រឹមតែ ០.១២ ក្នុងការទស្សន៍ទាយតម្រូវការទឹកផ្អែកលើទិន្នន័យសំណើមដីនិងសីតុណ្ហភាព។ |
| Random Forest (RF) ក្បួនដោះស្រាយ Random Forest (RF) សម្រាប់ចាត់ថ្នាក់ទិន្នន័យស្រោចស្រព |
មានភាពសុក្រឹតនិងស្ថិរភាពខ្ពស់ អាចទប់ស្កាត់បញ្ហា Overfitting និងមានសមត្ថភាពខ្ពស់ក្នុងការគ្រប់គ្រងសំណុំទិន្នន័យអាកាសធាតុចម្រុះ។ | ទាមទារថាមពលកុំព្យូទ័រខ្ពស់ជាង Decision Trees ធម្មតា និងមានលក្ខណៈស្មុគស្មាញពិបាកក្នុងការបកស្រាយដំណើរការខាងក្នុង (Black-box)។ | សម្រេចបានភាពត្រឹមត្រូវខ្ពស់បំផុតរហូតដល់ ៩៩.៩៨% និង F1 score ៩៩.៩% ក្នុងការចាត់ថ្នាក់ស្ថានភាពឧបករណ៍ស្រោចស្រព (បើក/បិទ)។ |
| Convolutional Neural Networks (CNN) / Deep Learning បណ្ដាញសរសៃប្រសាទសិប្បនិម្មិត (CNN) សម្រាប់ការវិភាគរូបភាព |
មានសមត្ថភាពខ្ពស់ក្នុងការទាញយកលក្ខណៈពិសេសដោយស្វ័យប្រវត្តិពីរូបភាពថតដោយដ្រូន (UAV) និងកាមេរ៉ា ដើម្បីកំណត់តំបន់ដីដែលខ្វះទឹកយ៉ាងជាក់លាក់។ | ទាមទារសំណុំទិន្នន័យរូបភាពគុណភាពខ្ពស់យ៉ាងច្រើន ត្រូវការម៉ាស៊ីនដែលមានកម្លាំងខ្លាំង (GPU) និងប្រើពេលវេលាហ្វឹកហាត់ម៉ូដែលយូរ។ | ម៉ូដែលដូចជា AlexNet ទទួលបានពិន្ទុ F1-score រហូតដល់ ០.៩៩៧៣ ក្នុងការកំណត់ចំណាត់ថ្នាក់តម្រូវការទឹកតាមរយៈវាយតម្លៃវាយនភាពដី។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តប្រព័ន្ធស្រោចស្រពឆ្លាតវៃទាមទារការវិនិយោគដំបូងលើឧបករណ៍រឹង (Hardware) ប្រព័ន្ធទំនាក់ទំនង និងចំណេះដឹងបច្ចេកទេស ប៉ុន្តែអាចជួយសន្សំសំចៃថ្លៃទឹក និងកម្លាំងពលកម្មក្នុងរយៈពេលវែង។
ការសិក្សាដែលត្រូវបានពិនិត្យឡើងវិញភាគច្រើនធ្វើឡើងដោយប្រើសំណុំទិន្នន័យអាកាសធាតុ និងប្រភេទដីនៅក្នុងប្រទេសជឿនលឿន ឬប្រទេសចិន (ឧទាហរណ៍ Yulin Station) ជាដើម។ សម្រាប់ប្រទេសកម្ពុជា ការយកម៉ូដែលទាំងនេះមកប្រើប្រាស់ដោយផ្ទាល់អាចជួបបញ្ហាភាពមិនត្រឹមត្រូវ ដោយសារលក្ខខណ្ឌអាកាសធាតុរដូវមូសុងក្ដៅសើម និងប្រភេទដីកសិកម្មរាប់ចាប់ពីដីល្បាយខ្សាច់ រហូតដល់ដីឥដ្ឋនៅតំបន់ជុំវិញបឹងទន្លេសាប។ ដូច្នេះ ការប្រមូលទិន្នន័យក្នុងស្រុកដើម្បីបង្ហាត់ម៉ូដែលឡើងវិញ គឺជារឿងចាំបាច់បំផុត។
