បញ្ហា (The Problem)៖ ការសិក្សានេះដោះស្រាយបញ្ហាកង្វះខាតស្ថានីយអាកាសធាតុសម្រាប់ការធ្វើសមាហរណកម្មទិន្នន័យក្នុងទ្រង់ទ្រាយធំ (Large-scale interpolation) ដោយវាយតម្លៃលើម៉ូដែល Kriging ដើម្បីគូសផែនទីការប្រែប្រួលលំហនៃគ្រោះរាំងស្ងួតផ្នែកឧតុនិយមនៅក្នុងខេត្ត Fars ប្រទេសអ៊ីរ៉ង់ ដោយសារតែនិន្នាការនៃគ្រោះរាំងស្ងួតមានការកើនឡើង។
វិធីសាស្ត្រ (The Methodology)៖ វិធីសាស្ត្រនៃការស្រាវជ្រាវរួមមានការគណនាសន្ទស្សន៍ SPI-3 សម្រាប់ស្ថានីយសង្កេតអាកាសធាតុ ការបង្កើតតារាង Empirical Semi-variograms និងការសាកល្បងម៉ូដែល Kriging ចំនួន ១៧ ប្រភេទ ដោយប្រើបច្ចេកទេសផ្ទៀងផ្ទាត់ខ្វែង (Cross-validation)។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Ordinary Kriging (Linear, Power, Square root, Logarithmic, Gaussian) គ្រីជីងធម្មតា (Ordinary Kriging) ដែលប្រើម៉ូដែល Linear, Power, Square root, Logarithmic និង Gaussian |
មានភាពត្រឹមត្រូវខ្ពស់ក្នុងការប៉ាន់ស្មានលំហនៃសន្ទស្សន៍ SPI-3 និងអាចបង្ហាញពីនិរន្តរភាពលំហបានយ៉ាងល្អ ជាពិសេសម៉ូដែល Gaussian។ | ទាមទារទិន្នន័យដែលមានគុណភាព និងការកំណត់ប៉ារ៉ាម៉ែត្រត្រឹមត្រូវ ព្រមទាំងអាចមានកំហុសនៅតំបន់ក្បែរភ្នំដែលខ្វះស្ថានីយវាស់វែង។ | ទទួលបានតម្លៃកំហុសទាបបំផុតក្នុងការផ្ទៀងផ្ទាត់ខ្វែង (MSE = 0.95 និង RMSE ចន្លោះពី 0.97 ដល់ 0.975)។ |
| Simple Kriging គ្រីជីងសាមញ្ញ (Simple Kriging) |
ងាយស្រួលក្នុងការគណនានិងអនុវត្ត នៅពេលដែលមធ្យមភាគនៃទិន្នន័យត្រូវបានដឹងច្បាស់ និងថេរ។ | ផ្តល់លទ្ធផលមិនសូវសុក្រឹតបើប្រៀបធៀបនឹង Ordinary Kriging សម្រាប់ការសិក្សានេះ ដោយសារការប្រែប្រួលនៃមធ្យមភាគទឹកភ្លៀងក្នុងតំបន់ជាក់ស្តែង។ | មានតម្លៃកំហុសខ្ពស់ជាងបន្តិច (ឧទាហរណ៍ ម៉ូដែល Linear មាន MSE = 0.998, RMSE = 0.999)។ |
| Universal Kriging គ្រីជីងសកល (Universal Kriging) |
