Original Title: AUTOMATIC DETERMINATION OF FOREST INVENTORY PARAMETERS USING TERRESTRIAL LASER SCANNING
Source: www.zf-laser.com
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original paper for full scientific accuracy.

ការកំណត់ប៉ារ៉ាម៉ែត្រសារពើភ័ណ្ឌព្រៃឈើដោយស្វ័យប្រវត្តិដោយប្រើការស្កេនឡាស៊ែរលើដី

ចំណងជើងដើម៖ AUTOMATIC DETERMINATION OF FOREST INVENTORY PARAMETERS USING TERRESTRIAL LASER SCANNING

អ្នកនិពន្ធ៖ Merlijn Simonse (Albert Ludwigs University, Institute for Forest Growth, Freiburg, Germany), Tobias Aschoff (Albert Ludwigs University, Institute for Forest Growth, Freiburg, Germany), Heinrich Spiecker (Albert Ludwigs University, Institute for Forest Growth, Freiburg, Germany), Michael Thies (Albert Ludwigs University, Institute for Forest Growth, Freiburg, Germany)

ឆ្នាំបោះពុម្ព៖ 2003, Institute for Forest Growth, Freiburg

វិស័យសិក្សា៖ Forestry and Geomatics

១. សេចក្តីសង្ខេបប្រតិបត្តិ (Executive Summary)

បញ្ហា (The Problem)៖ ឯកសារនេះដោះស្រាយបញ្ហាតម្រូវការក្នុងការកំណត់បរិមាណប៉ារ៉ាម៉ែត្រសារពើភ័ណ្ឌព្រៃឈើ (ដូចជាទីតាំងដើមឈើ និងអង្កត់ផ្ចិតកម្ពស់ដើមទ្រូង) ដោយស្វ័យប្រវត្តិ ច្បាស់លាស់ និងមានសត្យានុម័ត តាមរយៈការប្រើប្រាស់បច្ចេកវិទ្យាស្កេនឡាស៊ែរលើដី (Terrestrial Laser Scanning)។

វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះស្នើឡើងនូវដំណើរការរៀបចំទិន្នន័យដោយស្វ័យប្រវត្តិ ដោយចាប់ផ្តើមពីទិន្នន័យចំណុចឆៅ (Raw point clouds) ដើម្បីទាញយកទិន្នន័យរង្វាស់ដើមឈើនីមួយៗ តាមរយៈវិធីសាស្ត្រជាច្រើនជំហាន។

លទ្ធផលសំខាន់ៗ (The Verdict)៖

២. ការវិភាគលើប្រសិទ្ធភាព និងដែនកំណត់ (Performance & Constraints)

វិធីសាស្ត្រ (Method) គុណសម្បត្តិ (Pros) គុណវិបត្តិ (Cons) លទ្ធផលគន្លឹះ (Key Result)
Conventional Forest Inventory Measurement (Total Station & Calliper)
ការវាស់ស្ទង់សារពើភ័ណ្ឌព្រៃឈើតាមបែបប្រពៃណីដោយឧបករណ៍ Total Station និង Calliper
មានភាពច្បាស់លាស់ជាទីពឹងផ្អែក (Ground truth) និងអាចទប់ទល់នឹងបញ្ហាឧបសគ្គដូចជាវល្លិ ឬគុម្ពោតព្រៃក្រាស់ៗបានយ៉ាងល្អ។ ចំណាយពេលយូរ ត្រូវការកម្លាំងពលកម្មច្រើន និងអាចរងឥទ្ធិពលពីកំហុសឆ្គងរបស់អ្នកវាស់ (Subjective errors)។ ត្រូវបានប្រើជាទិន្នន័យគោល (Reference) ដោយបានវាស់វែងនិងកំណត់ទីតាំងដើមឈើទាំង ២៨ ដើមដោយផ្ទាល់។
Terrestrial Laser Scanning (TLS) + Hough-transformation
ការស្កេនឡាស៊ែរលើដី (TLS) រួមផ្សំជាមួយបច្ចេកទេស Hough-transformation
មានល្បឿនលឿន ផ្តល់ទិន្នន័យមានគុណភាពបង្ហាញខ្ពស់ (High resolution) ធ្វើការដោយស្វ័យប្រវត្តិ និងធានាបាននូវការវាស់វែងដែលមិនលម្អៀង។ រងការរំខានដោយស្លឹក និងមែកឈើដែលបាំងផ្លូវឡាស៊ែរ (Occlusion) បញ្ហាកំហុសទីតាំងដោយសារភាពកោងនៃគល់ឈើ និងទាមទារឧបករណ៍តម្លៃថ្លៃ។ អាចកំណត់អត្តសញ្ញាណដើមឈើបាន ២៦ ក្នុងចំណោម ២៨ ដើម ដោយមានគម្លាត DBH ជាមធ្យម ១.៧ សង់ទីម៉ែត្រ បើធៀបនឹងការវាស់ផ្ទាល់។

ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តប្រព័ន្ធនេះទាមទារការវិនិយោគខ្ពស់លើឧបករណ៍ស្កេនឡាស៊ែរ និងកុំព្យូទ័រដែលមានសមត្ថភាពខ្ពស់សម្រាប់ដំណើរការទិន្នន័យចំណុច (Point Clouds) ដែលមានទំហំធំ។

