Original Title: The LUISA Base Map 2018 - A geospatial data fusion approach to increase the detail of European land use/land cover data
Source: doi.org/10.2760/503006
Document Type: Report
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original report for full accuracy.

ផែនទីមូលដ្ឋាន LUISA ឆ្នាំ 2018៖ អភិក្រមនៃការបញ្ចូលទិន្នន័យភូមិសាស្ត្រដើម្បីបង្កើនព័ត៌មានលម្អិតនៃទិន្នន័យប្រើប្រាស់ដី/គម្របដីនៅអឺរ៉ុប

ចំណងជើងដើម៖ The LUISA Base Map 2018 - A geospatial data fusion approach to increase the detail of European land use/land cover data

អ្នកនិពន្ធ៖ Cristian Pigaiani (European Commission Joint Research Centre), Filipe Batista e Silva (European Commission Joint Research Centre)

ឆ្នាំបោះពុម្ព៖ 2021, Publications Office of the European Union

វិស័យសិក្សា៖ Geospatial Science

១. សេចក្តីសង្ខេបប្រតិបត្តិ (Executive Summary)

បញ្ហា/ប្រធានបទ (The Problem/Topic)៖ របាយការណ៍នេះដោះស្រាយពីដែនកំណត់នៃកម្រិតភាពច្បាស់ទាប (25 ហិកតា) របស់ផែនទីគម្របដី CORINE (CLC) តាមរយៈការបង្កើតផែនទីប្រើប្រាស់ដីធ្លីដែលមានព័ត៌មានលម្អិតខ្ពស់សម្រាប់ទ្វីបអឺរ៉ុបទាំងមូល។

វិធីសាស្ត្រ (Approach)៖ អភិក្រមនេះប្រើប្រាស់ដំណើរការបញ្ចូលទិន្នន័យភូមិសាស្ត្រ (Geospatial data fusion) ចំនួន 9 ជំហាន ដោយរួមបញ្ចូលប្រភពទិន្នន័យជាច្រើនតាមលំដាប់លំដោយជាមួយនឹងផែនទី CLC ។

ការរួមបញ្ចូលផែនទីបំលាស់ប្តូរគម្របដី (CORINE Land Cover Change maps)
ការប្រើប្រាស់ទិន្នន័យស្រទាប់កម្រិតច្បាស់ខ្ពស់ (Copernicus High Resolution Layers) សម្រាប់កំណត់ទីតាំងព្រៃឈើ ទឹក និងតំបន់ដីសើម
ការបញ្ចូលទិន្នន័យតំបន់ទីក្រុង និងហេដ្ឋារចនាសម្ព័ន្ធពីប្រភព Urban Atlas, Coastal Zones, TomTom និង OpenStreetMap
ការអនុវត្តតម្រង Majority filter សម្រាប់សម្រួលភាពរលូននៃបំណែកដី (Final smoothing) និងធានាបាននូវកម្រិតអប្បបរមានៃការគូសផែនទី (MMU)

សេចក្តីសន្និដ្ឋានសំខាន់ៗ (Key Conclusions)៖

ផែនទី LUISA ឆ្នាំ 2018 សម្រេចបាននូវកម្រិតភាពច្បាស់អប្បបរមា (MMU) ចំនួន 1 ហិកតា សម្រាប់ផ្ទៃដីសិប្បនិម្មិត និង 5 ហិកតា សម្រាប់ផ្ទៃដីមិនមែនសិប្បនិម្មិត។
ការធ្វើឱ្យប្រសើរឡើងនេះបានពង្រីកចំណាត់ថ្នាក់ប្រភេទដី (Thematic classes) រហូតដល់ 46 ថ្នាក់ ដែលគ្របដណ្ដប់លើប្រទេសចំនួន 39 នៅទ្វីបអឺរ៉ុប។
ផលិតផលចុងក្រោយត្រូវបានចេញផ្សាយជាពីរទម្រង់គឺកម្រិតច្បាស់ 50 ម៉ែត្រ (Native resolution) និង 100 ម៉ែត្រ (Resampled version) ដែលផ្តល់អត្ថប្រយោជន៍ខ្ពស់សម្រាប់ការវិភាគនគរូបនីយកម្ម និងការវាយតម្លៃគោលនយោបាយដែនដី។