ស័ក្តិសមបំផុតសម្រាប់ទិន្នន័យដែលមាននិន្នាការ (Trend) ជាក់លាក់នៅក្នុងលំហ។ | មានកម្រិតកំហុសខ្ពស់បំផុតក្នុងការប៉ាន់ស្មានទិន្នន័យ SPI-3 នៅក្នុងការសិក្សានេះ ដោយសារទិន្នន័យមិនមាននិន្នាការច្បាស់លាស់។ | តម្លៃកំហុសខ្ពស់បំផុតក្នុងចំណោមម៉ូដែលទាំងអស់ (ឧទាហរណ៍ Linear (No Trend) មាន MSE = 1.48, RMSE = 1.21)។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ទោះបីជាឯកសារមិនបានបញ្ជាក់លម្អិតអំពីតម្លៃធនធានហិរញ្ញវត្ថុក៏ដោយ ប៉ុន្តែការអនុវត្តវិធីសាស្ត្រនេះទាមទារកម្មវិធីកុំព្យូទ័រឯកទេស និងទិន្នន័យឧតុនិយមប្រវត្តិសាស្ត្រក្នុងរយៈពេលវែង។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅខេត្ត Fars ប្រទេសអ៊ីរ៉ង់ ដែលជាតំបន់មានភ្នំស៊ាំញ៉ាំ និងអាកាសធាតុពាក់កណ្តាលរាំងស្ងួត ដោយប្រើប្រាស់ទិន្នន័យទឹកភ្លៀងពីស្ថានីយចំនួន ១២ ប៉ុណ្ណោះ ដែលកង្វះខាតស្ថានីយនៅតំបន់ភ្នំអាចធ្វើឱ្យមានកំហុស Bias ក្នុងការប៉ាន់ស្មាន។ សម្រាប់ប្រទេសកម្ពុជា ដែលមានលក្ខណៈភូមិសាស្ត្រ និងអាកាសធាតុត្រូពិចសើម ការអនុវត្តម៉ូដែលនេះត្រូវមានការប្រុងប្រយ័ត្ន និងតម្រូវឱ្យមានការកែសម្រួលប៉ារ៉ាម៉ែត្រ (Variogram settings) ឱ្យស្របតាមបរិបទជាក់ស្តែង។
វិធីសាស្ត្រ Kriging សម្រាប់ការវិភាគសន្ទស្សន៍គ្រោះរាំងស្ងួតនេះ ពិតជាមានសារៈសំខាន់ និងអាចយកមកអនុវត្តនៅកម្ពុជាបាន ដើម្បីត្រៀមលក្ខណៈនិងគ្រប់គ្រងហានិភ័យនៃគ្រោះរាំងស្ងួត។
សរុបមក ការប្រើប្រាស់បច្ចេកទេសសមាហរណកម្មលំហ (Spatial Interpolation) ដូចជា Kriging នឹងផ្តល់អត្ថប្រយោជន៍យ៉ាងធំធេងដល់កម្ពុជាក្នុងការសម្របខ្លួនទៅនឹងការប្រែប្រួលអាកាសធាតុ ការពង្រីកបណ្តាញស្ថានីយឧតុនិយម និងការកាត់បន្ថយហានិភ័យគ្រោះមហន្តរាយ។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Kriging | ជាវិធីសាស្ត្រស្ថិតិភូមិសាស្ត្រមួយសម្រាប់ធ្វើការប៉ាន់ស្មាន ឬទស្សន៍ទាយតម្លៃនៃចំណុចណាមួយដែលគ្មានទិន្នន័យ ដោយផ្អែកលើទិន្នន័យពិតប្រាកដពីទីតាំងដែលនៅជុំវិញនោះ ព្រមទាំងគិតគូរពីគម្លាត និងកម្រិតនៃទំនាក់ទំនងរវាងទីតាំងទាំងនោះ។ | ដូចជាការទស្សន៍ទាយបរិមាណទឹកភ្លៀងនៅផ្ទះរបស់អ្នក ដោយផ្អែកលើកម្រិតទឹកភ្លៀងនៅផ្ទះអ្នកជិតខាងទាំង៤ទិសដែលនៅជុំវិញអ្នក។ |
| Spatial interpolation | ដំណើរការនៃការបង្កើតទិន្នន័យប៉ាន់ស្មានសម្រាប់ផ្ទៃតំបន់ទាំងមូល ដោយប្រើប្រាស់ចំណុចទិន្នន័យដាច់ៗពីគ្នា (ឧទាហរណ៍ ស្ថានីយវាស់ទឹកភ្លៀង) ដើម្បីបង្កើតបានជាផែនទីលំហពេញលេញមួយដែលគ្មានចន្លោះប្រហោង។ | ដូចជាការលាបពណ៌បំពេញចន្លោះទទេនៅលើផ្ទាំងគំនូរ ដោយពឹងផ្អែកលើពណ៌នៃចំណុចតូចៗដែលគេបានគូសជាគំរូទុកជាមុន។ |
