បញ្ហា (The Problem)៖ ពិភពលោកកំពុងប្រឈមនឹងបញ្ហាបរិស្ថាន កសិកម្ម និងការគ្រប់គ្រងធនធានដ៏ស្មុគស្មាញ ដូចជាការប្រែប្រួលអាកាសធាតុ វាលខ្សាច់ និងកង្វះខាតទឹក ដែលទាមទារនូវឧបករណ៍វិភាគទិន្នន័យលំហ និងឧបករណ៍តាមដានកម្រិតខ្ពស់។
វិធីសាស្ត្រ (The Methodology)៖ សៀវភៅកំណត់ហេតុសន្និសីទនេះបង្ហាញពីការសិក្សាស្រាវជ្រាវប្រកបដោយភាពច្នៃប្រឌិតផ្សេងៗ ដោយប្រើប្រាស់រូបភាពផ្កាយរណប ការធ្វើគំរូលំហ និងការរៀនម៉ាស៊ីន (Machine Learning) ដើម្បីដោះស្រាយបញ្ហាទាំងនេះ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Support Vector Machine (SVM) ម៉ាស៊ីនវ៉ិចទ័រគាំទ្រ ជាក្បួនដោះស្រាយ Machine Learning សម្រាប់ចំណាត់ថ្នាក់ចំណុចទិន្នន័យ |
ផ្តល់ភាពត្រឹមត្រូវខ្ពស់ក្នុងការធ្វើចំណាត់ថ្នាក់ប្រភេទដី (LU/LC) និងមានប្រសិទ្ធភាពចំពោះទិន្នន័យដែលមានលក្ខណៈស្មុគស្មាញ។ | ត្រូវការពេលវេលាច្រើនក្នុងការបង្ហាត់ (Training) និងទាមទារកម្លាំងម៉ាស៊ីនកុំព្យូទ័រខ្ពស់សម្រាប់ទិន្នន័យធំៗ។ | ទទួលបានភាពត្រឹមត្រូវទូទៅ (Overall Accuracy) រហូតដល់ ៩៧.០៣% ក្នុងការតាមដានបម្រែបម្រួលគម្របដីធៀបនឹងវិធីសាស្ត្រចាស់។ |
| Maximum Likelihood (MLH) វិធីសាស្ត្រស្ថិតិប្រពៃណីសម្រាប់ធ្វើចំណាត់ថ្នាក់រូបភាពផ្កាយរណប |
ងាយស្រួលក្នុងការអនុវត្ត និងមានស្រាប់នៅក្នុងកម្មវិធី GIS ជាច្រើនដោយមិនត្រូវការកូដស្មុគស្មាញ។ | ភាពត្រឹមត្រូវទាបជាង Machine Learning ជាពិសេសនៅពេលមានទិន្នន័យច្រើនប្រភេទច្របូកច្របល់គ្នា។ | ទទួលបានភាពត្រឹមត្រូវត្រឹមតែ ៩៣.៥១% ដែលទាបជាង SVM ក្នុងការសិក្សាតំបន់ El-Fayoum។ |
| Fine Decision Tree (FDT) ក្បួនដោះស្រាយមែកធាងសេចក្តីសម្រេច សម្រាប់ការប៉ាន់ស្មានជម្រៅទឹក (Regression) |
អាចចាប់យកទំនាក់ទំនងមិនលីនេអ៊ែរ (Non-linear) រវាងចំណាំងផ្លាតនៃពន្លឺផ្កាយរណប និងជម្រៅទឹកបានយ៉ាងល្អ។ | ងាយនឹងជួបបញ្ហា Overfitting ប្រសិនបើទិន្នន័យសម្រាប់បង្ហាត់ (Training Data) មិនមានភាពចម្រុះគ្រប់គ្រាន់។ | សម្រេចបានមេគុណ R2 រហូតដល់ ០.៨០ ដែលបង្ហាញពីភាពត្រឹមត្រូវខ្ពស់ក្នុងការវាស់ជម្រៅទន្លេនីល (Nile River)។ |
| Linear Regression (LR) វិធីសាស្ត្រតំរែតំរង់លីនេអ៊ែរ |