២. ការរកឃើញសំខាន់ៗ (Key Findings)

របាយការណ៍នេះបង្ហាញពីភាពជោគជ័យនៃការប្រើប្រាស់អភិក្រមបញ្ចូលទិន្នន័យភូមិសាស្ត្រ (Geospatial Data Fusion) ដើម្បីបង្កើតផែនទីមូលដ្ឋាន LUISA ឆ្នាំ 2018 ដែលមានភាពលម្អិតខ្ពស់។ តាមរយៈការរួមបញ្ចូលប្រភពទិន្នន័យច្រើនប្រភេទ ដំណើរការនេះបានដោះស្រាយដែនកំណត់នៃផែនទី CORINE Land Cover (CLC) ដោយបង្កើនទាំងកម្រិតភាពច្បាស់នៃលំហ (Spatial resolution) និងចំណាត់ថ្នាក់ប្រធានបទ (Thematic classes) យ៉ាងមានប្រសិទ្ធភាព។

ការរកឃើញ (Finding)	ព័ត៌មានលម្អិត (Detail)	ភស្តុតាង (Evidence)
ការបង្កើនកម្រិតភាពច្បាស់នៃលំហ (Increased Spatial Resolution)	អភិក្រមថ្មីនេះបានកាត់បន្ថយកម្រិតអប្បបរមានៃការគូសផែនទី (Minimum Mapping Unit - MMU) សម្រាប់តំបន់ផ្ទៃដីសិប្បនិម្មិតពីរង្វាស់ 25 ហិកតា មកត្រឹម 1 ហិកតា ដែលអនុញ្ញាតឱ្យកំណត់អត្តសញ្ញាណបំណែកដីតូចៗដែលពីមុនមិនត្រូវបានរាប់បញ្ចូល។	ទំព័រទី 7 និង 10 បញ្ជាក់ពីការថយចុះ MMU មកត្រឹម 1 ហិកតាសម្រាប់ផ្ទៃដីសិប្បនិម្មិត និង 5 ហិកតាសម្រាប់ផ្ទៃមិនមែនសិប្បនិម្មិត បើធៀបនឹង CLC ដើមដែលមានទំហំ 25 ហិកតា។
ការពង្រីកចំណាត់ថ្នាក់ប្រើប្រាស់ដី (Enhanced Thematic Detail)	ផែនទី LUISA Base Map បានពង្រីកចំណាត់ថ្នាក់នៃប្រភេទដីពីចំនួនមូលដ្ឋានរបស់ផែនទី CLC ទៅដល់ 46 ចំណាត់ថ្នាក់ ក្នុងនោះចំណាត់ថ្នាក់ផ្ទៃដីសិប្បនិម្មិត (Artificial surfaces) ត្រូវបានពង្រីកដល់ 17 ប្រភេទ។	តារាងទី 2 ទំព័រទី 10 បង្ហាញថាផលិតផលចុងក្រោយមាន 46 ចំណាត់ថ្នាក់ (17 ថ្នាក់សម្រាប់ដីសិប្បនិម្មិត និង 29 ថ្នាក់សម្រាប់ដីមិនមែនសិប្បនិម្មិត) គ្របដណ្តប់ប្រទេសចំនួន 39 នៅអឺរ៉ុប។
លំហូរការងារដោយស្វ័យប្រវត្តិ និងបើកចំហ (Automated & Open Source Workflow)	ការផលិតផែនទីនេះប្រើប្រាស់ដំណើរការ 9 ជំហានដោយស្វ័យប្រវត្តិ តាមរយៈការប្រើប្រាស់កម្មវិធីកូដបើកចំហរដូចជា Python, GDAL និង PostGIS ដែលធានាបាននូវតម្លាភាព ភាពងាយស្រួលក្នុងការផ្ទៀងផ្ទាត់ និងការធ្វើបច្ចុប្បន្នភាពនាពេលអនាគត។	ទំព័រទី 10 បញ្ជាក់ពីការប្រើប្រាស់ភាសា Python, OGR/GDAL libraries, និង POSTGIS សម្រាប់ដំណើរការទិន្នន័យភូមិសាស្ត្រដ៏ស្មុគស្មាញចំនួន 9 ជំហាន។
ការរួមបញ្ចូលប្រភពទិន្នន័យចម្រុះ (Integration of Heterogeneous Data)	ភាពសុក្រឹតនៃផែនទីត្រូវបានពង្រឹងដោយការត្រួតស៊ីគ្នានៃប្រភពទិន្នន័យផ្លូវការ និងប្រភពសាធារណៈ រួមមានទិន្នន័យផ្កាយរណប Copernicus ទិន្នន័យសាធារណៈ OpenStreetMap (OSM) និងទិន្នន័យវិស័យឯកជន TomTom។	តារាងទី 3 ទំព័រទី 14 បង្ហាញពីប្រភពទិន្នន័យបញ្ចូលដែលរួមមាន Urban Atlas, Copernicus High Resolution Layers, OpenStreetMap, និង TomTom Multinet។

