បញ្ហា (The Problem)៖ ឯកសារនេះដោះស្រាយបញ្ហានៃការបំផ្លិចបំផ្លាញព្រៃឈើដោយសារសត្វល្អិតចង្រៃ ជាពិសេសការផ្ទុះឡើងនៃដង្កូវនាងស៊ីបេរី (Siberian silkmoth) ដែលបណ្តាលឱ្យមានការខាតបង់សេដ្ឋកិច្ច និងប្រព័ន្ធអេកូឡូស៊ីយ៉ាងធ្ងន់ធ្ងរនៅក្នុងប្រទេសរុស្ស៊ី។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះប្រើប្រាស់វិធីសាស្ត្ររួមបញ្ចូលគ្នាដោយផ្អែកលើការប្រមូលទិន្នន័យពីចម្ងាយ (Remote Sensing) និងប្រព័ន្ធព័ត៌មានភូមិសាស្ត្រ (GIS) ដើម្បីបង្កើតម៉ូដែលព្យាករណ៍ហានិភ័យនៃសត្វល្អិត។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Traditional State Forest Health Monitoring ការតាមដានសុខភាពព្រៃឈើបែបប្រពៃណីដោយរដ្ឋ (ការចុះពិនិត្យផ្ទាល់) |
ផ្តល់ទិន្នន័យលម្អិតពីទីតាំងផ្ទាល់ និងអាចកំណត់ពីចំនួនសត្វល្អិតជាក់ស្តែងបានច្បាស់លាស់។ វាមានសារៈសំខាន់សម្រាប់ការវាយតម្លៃកម្រិតនៃការខូចខាតបន្ទាប់ពីព្រឹត្តិការណ៍កើតឡើង។ | ត្រូវការចំណាយកម្លាំងពលកម្មច្រើន មិនអាចគ្របដណ្តប់លើផ្ទៃដីព្រៃឈើធំៗបានទាន់ពេលវេលា និងជាវិធានការដោះស្រាយបញ្ហាក្រោយពេលកើតហេតុ (Reactive) ជាជាងការទប់ស្កាត់ជាមុន។ | បានកត់ត្រា និងរកឃើញផ្ទៃដីព្រៃឈើដែលរងការខូចខាតជាង ៥លានហិកតានៅរុស្ស៊ី ចន្លោះឆ្នាំ២០១៨ ដល់២០២២។ |
| Remote Sensing + GIS Predictive Algorithm ក្បួនដោះស្រាយការព្យាករណ៍ដោយប្រើប្រាស់ទិន្នន័យពីចម្ងាយ (Remote Sensing) និង GIS |
អាចតាមដានផ្ទៃដីព្រៃឈើដ៏ធំទូលាយបានយ៉ាងរហ័ស ដោយប្រើប្រាស់រូបភាពផ្កាយរណប។ វាមានសមត្ថភាពអាចព្យាករណ៍តំបន់ហានិភ័យទុកជាមុន ជួយដល់ការធ្វើផែនការការពារបានទាន់ពេលវេលា។ | ភាពសុក្រឹតនៃម៉ូដែលអាចប្រែប្រួលអាស្រ័យលើប្រភេទប្រព័ន្ធអេកូឡូស៊ីព្រៃឈើ និងតម្រូវឱ្យមានការចុះផ្ទៀងផ្ទាត់ (Ground truth) សម្រាប់គម្រោងសាកល្បង។ | សម្រេចបានភាពសុក្រឹតនៃការ្យាករណ៍ជាមធ្យម ៧៥% ក្នុងការកំណត់តំបន់ហានិភ័យនៃការផ្ទុះឡើងសត្វល្អិតចង្រៃ។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តវិធីសាស្ត្រនេះទាមទារការប្រើប្រាស់ទិន្នន័យផ្កាយរណបដែលអាចរកបានដោយឥតគិតថ្លៃ ព្រមទាំងកម្មវិធីកុំព្យូទ័រសម្រាប់វិភាគលំហ និងចំណេះដឹងឯកទេសផ្នែកប្រព័ន្ធព័ត៌មានភូមិសាស្ត្រ។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅក្នុងតំបន់ព្រៃតៃហ្គា (Taiga forests) នៃតំបន់ស៊ីបេរី ប្រទេសរុស្ស៊ី ដោយផ្តោតលើសត្វល្អិតជាក់លាក់គឺ ដង្កូវនាងស៊ីបេរី។ ទិន្នន័យអាកាសធាតុ ภูมิសាស្ត្រ និងប្រភេទដើមឈើ (ឧ. ស្រល់ស៊ីបេរី) គឺខុសគ្នាស្រឡះពីប្រព័ន្ធអេកូឡូស៊ីនៅប្រទេសកម្ពុជា។ យ៉ាងណាមិញ ថ្វីត្បិតតែទិន្នន័យធាតុចូលខុសគ្នា ប៉ុន្តែក្បួនដោះស្រាយ និងវិធីសាស្ត្រនៃការប្រើប្រាស់បច្ចេកវិទ្យាទាំងនេះ អាចយកមកកែច្នៃប្រើប្រាស់នៅកម្ពុជាបានយ៉ាងមានប្រសិទ្ធភាព។
ទោះបីជាបរិបទភូមិសាស្ត្រ និងប្រភេទសត្វល្អិតខុសគ្នាក៏ដោយ វិធីសាស្ត្រនៃការប្រើប្រាស់ Remote Sensing និង GIS នេះមានសក្តានុពលខ្ពស់ក្នុងការអនុវត្តនៅប្រទេសកម្ពុជា។
ការរៀបចំប្រព័ន្ធតាមដាន និងព្យាករណ៍តាមរយៈបច្ចេកវិទ្យាពីចម្ងាយនេះ នឹងជួយឱ្យស្ថាប័នពាក់ព័ន្ធនៅកម្ពុជាអាចផ្លាស់ប្តូរពីការដោះស្រាយបញ្ហាក្រោយពេលកើតហេតុ ទៅជាការរៀបចំវិធានការការពារ និងត្រៀមខ្លួនជាមុន។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Remote sensing | គឺជាបច្ចេកវិទ្យាក្នុងការប្រមូលទិន្នន័យ និងព័ត៌មានអំពីផ្ទៃដីព្រៃឈើ ឬភូមិសាស្ត្រណាមួយពីចម្ងាយ តាមរយៈការប្រើប្រាស់ឧបករណ៍ថតរូបភាពបំពាក់លើផ្កាយរណប យន្តហោះ ឬដ្រូន។ នៅក្នុងឯកសារនេះ បច្ចេកវិទ្យានេះត្រូវបានប្រើដើម្បីតាមដានការខូចខាតព្រៃឈើក្នុងតំបន់ធំៗដោយមិនបាច់ចុះទៅពិនិត្យផ្ទាល់។ | ដូចជាការដែលយើងប្រើកែវយឹតមើលទិដ្ឋភាពពីចម្ងាយ ដោយមិនបាច់ដើរទៅដល់ទីតាំងនោះផ្ទាល់។ |
| GIS | គឺជាប្រព័ន្ធកុំព្យូទ័រដែលត្រូវបានរចនាឡើងដើម្បីប្រមូល ផ្ទុក វិភាគ និងបង្ហាញទិន្នន័យដែលមានទំនាក់ទំនងនឹងទីតាំងភូមិសាស្ត្រ។ អ្នកស្រាវជ្រាវប្រើវាដើម្បីត្រួតស៊ីគ្នា (Overlay) នូវផែនទីផ្សេងៗ (ដូចជាផែនទីព្រៃឈើ ផែនទីកម្ពស់ដី) ដើម្បីកំណត់តំបន់ហានិភ័យនៃការផ្ទុះឡើងរបស់សត្វល្អិត។ | ដូចជាការយកផ្ទាំងប្លាស្ទិកថ្លាៗដែលមានគូសផែនទីផ្សេងៗគ្នា (ផ្លូវ ទឹក ព្រៃ) មកដាក់ត្រួតលើគ្នា ដើម្បីមើលឃើញរូបភាពរួម និងស្វែងរកទីតាំងហានិភ័យ។ |
