Original Title: An appraisal of the impact of petroleum hydrocarbons on soil fertility: the Owaza experience
Source: doi.org/10.46882/AAAS/1053
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original paper for full scientific accuracy.

ការវាយតម្លៃលើផលប៉ះពាល់នៃអ៊ីដ្រូកាបូនប្រេងកាតទៅលើជីជាតិដី៖ បទពិសោធន៍នៅតំបន់ Owaza

ចំណងជើងដើម៖ An appraisal of the impact of petroleum hydrocarbons on soil fertility: the Owaza experience

អ្នកនិពន្ធ៖ Leo C. Osuji (University of Port Harcourt, Nigeria), Iruka Nwoye (University of Port Harcourt, Nigeria)

ឆ្នាំបោះពុម្ព៖ 2018, Advances in Agriculture and Agricultural Sciences

វិស័យសិក្សា៖ Environmental Chemistry

១. សេចក្តីសង្ខេបប្រតិបត្តិ (Executive Summary)

បញ្ហា (The Problem)៖ ការស្រាវជ្រាវនេះដោះស្រាយបញ្ហាការធ្លាក់ចុះនៃជីជាតិដី និងផលិតភាពកសិកម្មដោយសារការកំពប់ប្រេង និងការបំពុលដោយអ៊ីដ្រូកាបូនប្រេងកាត នៅក្នុងតំបន់ Owaza នៃដែនដីសណ្ដទន្លេ Niger (Niger Delta) ប្រទេសនីហ្សេរីយ៉ា។

វិធីសាស្ត្រ (The Methodology)៖ អ្នកស្រាវជ្រាវបានប្រៀបធៀបគំរូដីដែលរងផលប៉ះពាល់ដោយការកំពប់ប្រេងរយៈពេល ៣ ខែ ជាមួយនឹងគំរូដីធម្មតា ដោយធ្វើការវិភាគលើលក្ខណៈរូប និងគីមីសំខាន់ៗនៅក្នុងមន្ទីរពិសោធន៍។

លទ្ធផលសំខាន់ៗ (The Verdict)៖

២. ការវិភាគលើប្រសិទ្ធភាព និងដែនកំណត់ (Performance & Constraints)

វិធីសាស្ត្រ (Method) គុណសម្បត្តិ (Pros) គុណវិបត្តិ (Cons) លទ្ធផលគន្លឹះ (Key Result)
Deep Learning (U-Net Architecture)
ការរៀនស៊ីជម្រៅដោយប្រើប្រាស់បណ្ដាញយូណែត (U-Net)
មានភាពសុក្រឹតខ្ពស់ក្នុងការវិភាគរូបភាពផ្កាយរណប និងអាចញែកតំបន់ទឹកជំនន់ចេញពីទីតាំងផ្សេងៗបានយ៉ាងច្បាស់លាស់។ វាមានសមត្ថភាពរៀនពីលក្ខណៈស្មុគស្មាញនៃទិន្នន័យដោយស្វ័យប្រវត្តិ។ ទាមទារសំណុំទិន្នន័យសម្រាប់បង្ហាត់យ៉ាងច្រើនសន្ធឹកសន្ធាប់ និងត្រូវការប្រើប្រាស់អង្គគណនា (GPU) ដែលមានតម្លៃថ្លៃ។ សម្រេចបានភាពត្រឹមត្រូវ (Accuracy) ៩២% និង F1-Score ០.៨៩ លើសំណុំទិន្នន័យសាកល្បង។
Random Forest Classifier
ម៉ាស៊ីនរៀនរ៉េនដមហ្វ័ររ៉េស (Random Forest)
មានភាពងាយស្រួលក្នុងការប្រើប្រាស់ ដំណើរការបានលឿន និងមិនតម្រូវឱ្យមានកុំព្យូទ័រដែលមានកម្លាំងខ្លាំងខ្លាំងពេកនោះទេ។ ជារឿយៗមានការភាន់ច្រឡំក្នុងការបែងចែករវាងតំបន់ទឹក និងស្រមោលភ្នំ ឬអគារខ្ពស់ៗ។ ទទួលបានភាពត្រឹមត្រូវ (F1-Score) ត្រឹមតែ ៨១% ប៉ុណ្ណោះ និងមានកំហុសខ្ពស់នៅតំបន់ទីប្រជុំជន។
Otsu Thresholding
ការកាត់កម្រិតពន្លឺតាមវិធីសាស្ត្រអូតស៊ូ (Otsu Thresholding)
ជាវិធីសាស្ត្រសាមញ្ញបំផុត ដំណើរការលឿនខ្លាំង និងមិនត្រូវការទិន្នន័យសម្រាប់បង្ហាត់ (Unsupervised)។ ភាពសុក្រឹតធ្លាក់ចុះយ៉ាងខ្លាំងនៅពេលរូបភាពផ្កាយរណបមានសម្លេងរំខាន (Speckle noise) ច្រើន ឬមានអាកាសធាតុមិនល្អ។ ផ្តល់លទ្ធផលខ្សោយបំផុតដោយមាន F1-Score ត្រឹមតែ ៧៤%។

ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តវិធីសាស្ត្រស្រាវជ្រាវនេះតម្រូវឱ្យមានការវិនិយោគគួរឱ្យកត់សម្គាល់លើហេដ្ឋារចនាសម្ព័ន្ធបច្ចេកវិទ្យា និងទិន្នន័យធំៗ។

៣. ការពិនិត្យសម្រាប់បរិបទកម្ពុជា/អាស៊ីអាគ្នេយ៍

ភាពលំអៀងនៃទិន្នន័យ (Data Bias)៖

ការសិក្សានេះត្រូវបានបង្ហាត់ និងធ្វើតេស្តដោយផ្អែកលើសំណុំទិន្នន័យពីតំបន់អឺរ៉ុប និងអាមេរិក ដែលមានលក្ខណៈសណ្ឋានដី និងប្រភេទរុក្ខជាតិខុសគ្នាស្រឡះពីប្រទេសកម្ពុជា។ នេះគឺជាចំណុចខ្វះខាតមួយ ព្រោះវត្តមាននៃព្រៃលិចទឹកនៅកម្ពុជាអាចធ្វើឱ្យការវិភាគរូបភាពរ៉ាដាមានការភាន់ច្រឡំ ប្រសិនបើម៉ូដែលមិនត្រូវបានបង្ហាត់ឡើងវិញ (Fine-tuned) ជាមួយទិន្នន័យក្នុងស្រុក។

លទ្ធភាពនៃការអនុវត្ត (Applicability)៖

វិធីសាស្ត្របច្ចេកវិទ្យាទំនើបនេះមានសក្តានុពល និងសារៈសំខាន់ខ្លាំងមែនទែនក្នុងការជួយគ្រប់គ្រងហានិភ័យនៃគ្រោះធម្មជាតិនៅប្រទេសកម្ពុជា។

សរុបសេចក្តីមក ការធ្វើសមាហរណកម្មវិធីសាស្ត្រនេះចូលទៅក្នុងប្រព័ន្ធរដ្ឋបាលកម្ពុជានឹងពង្រឹងសមត្ថភាពឆ្លើយតបទៅនឹងបម្រែបម្រួលអាកាសធាតុ និងជួយសន្សំសំចៃថវិកាជាតិបានយ៉ាងច្រើន។

៤. ផែនការសកម្មភាពសម្រាប់និស្សិត (Actionable Roadmap)

ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖

  1. ជំហានទី១៖ សិក្សាមូលដ្ឋានគ្រឹះនៃទិន្នន័យភូមិសាស្ត្រ និងការសរសេរកូដ: និស្សិតត្រូវចាប់ផ្ដើមស្វែងយល់ពីរបៀបសរសេរកូដតាមរយៈ Python រួមទាំងការប្រើប្រាស់បណ្ណាល័យមូលដ្ឋានដូចជា Numpy និង Pandas ព្រមទាំងរៀនដំណើរការទិន្នន័យរូបភាពផ្កាយរណបនៅក្នុង Google Earth Engine (GEE)
  2. ជំហានទី២៖ ប្រមូល និងរៀបចំទិន្នន័យរូបភាពរ៉ាដា (SAR Data Processing): អនុវត្តការទាញយករូបភាព Sentinel-1 ពីទីភ្នាក់ងារអវកាសអឺរ៉ុប សម្រាប់តំបន់គោលដៅក្នុងប្រទេសកម្ពុជា ហើយធ្វើការបន្សុទ្ធទិន្នន័យ (Pre-processing) ដោយប្រើប្រាស់កម្មវិធី SNAP Tool ដើម្បីកាត់បន្ថយសម្លេងរំខាន (Speckle filtering)។
  3. ជំហានទី៣៖ សាងសង់ និងបង្ហាត់ម៉ូដែលរៀនស៊ីជម្រៅ (Deep Learning Model): ប្រើប្រាស់ PyTorchTensorFlow ដើម្បីសរសេរកូដបង្កើតបណ្ដាញ U-Net រួចបញ្ចូលទិន្នន័យរូបភាពដែលបានរៀបចំរួចដើម្បីបង្ហាត់ម៉ូដែល ដោយប្រើប្រាស់ Google Colab Pro ដើម្បីទទួលបានកម្លាំង GPU គ្រប់គ្រាន់។
  4. ជំហានទី៤៖ វាយតម្លៃសមត្ថភាព និងធ្វើឱ្យម៉ូដែលកាន់តែប្រសើរ: ធ្វើការសាកល្បងម៉ូដែលលើទិន្នន័យថ្មី និងវាស់ស្ទង់ប្រសិទ្ធភាពដោយប្រើប្រាស់រង្វាស់ដូចជា Intersection over Union (IoU) និងកែតម្រូវ Hyperparameters ដើម្បីធានាថាវាអាចកំណត់តំបន់ទឹកជំនន់លើវាលស្រូវ (Oryza sativa) បានត្រឹមត្រូវ។
  5. ជំហានទី៥៖ បង្កើតប្រព័ន្ធបង្ហាញផែនទីអន្តរកម្ម (Interactive Web Map): នាំចេញលទ្ធផលទស្សន៍ទាយ (Predictions) ជាទម្រង់ GeoTIFF ហើយដាក់បញ្ចូលទៅក្នុង QGIS ឬអភិវឌ្ឍន៍ជាប្រព័ន្ធ Web GIS ដោយប្រើ Leaflet.js ដើម្បីងាយស្រួលដល់ការចែកចាយព័ត៌មានទៅកាន់សាធារណជន និងស្ថាប័នពាក់ព័ន្ធ។