៣. អនុសាសន៍ (Recommendations)

ទោះបីជារបាយការណ៍នេះផ្តោតលើទ្វីបអឺរ៉ុបក៏ដោយ វិធីសាស្ត្រនៃការបញ្ចូលទិន្នន័យនេះផ្តល់នូវអនុសាសន៍ជាយុទ្ធសាស្ត្រយ៉ាងសំខាន់សម្រាប់ការគ្រប់គ្រងទិន្នន័យភូមិសាស្ត្រ។

គោលដៅ (Target)	សកម្មភាព (Action)	អាទិភាព (Priority)
រាជរដ្ឋាភិបាល (Government) / ក្រសួងរៀបចំដែនដី នគរូបនីយកម្ម និងសំណង់	គួរអនុម័តវិធីសាស្ត្របញ្ចូលទិន្នន័យភូមិសាស្ត្រ (Data Fusion) ដោយប្រើប្រាស់ប្រព័ន្ធស្វ័យប្រវត្តិដើម្បីធ្វើឱ្យប្រសើរឡើងនូវផែនទីប្រើប្រាស់ដីថ្នាក់ជាតិ ដោយរួមបញ្ចូលទិន្នន័យផ្កាយរណបដែលមានស្រាប់ជាមួយទិន្នន័យរដ្ឋបាលមូលដ្ឋាន។	ខ្ពស់ (High)
ស្ថាប័នស្រាវជ្រាវ និងសិក្សាធិការ (Research & Academic Institutions)	គួរសិក្សា និងទាញយកប្រយោជន៍ពីឧបករណ៍កូដបើកចំហ (Open-source tools) ដូចជា Python ព្រមទាំងបណ្ណាល័យ GDAL/PostGIS ដើម្បីបង្កើតលំហូរការងារដែលអាចផលិតឡើងវិញបាន (Reproducible workflow) សម្រាប់ការតាមដានការប្រែប្រួលគម្របដី។	មធ្យម (Medium)
អង្គការមិនមែនរដ្ឋាភិបាល និងដៃគូអភិវឌ្ឍន៍ (NGOs & Development Partners)	គាំទ្រដល់គម្រោងប្រមូលទិន្នន័យបែបមហាជន (Crowd-sourced data) ដូចជា OpenStreetMap និងជួយបញ្ចូលទិន្នន័យទាំងនេះទៅក្នុងប្រព័ន្ធទិន្នន័យផ្លូវការ ដើម្បីកាត់បន្ថយចំណាយលើការប្រមូលទិន្នន័យទីវាល។	មធ្យម (Medium)

៤. បរិបទកម្ពុជា (Cambodia Context)

ប្រទេសកម្ពុជាកំពុងជួបប្រទះការអភិវឌ្ឍនគរូបនីយកម្មយ៉ាងឆាប់រហ័ស និងការផ្លាស់ប្តូរគម្របដីព្រៃឈើ និងកសិកម្ម។ អភិក្រមនៃការប្រើប្រាស់ទិន្នន័យចម្រុះបញ្ជូលគ្នា (Data Fusion) ដូចក្នុងរបាយការណ៍នេះ គឺមានភាពចាំបាច់ខ្លាំងណាស់សម្រាប់កម្ពុជាក្នុងការបង្កើតផែនទីប្រើប្រាស់ដីដែលមានភាពលម្អិតខ្ពស់ និងទាន់បច្ចុប្បន្នភាព ដើម្បីបម្រើដល់ការគូសវាសគោលនយោបាយដែនដី និងបរិស្ថាន។