បច្ចេកវិទ្យា AI និង IoT នៅក្នុងឯកសារនេះ មានសក្ដានុពលខ្ពស់ខ្លាំងក្នុងការផ្លាស់ប្តូរវិស័យកសិកម្មកម្ពុជាឱ្យកាន់តែមានភាពធន់នឹងការប្រែប្រួលអាកាសធាតុ និងកង្វះខាតប្រភពទឹក។
ទោះបីជាការចំណាយដំបូងក្នុងការដំឡើងឧបករណ៍ និងកង្វះខាតចំណេះដឹងឌីជីថលរបស់កសិករនៅជាឧបសគ្គក្តី ប៉ុន្តែការជំរុញការប្រើប្រាស់បច្ចេកវិទ្យាទាំងនេះ គឺជាយុទ្ធសាស្ត្រមិនអាចខ្វះបានដើម្បីធានាសន្តិសុខស្បៀង និងបង្កើនប្រាក់ចំណេញផ្នែកកសិកម្មនៅកម្ពុជា។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Internet of Things (IoT) | បណ្ដាញនៃឧបករណ៍រូបវន្ត (ដូចជាឧបករណ៍ចាប់សញ្ញាអាកាសធាតុ និងម៉ាស៊ីនបូមទឹក) ដែលអាចភ្ជាប់ និងផ្លាស់ប្តូរទិន្នន័យគ្នាទៅវិញទៅមកតាមរយៈអ៊ីនធឺណិត ដើម្បីត្រួតពិនិត្យ និងបញ្ជាប្រព័ន្ធស្រោចស្រពដោយស្វ័យប្រវត្តិដោយមិនចាំបាច់មានការអន្តរាគមន៍ពីមនុស្ស។ | ដូចជាការផ្តល់ 'ប្រព័ន្ធសរសៃប្រសាទ' ដល់កសិដ្ឋាន ដើម្បីឱ្យម៉ាស៊ីនបូមទឹក និងឧបករណ៍វាស់សំណើមដីអាចនិយាយឆ្លើយឆ្លងគ្នា និងធ្វើការរួមគ្នាបាន។ |
| Machine learning (ML) | ក្បួនដោះស្រាយដែលអនុញ្ញាតឱ្យកុំព្យូទ័ររៀនពីទិន្នន័យចាស់ៗ (ដូចជាប្រវត្តិអាកាសធាតុ និងកម្រិតសំណើមដី) ដើម្បីធ្វើការទស្សន៍ទាយ និងសម្រេចចិត្តថាតើពេលណាគួរស្រោចទឹក ដោយមិនចាំបាច់សរសេរកូដបញ្ជាជាក់លាក់សម្រាប់គ្រប់លក្ខខណ្ឌទាំងអស់។ | ដូចជាការបង្រៀនកូនក្មេងឱ្យស្គាល់សត្វឆ្កែ ដោយបង្ហាញរូបភាពសត្វឆ្កែជាច្រើនសន្លឹក ជាជាងការពន្យល់ប្រាប់ពីលក្ខណៈរូបរាងរបស់វាតាមទ្រឹស្តី។ |
| Convolutional Neural Network (CNN) | ប្រភេទបណ្ដាញសរសៃប្រសាទសិប្បនិម្មិតកម្រិតខ្ពស់ដែលត្រូវបានរចនាឡើងជាពិសេសសម្រាប់ការវិភាគទិន្នន័យជារូបភាព (ឧទាហរណ៍ រូបភាពថតពីដ្រូន) ដើម្បីកំណត់អត្តសញ្ញាណតំបន់ដីស្ងួត ឬវាយតម្លៃតម្រូវការទឹករបស់រុក្ខជាតិ។ | ដូចជាភ្នែកវេទមន្តដែលអាចមើលរូបថតចម្ការមួយសន្លឹក ហើយចង្អុលបង្ហាញភ្លាមៗថាកន្លែងណាខ្វះទឹកដោយគ្រាន់តែមើលលើពណ៌និងទម្រង់ដី។ |