| NDVI | គឺជាសន្ទស្សន៍ដែលប្រើសម្រាប់វាស់ស្ទង់កម្រិតភាពបៃតង និងដង់ស៊ីតេរបស់រុក្ខជាតិ ដោយផ្អែកលើការចំណាំងផ្លាតនៃពន្លឺព្រះអាទិត្យ។ តម្លៃ NDVI ទាបបញ្ជាក់ថាមានជីវម៉ាសតិច ឬរុក្ខជាតិកំពុងរងការខូចខាត (ឧទាហរណ៍ ត្រូវសត្វល្អិតស៊ីស្លឹករហូតដល់ងាប់)។ | ដូចជាឧបករណ៍វាស់កម្តៅដែលគ្រូពេទ្យប្រើដើម្បីដឹងថាយើងឈឺឬអត់ ប៉ុន្តែនេះគឺសម្រាប់វាស់ "សុខភាព" របស់ដើមឈើតាមរយៈភាពបៃតងរបស់វា។ |
| EVI | គឺជាសន្ទស្សន៍ស្រដៀងនឹង NDVI ដែរ ប៉ុន្តែវាត្រូវបានកែលម្អឱ្យមានភាពរសើបជាងមុន (Improved sensitivity) សម្រាប់តំបន់ដែលមានព្រៃឈើក្រាស់ៗខ្លាំង ដែល NDVI ពិបាកចាប់យកទិន្នន័យច្បាស់លាស់ ដោយវាជួយកាត់បន្ថយឥទ្ធិពលរំខានពីស្រទាប់បរិយាកាស និងផ្ទៃដី។ | ដូចជាការពាក់វ៉ែនតាការពារពន្លឺចាំង (Polarized glasses) ដើម្បីមើលឃើញវត្ថុនៅក្រោមទឹកច្បាស់ជាងការពាក់វ៉ែនតាធម្មតា។ |
| Digital elevation model | គឺជាទម្រង់ទិន្នន័យ 3D តំណាងឱ្យសណ្ឋានដី (ភ្នំ ជ្រលង ទួល) ដែលបង្ហាញពីកម្ពស់នៃផ្ទៃដីធៀបនឹងនីវ៉ូទឹកសមុទ្រ។ នៅក្នុងការស្រាវជ្រាវនេះ វាជួយកំណត់ទីតាំងដែលរងកម្តៅថ្ងៃខ្លាំង ឬមានលក្ខខណ្ឌអំណោយផលដល់ការកកើតសត្វល្អិតចង្រៃនៅដំណាក់កាលដំបូង។ | ដូចជាការកសាងទម្រង់ដីឥដ្ឋមួយដែលបង្ហាញពីកន្លែងខ្ពស់និងកន្លែងទាបរបស់ភូមិណាមួយ ដើម្បីឲ្យយើងដឹងថាទឹកនឹងហូរទៅទីណា។ |
| Raster layers | គឺជាទម្រង់ផ្ទុកទិន្នន័យផែនទីជាទម្រង់ក្រឡាចត្រង្គ (Grid/Pixels) ដែលក្រឡានីមួយៗមានផ្ទុកតម្លៃជាក់លាក់ (ឧទាហរណ៍ តម្លៃ NDVI ឬសីតុណ្ហភាព)។ កម្មវិធីកុំព្យូទ័រប្រើស្រទាប់ទិន្នន័យទាំងនេះដើម្បីធ្វើការចាត់ថ្នាក់ និងវិភាគស្វែងរកតំបន់ដែលរងការខូចខាតនៅក្នុងប្រព័ន្ធ GIS។ | ដូចជារូបថតនៅលើទូរសព្ទដៃដែលផ្សំឡើងពីចំណុចពណ៌តូចៗរាប់លាន (Pixels) ហើយចំណុចនីមួយៗផ្ទុកព័ត៌មានពណ៌ខុសៗគ្នា។ |
| Spatial distribution | គឺជាការរៀបចំ ការសាយភាយ ឬការបែកខ្ញែកនៃបាតុភូតអ្វីមួយ (ដូចជាសំបុកសត្វល្អិត) នៅលើផ្ទៃដី ឬទីតាំងភូមិសាស្ត្រណាមួយ។ ការបង្កើតម៉ូដែលនេះជួយឱ្យគេអាចព្យាករណ៍បានថាសត្វល្អិតនឹងរាលដាលទៅទិសណា ឬប្រមូលផ្តុំនៅតំបន់ណាខ្លះ។ | ដូចជាការសង្កេតមើលតំណក់ទឹកថ្នាំធ្លាក់លើក្រដាសសើម ហើយយើងតាមដានមើលថាវានឹងរាលដាលចេញទៅជារាងយ៉ាងដូចម្តេច។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