ផលប៉ះពាល់មូលដ្ឋាន (Local Implications)៖

នគរូបនីយកម្ម និងរដ្ឋបាលដែនដី (Urbanization and Land Management): អាចជួយរដ្ឋបាលរាជធានីភ្នំពេញ និងក្រុងកំពុងអភិវឌ្ឍន៍ (ដូចជាព្រះសីហនុ និងសៀមរាប) ក្នុងការតាមដានការរីកសាយទីក្រុង (Urban sprawl) និងកំណត់តំបន់ប្រជាសាស្ត្រច្បាស់លាស់ ដោយបែងចែករវាងតំបន់សំណង់ក្រាស់ឃ្មឹក និងតំបន់អភិវឌ្ឍន៍ថ្មីៗ។
បរិស្ថាន និងការអភិរក្សធនធានធម្មជាតិ (Environment and Natural Resources Conservation): ជួយដល់ក្រសួងបរិស្ថានក្នុងការតាមដានគម្របព្រៃឈើ (ឧទាហរណ៍៖ តំបន់ព្រៃឡង់ ជួរភ្នំក្រវាញ) និងតំបន់ដីសើមនៅជុំវិញបឹងទន្លេសាប ដោយរួមបញ្ចូលរូបភាពផ្កាយរណបកម្រិតច្បាស់ខ្ពស់ ដើម្បីរារាំងការកាប់ទន្ទ្រានខុសច្បាប់បានទាន់ពេលវេលា។
កសិកម្ម និងធនធានទឹក (Agriculture and Water Resources): ផ្តល់លទ្ធភាពក្នុងការគូសវាសតំបន់ដាំដុះជាក់លាក់ និងប្រព័ន្ធធារាសាស្ត្រលម្អិតនៅតាមបណ្តាខេត្តនានា (ដូចជា បាត់ដំបង ពោធិ៍សាត់) ដែលជួយសម្រួលដល់ការវាយតម្លៃទិន្នផល និងការគ្រប់គ្រងទឹកនៅរដូវប្រាំង។

ការចាប់យកវិធីសាស្ត្របញ្ចូលទិន្នន័យដោយស្វ័យប្រវត្តិនេះ នឹងផ្តល់ឱ្យអ្នកធ្វើគោលនយោបាយនៅកម្ពុជានូវប្រព័ន្ធទិន្នន័យរឹងមាំមួយ ដែលជួយឱ្យការធ្វើសេចក្តីសម្រេចចិត្តលើការអភិវឌ្ឍដែនដី និងការកាត់បន្ថយផលប៉ះពាល់បរិស្ថានកាន់តែមានប្រសិទ្ធភាព និងចំគោលដៅ។

៥. ផែនការអនុវត្ត (Implementation Roadmap)