សាមញ្ញ លឿនក្នុងការគណនា និងល្អសម្រាប់ទស្សន៍ទាយសារធាតុមួយចំនួនក្នុងដី (ដូចជា ប៉ូតាស្យូម)។ | បរាជ័យទាំងស្រុងក្នុងការទស្សន៍ទាយម៉ូដែលស្មុគស្មាញ (ឧទាហរណ៍៖ ជម្រៅទឹកមាន R2 ត្រឹមតែ ០.០៥ ប៉ុណ្ណោះ)។ | ផ្តល់លទ្ធផលល្អសម្រាប់ការទាញយកតម្លៃប៉ូតាស្យូម (K) ក្នុងដីដោយមានតម្លៃ R2 = ០.៦៣ ប៉ុន្តែខ្សោយសម្រាប់ការវាស់ជម្រៅទឹក។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តវិធីសាស្ត្រវិភាគទិន្នន័យពីចម្ងាយកម្រិតខ្ពស់ទាំងនេះ ទាមទារធនធានកុំព្យូទ័រធុនមធ្យមទៅខ្ពស់ ព្រមទាំងប្រព័ន្ធ Cloud-based ដើម្បីដំណើរការទិន្នន័យធំៗរាប់ជីហ្គាបៃ (GBs)។
ការសិក្សាទាំងនេះត្រូវបានធ្វើឡើងជាចម្បងនៅក្នុងតំបន់ស្ងួតហួតហែង និងវាលខ្សាច់នៃប្រទេសអេហ្ស៊ីប និងតំបន់អាកាសធាតុត្រជាក់ក្នុងប្រទេសរុស្ស៊ី ដែលមានលក្ខណៈដី និងអាកាសធាតុខុសពីប្រទេសកម្ពុជាទាំងស្រុង។ នេះមានន័យថា គំរូ (Models) និងកម្រិតព្រំដែន (Thresholds) ដែលប្រើនៅក្នុងការសិក្សានេះ មិនអាចយកមកប្រើផ្ទាល់នៅកម្ពុជាដែលមានអាកាសធាតុត្រូពិចមូសុង និងភ្លៀងធ្លាក់ច្រើនបានទេ វាទាមទារឱ្យមានការកែតម្រូវ (Calibration) ជាមុនសិន។
ទោះបីជាមានភាពខុសគ្នានៃអាកាសធាតុ បច្ចេកវិទ្យានិងវិធីសាស្ត្រវិភាគនៅក្នុងឯកសារនេះមានសក្តានុពលខ្ពស់ណាស់ក្នុងការយកមកអនុវត្តនៅប្រទេសកម្ពុជា។
ជារួម ការធ្វើមូលដ្ឋានីយកម្មនៃគំរូ (Model Localization) និងបច្ចេកទេសទាំងនេះ នឹងជួយរាជរដ្ឋាភិបាលកម្ពុជាក្នុងការធ្វើសេចក្តីសម្រេចចិត្តផ្អែកលើទិន្នន័យបានយ៉ាងត្រឹមត្រូវ ចំណាយតិច និងគាំទ្រដល់ការអភិវឌ្ឍប្រកបដោយចីរភាព។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Remote Sensing | គឺជាការប្រមូលទិន្នន័យ ឬព័ត៌មានអំពីផ្ទៃផែនដីពីចម្ងាយ ជាទូទៅតាមរយៈផ្កាយរណប ឬយន្តហោះគ្មានមនុស្សបើក (Drone) ដោយមិនចាំបាច់មានទំនាក់ទំនងផ្ទាល់ជាមួយទីតាំងនោះ។ | ដូចជាការថតរូបពីលើអាកាសដើម្បីមើលទិដ្ឋភាពរួមនៃតំបន់ណាមួយ ដោយមិនបាច់ដើរទៅដល់កន្លែងផ្ទាល់។ |
| Geographic Information System (GIS) | គឺជាប្រព័ន្ធកុំព្យូទ័រដែលត្រូវបានរចនាឡើងដើម្បីប្រមូល ផ្ទុក វិភាគ និងបង្ហាញទិន្នន័យភូមិសាស្ត្ររួមបញ្ចូលគ្នា ដើម្បីជួយដល់ការធ្វើសេចក្តីសម្រេចចិត្តក្នុងការគ្រប់គ្រងធនធាន។ | ដូចជាផែនទីឌីជីថលឆ្លាតវៃដែលអាចប្រាប់យើងពីទីតាំងភូមិសាស្ត្រ ទំហំដី និងព័ត៌មានអាកាសធាតុត្រួតស៊ីគ្នាលើផ្ទាំងតែមួយ។ |