| Standardized Precipitation Index (SPI) | ជាសន្ទស្សន៍ស្តង់ដារដែលប្រើសម្រាប់វាស់ស្ទង់កម្រិតភាពរាំងស្ងួតផ្នែកឧតុនិយម ដោយប្រៀបធៀបបរិមាណទឹកភ្លៀងដែលធ្លាក់ជាក់ស្តែងក្នុងរយៈពេលណាមួយ (ឧទាហរណ៍ ៣ខែ) ទៅនឹងមធ្យមភាគប្រវត្តិសាស្ត្រនៃទឹកភ្លៀងនៅតំបន់នោះ។ | ដូចជាការប្រៀបធៀបប្រាក់ចំណូលខែនេះរបស់អ្នក ទៅនឹងប្រាក់ចំណូលមធ្យមដែលអ្នកធ្លាប់រកបានក្នុងរយៈពេល១០ឆ្នាំកន្លងមក ដើម្បីដឹងថាខែនេះអ្នកខ្វះខាត ឬធូរធារជាងធម្មតា។ |
| Empirical Semi-variogram | ជាក្រាហ្វិកគណិតវិទ្យាដែលបង្ហាញពីរបៀបដែលទិន្នន័យប្រែប្រួលទៅតាមចម្ងាយ។ វាជួយឱ្យយើងយល់ថា តើទីតាំងពីរដែលនៅជិតគ្នានឹងមានលក្ខណៈស្រដៀងគ្នាកម្រិតណា បើប្រៀបធៀបនឹងទីតាំងដែលនៅឆ្ងាយពីគ្នា ដើម្បីជ្រើសរើសម៉ូដែលវិភាគឱ្យបានត្រឹមត្រូវ។ | ដូចជាការវាស់ស្ទង់ច្បាប់សង្គមដែលថា "មនុស្សរស់នៅភូមិជាមួយគ្នា ច្រើនតែមានទម្លាប់ស្រដៀងគ្នាជាងមនុស្សដែលរស់នៅខេត្តផ្សេងគ្នា"។ |
| Cross-validation | បច្ចេកទេសសម្រាប់ត្រួតពិនិត្យភាពត្រឹមត្រូវនៃម៉ូដែលទស្សន៍ទាយ ដោយដកទិន្នន័យពិតមួយចេញ រួចប្រើម៉ូដែលដើម្បីទស្សន៍ទាយទិន្នន័យដែលបានដកចេញនោះ ហើយចុងក្រោយយកលទ្ធផលទៅផ្ទៀងផ្ទាត់ជាមួយទិន្នន័យពិតដែលបានលាក់ទុក ដើម្បីគណនារកកំហុស។ | ដូចជាការបិទភ្នែកទាយរសជាតិម្ហូបដែលអ្នកធ្លាប់ស្គាល់ រួចបើកភ្នែកផ្ទៀងផ្ទាត់ចម្លើយថាតើការទាយរបស់អ្នកត្រឹមត្រូវកម្រិតណា។ |
| Geostatistics | សាខានៃវិទ្យាសាស្ត្រស្ថិតិដែលផ្តោតលើការវិភាគទិន្នន័យដែលមានទំនាក់ទំនងនឹងទីតាំងភូមិសាស្ត្រ (លំហ) ដើម្បីស្វែងយល់ពីគំរូ (Patterns) និងធ្វើការទស្សន៍ទាយបាតុភូតផ្សេងៗនៅលើផ្ទៃដី។ | ជាការយកគណិតវិទ្យាទៅសួរផែនទីថា "តើមានអ្វីកើតឡើងនៅកន្លែងដែលយើងមើលមិនឃើញ?" |
| Gamma distribution | ជាទម្រង់នៃរបាយប្រូបាប៊ីលីតេ (Probability distribution) ក្នុងស្ថិតិ ដែលត្រូវបានគេប្រើប្រាស់ជាញឹកញាប់សម្រាប់តំណាងឱ្យអថេរដែលមិនអាចមានតម្លៃអវិជ្ជមាន ដូចជាបរិមាណទឹកភ្លៀងដែលមិនអាចតិចជាងសូន្យ។ | ដូចជាការគូសខ្សែកោងប្រាប់ពីឱកាសនៃការត្រូវរង្វាន់ ដែលរង្វាន់នោះមិនអាចមានតម្លៃជាបំណុល (អវិជ្ជមាន) នោះទេ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