| K-Nearest Neighbor (KNN) | ក្បួនដោះស្រាយយន្តរៀនសម្រាប់ចាត់ថ្នាក់ទិន្នន័យដោយផ្អែកលើទិន្នន័យដែលនៅជិតវាបំផុត។ ក្នុងកសិកម្ម វាប្រើទិន្នន័យសំណើម ឬសីតុណ្ហភាពថ្មី ដើម្បីប្រៀបធៀបជាមួយកំណត់ត្រាចាស់ៗ រួចសម្រេចថាត្រូវបើកម៉ាស៊ីនបូមទឹកឬអត់។ | ដូចជាការសម្រេចចិត្តថាតើថ្ងៃនេះគួរពាក់អាវរងាឬអត់ ដោយមើលទៅលើអ្វីដែលអ្នកធ្លាប់ធ្វើនៅថ្ងៃដែលមានអាកាសធាតុស្រដៀងគ្នានេះកាលពីមុន។ |
| Random forest (RF) | ម៉ូដែលយន្តរៀនដែលបង្កើត 'ដើមឈើសម្រេចចិត្ត' (Decision Trees) ជាច្រើនបញ្ចូលគ្នា ដើម្បីធ្វើការទស្សន៍ទាយ ឬចំណាត់ថ្នាក់ស្ថានភាពស្រោចស្រពឱ្យកាន់តែមានភាពសុក្រឹតខ្ពស់ និងកាត់បន្ថយកំហុសដែលអាចកើតមានពីការសន្និដ្ឋានតែមួយ។ | ដូចជាការសួរសុំមតិពីក្រុមអ្នកជំនាញកសិកម្ម ១០០នាក់ រួចយកចម្លើយភាគច្រើនបំផុតជាការសម្រេចចិត្តចុងក្រោយ ជៀសវាងការជឿលើមនុស្សតែម្នាក់។ |
| evapotranspiration (ET) | ដំណើរការរួមបញ្ចូលគ្នានៃការបាត់បង់ទឹកពីផ្ទៃដីដោយការរំហួត (Evaporation) និងការបញ្ចេញញើសឬចំហាយទឹកពីរុក្ខជាតិ (Transpiration) ដែលទិន្នន័យនេះចាំបាច់បំផុតសម្រាប់ការគណនាតម្រូវការទឹកស្រោចស្រពប្រកបដោយភាពច្បាស់លាស់។ | ដូចជាការគណនាថាតើទឹកហួតចេញពីឆ្នាំងប៉ុន្មានបូករួមនឹងញើសដែលអ្នកបញ្ចេញពេលហាត់ប្រាណ ដើម្បីដឹងថាអ្នកត្រូវផឹកទឹកបំពេញវិញប៉ុន្មាន។ |
| unmanned aerial vehicles (UAV) | យានហោះហើរដែលគ្មានមនុស្សបើកបរ (ដ្រូន) ដែលបំពាក់កាមេរ៉ា និងឧបករណ៍ចាប់សញ្ញា សម្រាប់ហោះក្រឡឹងពីលើកសិដ្ឋាន ដើម្បីប្រមូលទិន្នន័យរូបភាព កម្ដៅ និងកំណត់ទីតាំងដែលត្រូវការទឹកជាបន្ទាន់នៅក្នុងតំបន់ធំទូលាយ។ | ដូចជាសត្វស្លាបយន្តដែលមានភ្នែកអាចមើលឃើញកម្ដៅ និងសំណើមដីពីលើមេឃ រួចផ្ញើព័ត៌មានមកកសិករនៅដី។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