ដើម្បីអនុវត្តតាមអនុសាសន៍នៃរបាយការណ៍នេះ គួរអនុវត្តតាមជំហានខាងក្រោម៖

ជំហានទី 1៖ ការវាយតម្លៃទិន្នន័យគោល (Baseline Data Assessment): ប្រមូល និងវាយតម្លៃប្រភពទិន្នន័យគម្របដីដែលមានស្រាប់នៅកម្ពុជា រួមទាំងរូបភាពផ្កាយរណប (Sentinel/Landsat) ទិន្នន័យពីរាជរដ្ឋាភិបាល និងទិន្នន័យមហាជនដូចជា OpenStreetMap។
ជំហានទី 2៖ ការរៀបចំហេដ្ឋារចនាសម្ព័ន្ធបច្ចេកវិទ្យា (Setting up Technological Infrastructure): បង្កើតបរិស្ថានកុំព្យូទ័រសម្រាប់ការវិភាគ ដោយដំឡើងកម្មវិធីកូដបើកចំហរដូចជា Python, QGIS និង PostGIS Database នៅតាមស្ថាប័នពាក់ព័ន្ធដើម្បីដំណើរការទិន្នន័យភូមិសាស្ត្រខ្នាតធំ។
ជំហានទី 3៖ ការអភិវឌ្ឍក្បួនដោះស្រាយការបញ្ចូលទិន្នន័យ (Developing Data Fusion Algorithms): បង្កើតច្បាប់អាទិភាព (Decision rules) និងក្បួនដោះស្រាយដើម្បីត្រួតស៊ីគ្នាស្រទាប់ទិន្នន័យ (ឧ. ផ្តល់អាទិភាពលើទិន្នន័យតំបន់ទីក្រុងកម្រិតច្បាស់ខ្ពស់ លើទិន្នន័យកសិកម្មកម្រិតទាប) ស្រដៀងទៅនឹងលំហូរការងារ 9 ជំហានរបស់ LUISA។
ជំហានទី 4៖ ការសាកល្បងនៅតាមតំបន់គោលដៅ (Pilot Testing in Target Areas): អនុវត្តដំណើរការនេះសាកល្បងលើខេត្ត ឬក្រុងដែលមានការរីកចម្រើនរហ័ស (ឧ. ខេត្តព្រះសីហនុ ឬកណ្តាល) មុននឹងពង្រីកការគូសផែនទីទំហំទូទាំងប្រទេស។
ជំហានទី 5៖ ការត្រួតពិនិត្យគុណភាព និងការចែកចាយ (Quality Control and Data Dissemination): ផ្ទៀងផ្ទាត់លទ្ធផលផែនទីជាមួយទីតាំងជាក់ស្តែង (Ground-truth data) រួចផ្សព្វផ្សាយទិន្នន័យចុងក្រោយនៅលើប្រព័ន្ធទិន្នន័យជាតិបើកចំហរ (Open Data Portal) សម្រាប់ការប្រើប្រាស់ទូទៅ។