| Support Vector Machine (SVM) | ជាក្បួនដោះស្រាយនៃម៉ាស៊ីនរៀន (Machine Learning) សម្រាប់ធ្វើចំណាត់ថ្នាក់ទិន្នន័យ ដោយវាស្វែងរកបន្ទាត់ ឬព្រំដែនបែងចែកដែលល្អបំផុតដើម្បីបំបែកក្រុមទិន្នន័យផ្សេងៗពីគ្នាក្នុងលំហ។ | ដូចជាការគូសបន្ទាត់ព្រំដែនដ៏ត្រឹមត្រូវមួយដើម្បីញែកផ្លែប៉ោម និងផ្លែក្រូចចេញពីគ្នានៅលើតុ។ |
| Normalized Difference Vegetation Index (NDVI) | ជាសូចនាកររូបភាពផ្កាយរណបដែលប្រើសម្រាប់វាស់ស្ទង់កម្រិតភាពបៃតង ដង់ស៊ីតេ និងសុខភាពរបស់រុក្ខជាតិ ដោយប្រៀបធៀបចំណាំងផ្លាតនៃពន្លឺក្រហម និងពន្លឺអ៊ីនហ្វ្រារ៉េដ។ | ដូចជាទែម៉ូម៉ែត្រវាស់កម្តៅដែលគ្រូពេទ្យប្រើ តែនេះគឺជាឧបករណ៍វាស់កម្រិត "ភាពស្រស់បំព្រង" របស់រុក្ខជាតិពីលើអាកាស។ |
| Evapotranspiration (ET) | ជាដំណើរការសរុបដែលទឹករំហួតពីផ្ទៃដី លាយបញ្ចូលជាមួយនឹងការបញ្ចេញជាតិទឹកតាមរយៈរន្ធស្លឹករុក្ខជាតិចូលទៅក្នុងបរិយាកាស ដែលមានសារៈសំខាន់សម្រាប់ការគ្រប់គ្រងប្រព័ន្ធធារាសាស្ត្រកសិកម្ម។ | ដូចជាញើសដែលហូរចេញពីរាងកាយមនុស្សពេលក្តៅ និងការហួតទឹកពីសម្លៀកបំពាក់សើមចូលទៅក្នុងខ្យល់អញ្ចឹងដែរ។ |
| Interferometric Synthetic Aperture Radar (InSAR) | គឺជាបច្ចេកទេសរ៉ាដាដែលប្រើរូបភាពពីរឬច្រើននៃតំបន់តែមួយថតនៅពេលខុសគ្នា ដើម្បីវាស់វែងការផ្លាស់ប្តូររូបរាងផ្ទៃដី (ដូចជាការស្រុតដី) ដែលមានភាពជាក់លាក់កម្រិតខ្ពស់រហូតដល់មីលីម៉ែត្រ។ | ដូចជាការប្រៀបធៀបរូបភាពផ្ទៃមុខពីរនៅពេលខុសគ្នា ដើម្បីរកមើលភាពជ្រួញសូម្បីតែបន្តិចបន្តួច។ |
| Analytic Hierarchy Process (AHP) | ជាវិធីសាស្ត្រគណិតវិទ្យាសម្រាប់វិភាគ និងធ្វើសេចក្តីសម្រេចចិត្តលើបញ្ហាស្មុគស្មាញ ដោយបំបែកវាជាកត្តាតូចៗ ហើយប្រៀបធៀបទម្ងន់នៃកត្តានីមួយៗដើម្បីជ្រើសរើសជម្រើសល្អបំផុត។ | ដូចជាការដាក់ពិន្ទុលើលក្ខណៈវិនិច្ឆ័យ (តម្លៃ គុណភាព កាមេរ៉ា) ដាច់ដោយឡែកពីគ្នា មុនពេលអ្នកសម្រេចចិត្តទិញទូរស័ព្ទថ្មីមួយ។ |
| Digital Elevation Model (DEM) | ជាទម្រង់គំរូទិន្នន័យ 3D តំណាងឱ្យផ្ទៃដីទទេរ (មិនគិតអគារ និងរុក្ខជាតិ) ដើម្បីវិភាគនីវ៉ូដី កម្ពស់ និងទម្រង់ជម្រាលសម្រាប់សិក្សាពីហានិភ័យទឹកជំនន់ និងសំណង់ធារាសាស្ត្រផ្សេងៗ។ | ដូចជាការស្ទាបស្ទង់រូបរាងភាពគគ្រើមនៃសំបកក្រូច ដើម្បីដឹងថាកន្លែងណាខ្ពស់ កន្លែងណាទាប ដោយបកសំបកចេញពីសាច់វាសិន។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