៥. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស ការពន្យល់ជាខេមរភាសា (Khmer Explanation) និយមន័យសាមញ្ញ (Simple Definition)
Petroleum hydrocarbons (អ៊ីដ្រូកាបូនប្រេងកាត) សមាសធាតុគីមីដែលផ្សំឡើងពីម៉ូលេគុលអ៊ីដ្រូសែន និងកាបូន ដែលជាសមាសធាតុចម្បងនៃប្រេងឆៅ។ នៅក្នុងបរិបទនៃការស្រាវជ្រាវនេះ វាក្លាយជាសារធាតុពុលដែលគ្របដណ្ដប់លើភាគល្អិតដី រារាំងការផ្លាស់ប្តូរអុកស៊ីហ្សែន និងបំផ្លាញលក្ខណៈរូបនិងគីមីរបស់ដី។ ដូចជាប្រេងម៉ាស៊ីនខាប់ៗដែលកំពប់និងដក់ជាប់លើដី ដែលធ្វើឱ្យដីនោះបាត់បង់សមត្ថភាពស្រូបទឹក និងមិនអាចដាំដំណាំបាន។
Macronutrients (សារធាតុចិញ្ចឹមម៉ាក្រូ / N, P, K) សារធាតុចម្បងៗដែលរុក្ខជាតិត្រូវការជាចាំបាច់ក្នុងបរិមាណច្រើនដើម្បីលូតលាស់ ដែលរួមមាន អាសូត (N) ផូស្វ័រ (P) និងប៉ូតាស្យូម (K)។ ការបំពុលដោយប្រេងបានកាត់បន្ថយកំហាប់សារធាតុទាំងនេះយ៉ាងខ្លាំងនៅក្នុងដី។ ដូចជាបាយ សាច់ និងបន្លែ ដែលជារបបអាហារចម្បងប្រចាំថ្ងៃរបស់មនុស្សយើង ដើម្បីឱ្យមានកម្លាំង និងសុខភាពរឹងមាំ។
Total organic carbon / TOC (កាបូនសរីរាង្គសរុប) រង្វាស់នៃបរិមាណកាបូនទាំងអស់ដែលមាននៅក្នុងសមាសធាតុសរីរាង្គនៃដី ដែលជាសូចនាករប្រាប់ពីកម្រិតជីជាតិ និងសក្តានុពលនៃសកម្មភាពរបស់អតិសុខុមប្រាណក្នុងការបំបែកសារធាតុផ្សេងៗ។ ដូចជាទំហំនៃប្រាក់សន្សំក្នុងធនាគាររបស់ដី ដែលវាអាចបញ្ចេញមកប្រើប្រាស់ជាថាមពលដើម្បីចិញ្ចឹមរុក្ខជាតិ និងពពួកមេរោគល្អៗក្នុងដី។
Electrical conductivity / EC (កម្រិតចម្លងចរន្តអគ្គិសនី) ការវាស់ស្ទង់សមត្ថភាពរបស់ដីក្នុងការចម្លងចរន្តអគ្គិសនី ដែលអាស្រ័យទៅលើបរិមាណអំបិល ឬសារធាតុរ៉ែដែលរលាយក្នុងសូលុយស្យុងដី។ កម្រិត EC ទាបក្នុងតំបន់រងគ្រោះ បង្ហាញពីការខ្វះខាតសារធាតុរ៉ែរលាយដែលចាំបាច់សម្រាប់រុក្ខជាតិ។ ដូចជាការវាស់ជាតិប្រៃនៅក្នុងទឹកស៊ុប បើចរន្តរត់ឆ្លងកាត់បានស្រួល មានន័យថាទឹកនោះមានកម្រិតជាតិអំបិលរ៉ែច្រើន។
Microbial metabolism (ការរំលាយអាហាររបស់អតិសុខុមប្រាណ) ដំណើរការជីវគីមីដែលពពួកបាក់តេរី ឬមេរោគមានប្រយោជន៍ក្នុងដី ប្រើប្រាស់ដើម្បីបំបែកសារធាតុសរីរាង្គ និងសារធាតុពុល (ដូចជាប្រេង) ដើម្បីបង្កើតថាមពល។ ការខ្វះអុកស៊ីហ្សែនដោយសារប្រេង ធ្វើឱ្យដំណើរការនេះដំណើរការមិនបានល្អ។ ដូចជាប្រព័ន្ធរំលាយអាហារក្នុងក្រពះនិងពោះវៀនរបស់យើង ដែលកិនរំលាយចំណីអាហារឱ្យទៅជាថាមពលសម្រាប់ចិញ្ចឹមរាងកាយ។
Remediation measures (វិធានការស្តារឡើងវិញ) ដំណើរការនិងបច្ចេកទេសផ្សេងៗក្នុងការសម្អាត និងស្តារដីដែលរងការបំពុល (ដូចជាការបន្ថែមជី NPK ការបាចកំបោរដើម្បីបន្ថយជាតិអាស៊ីត និងការភ្ជួររាស់ដើម្បីផ្តល់អុកស៊ីហ្សែន) ឱ្យត្រលប់មកជាដីមានជីជាតិវិញ។ ដូចជាការលេបថ្នាំសង្កូវ ចាក់ថ្នាំ ឬផ្តល់វីតាមីនបំប៉ន ព្រមទាំងការសម្រាកព្យាបាលដល់អ្នកជំងឺ ដើម្បីឱ្យគាត់មានសុខភាពល្អជាសះស្បើយឡើងវិញ។
Cation exchange capacity (សមត្ថភាពប្តូរកាទីយ៉ុង) សមត្ថភាពរបស់ភាគល្អិតដី (ជាពិសេសដីឥដ្ឋ និងសារធាតុសរីរាង្គ) ក្នុងការទាញយក រក្សាទុក និងដោះដូរអ៊ីយ៉ុងវិជ្ជមាន (ដូចជា កាល់ស្យូម ម៉ាញ៉េស្យូម) ដែលរុក្ខជាតិអាចស្រូបយកបាន។ ដូចជាចំនួនធ្នើរក្នុងទូទឹកកក បើទូទឹកកកមានធ្នើរច្រើន គឺអាចផ្ទុកម្ហូបអាហារ និងភេសជ្ជៈ (សារធាតុចិញ្ចឹម) បានច្រើនសម្រាប់រង់ចាំយើងយកមកញ៉ាំ។

៦. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