៦. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស	ការពន្យល់ជាខេមរភាសា (Khmer Explanation)	និយមន័យសាមញ្ញ (Simple Definition)
Geospatial Data Fusion	ដំណើរការនៃការរួមបញ្ចូលទិន្នន័យទីតាំងភូមិសាស្ត្រពីប្រភពផ្សេងៗគ្នា (ដូចជារូបភាពផ្កាយរណប ផែនទីផ្លូវថ្នល់ និងទិន្នន័យរដ្ឋបាល) ដើម្បីបង្កើតទិន្នន័យថ្មីមួយដែលមានភាពច្បាស់លាស់ជាងមុន ដែលជួយដល់រដ្ឋាភិបាលក្នុងការរៀបចំផែនការគោលនយោបាយដែនដីបានយ៉ាងសុក្រឹត។	ដូចជាការយកបំណែករូបភាពពីប្រភពជាច្រើនផ្សេងៗគ្នាមកផ្គុំបញ្ចូលគ្នា ដើម្បីបង្កើតបានជារូបភាពផ្ទាំងធំមួយដែលច្បាស់ជាងមុន។
Minimum Mapping Unit (MMU)	ទំហំតូចបំផុតនៃផ្ទៃដីដែលអាចត្រូវបានកំណត់ត្រា ឬបង្ហាញនៅលើផែនទី។ សម្រាប់អ្នកធ្វើគោលនយោបាយ ការកាត់បន្ថយ MMU ឱ្យកាន់តែតូច មានន័យថាពួកគេអាចតាមដានការអភិវឌ្ឍតូចៗនៅតាមមូលដ្ឋាន (ដូចជាសំណង់លំនៅឋានថ្មីៗ) ដែលផែនទីចាស់មើលមិនឃើញ។	ដូចជាការកំណត់ទំហំតូចបំផុតនៃវត្ថុដែលអាចមើលឃើញច្បាស់ដោយប្រើកែវពង្រីក។
Spatial Resolution	កម្រិតភាពច្បាស់នៃរូបភាពផ្កាយរណប ឬផែនទី ដែលបង្ហាញពីទំហំជាក់ស្តែងនៃមួយភិចសែល (Pixel) លើដី។ កម្រិតភាពច្បាស់ខ្ពស់អនុញ្ញាតឱ្យមន្ត្រីរដ្ឋបាលព្រៃឈើ ឬរៀបចំដែនដីតាមដានការរីកសាយទីក្រុង ឬការបាត់បង់ព្រៃឈើទាន់ពេលវេលា និងជាក់លាក់។	ដូចជាកម្រិតច្បាស់នៃកាមេរ៉ាទូរស័ព្ទ កាលណាមាន Megapixel ខ្ពស់ រូបភាពកាន់តែច្បាស់ ហើយអាចពង្រីកមើលព័ត៌មានលម្អិតបានច្រើនដោយមិនបែករូប។
Land Use and Land Cover (LULC)	ការចាត់ថ្នាក់តំបន់ភូមិសាស្ត្រដោយផ្អែកលើគម្របផ្ទៃដីធម្មជាតិ (ព្រៃឈើ តំបន់ទឹក) និងការប្រើប្រាស់ដីដោយមនុស្ស (ទីក្រុង កសិកម្ម)។ វាជាទិន្នន័យគោលចាំបាច់សម្រាប់វាយតម្លៃផលប៉ះពាល់បរិស្ថាន ការប្រែប្រួលអាកាសធាតុ និងការអភិវឌ្ឍសេដ្ឋកិច្ចតំបន់។	ដូចជាការធ្វើបញ្ជីសារពើភណ្ឌដីធ្លីដើម្បីដឹងថាតើកន្លែងណាខ្លះមានដើមឈើ កន្លែងណាជាបឹង និងកន្លែងណាជាផ្ទះពលរដ្ឋ។
Rasterization	ដំណើរការបំប្លែងទិន្នន័យភូមិសាស្ត្រប្រភេទបន្ទាត់ ឬពហុកោណ (Vector) ទៅជាទម្រង់ក្រឡាចត្រង្គ (Raster/Pixels)។ វិធីនេះជួយឱ្យអ្នកបច្ចេកទេសប្រព័ន្ធព័ត៌មានភូមិសាស្ត្រ (GIS) ងាយស្រួលធ្វើការគណនា និងត្រួតស៊ីគ្នាជាមួយស្រទាប់ផែនទីផ្សេងៗទៀតដើម្បីទាញយកទិន្នន័យវិភាគថ្នាក់ជាតិ។	ដូចជាការគូសរូបពីលើក្រដាសបន្ទាត់ក្រឡា ដោយផាត់ពណ៌ចូលទៅក្នុងប្រអប់នីមួយៗជំនួសឱ្យការគូសជាបន្ទាត់កោង។
Resampling	វិធីសាស្ត្រគណនាក្នុងការផ្លាស់ប្តូរកម្រិតភាពច្បាស់ (ទំហំភិចសែល) នៃទិន្នន័យផែនទី ដូចជាពី 50m ទៅ 100m ដោយប្រើក្បួនគណិតវិទ្យាដើម្បីរក្សាភាពត្រឹមត្រូវនៃទិន្នន័យដើមសម្រាប់ការវិភាគម៉ូដែលថ្នាក់តំបន់ ឬថ្នាក់ជាតិធំៗ។	ដូចជាការបង្រួម ឬពង្រីករូបភាពក្នុងកុំព្យូទ័រ ដោយកុំព្យូទ័រត្រូវប៉ាន់ស្មានពណ៌សម្រាប់ចំណុចនីមួយៗឡើងវិញដើម្បីកុំឱ្យបាត់រូបរាងដើម។
Artificial Surfaces	ផ្ទៃដីដែលត្រូវបានកែប្រែដោយមនុស្ស ដូចជាអគារ ផ្លូវថ្នល់ ស្ពាន ឬតំបន់ឧស្សាហកម្ម។ ព័ត៌មាននេះសំខាន់ខ្លាំងណាស់សម្រាប់ស្ថាប័នពាក់ព័ន្ធក្នុងការវាយតម្លៃពីល្បឿននៃការអភិវឌ្ឍនគរូបនីយកម្ម និងការគណនាតម្រូវការហេដ្ឋារចនាសម្ព័ន្ធនាពេលអនាគត។	ដូចជាទីតាំងទាំងឡាយណាដែលចាក់បេតុង ក្រាលកៅស៊ូ ឬសាងសង់ដោយមនុស្ស ជំនួសឱ្យការទុកដី ឬរុក្ខជាតិធម្មជាតិ។

៧. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