៣. ការពិនិត្យសម្រាប់បរិបទកម្ពុជា/អាស៊ីអាគ្នេយ៍

ភាពលំអៀងនៃទិន្នន័យ (Data Bias)៖

ការសិក្សានេះត្រូវបានធ្វើឡើងនៅក្នុងប្រទេសអាល្លឺម៉ង់ ដោយប្រមូលទិន្នន័យលើប្រភេទឈើស្រល់ (Douglas និង Silver fir) ចំនួន ២៨ ដើមនៅក្នុងតំបន់ព្រៃដែលមានលក្ខណៈស្រឡះល្អ។ សម្រាប់ប្រទេសកម្ពុជាដែលមានប្រភេទព្រៃត្រូពិច (Tropical forest) សម្បូរដោយរុក្ខជាតិចម្រុះ វល្លិ និងគុម្ពោតព្រៃក្រាស់ៗ បច្ចេកវិទ្យានេះអាចនឹងប្រឈមមុខនឹងកម្រិតរាំងស្ទះពន្លឺឡាស៊ែរ (Occlusion/Noise) ខ្ពស់ជាងនេះ ដែលទាមទារការកែសម្រួលក្បួនរ៉ាប់រងបន្ថែម។

លទ្ធភាពនៃការអនុវត្ត (Applicability)៖

ទោះបីជាប្រឈមនឹងភាពស្មុគស្មាញនៃព្រៃត្រូពិចក៏ដោយ បច្ចេកវិទ្យា TLS នេះមានសក្តានុពលយ៉ាងធំធេងសម្រាប់ការងារស្រាវជ្រាវ និងអភិរក្សនៅកម្ពុជា។

ជារួម ការបញ្ជ្រាបបច្ចេកវិទ្យាស្កេនឡាស៊ែរត្រីមាត្រនេះទៅក្នុងការងារព្រៃឈើកម្ពុជា នឹងជួយលើកកម្ពស់ស្តង់ដារ និងតម្លាភាពទិន្នន័យព្រៃឈើជាតិ ប៉ុន្តែទាមទារឱ្យមានការសាកល្បងកែច្នៃក្បួន (Algorithm adaptation) សម្រាប់ប្រព័ន្ធអេកូឡូស៊ីព្រៃត្រូពិចជាមុនសិន។

៤. ផែនការសកម្មភាពសម្រាប់និស្សិត (Actionable Roadmap)

ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖

  1. សិក្សាមូលដ្ឋានគ្រឹះនៃទិន្នន័យ 3D Point Cloud: និស្សិតគួរចាប់ផ្តើមស្វែងយល់ពីរបៀបដំណើរការទិន្នន័យចំណុចត្រីមាត្រ (3D Point Clouds) ដោយប្រើប្រាស់កម្មវិធីបើកទូលាយ (Open-source) ដូចជា CloudCompare ឬ PDAL ដើម្បីរៀនពីរបៀបត្រង (Filter) និងកាត់បន្ថយ Noise ។
  2. អភិវឌ្ឍជំនាញសរសេរកូដសម្រាប់ទិន្នន័យលំហ (Spatial Programming): ផ្តោតលើការរៀនភាសា Python ដោយប្រើប្រាស់បណ្ណាល័យ Open3D ឬ PCL (Point Cloud Library) ដើម្បីអាចសរសេរក្បួនស្វ័យប្រវត្តិសម្រាប់ការកសាងគំរូដីឌីជីថល (DTM) និងញែកដើមឈើចេញពីផ្ទៃដី។
  3. អនុវត្តក្បួន Pattern Recognition ជាមួយ OpenCV: សិក្សាស៊ីជម្រៅលើបច្ចេកទេសបំប្លែង Hough (Hough-transformation) សម្រាប់ការស្វែងរករាងរង្វង់ (Circle detection) ដោយអនុវត្តផ្ទាល់ជាមួយបណ្ណាល័យ OpenCV លើទិន្នន័យកាត់មុខកាត់ (Cross-section) នៃដើមឈើ។
  4. អនុវត្តគម្រោងសាកល្បងនៅឧទ្យានជាតិគិរីរម្យ (Pilot Study): ធ្វើការចុះវាស់ស្ទង់ជាក់ស្តែងដោយប្រើប្រាស់ម៉ាស៊ីនស្កេនឡាស៊ែរលើដីនៅតំបន់ព្រៃស្រល់គិរីរម្យ រួចប្រៀបធៀបលទ្ធផលដែលគណនាបានពីកុំព្យូទ័រ ជាមួយទិន្នន័យវាស់ផ្ទាល់ដោយឧបករណ៍ Calliper។
  5. អភិវឌ្ឍក្បួន (Algorithm) សម្រាប់ព្រៃត្រូពិច: បន្ទាប់ពីជោគជ័យលើព្រៃស្រល់ ត្រូវស្រាវជ្រាវកែច្នៃក្បួនគណិតវិទ្យា (Algebraic models) បន្ថែម ដើម្បីឱ្យប្រព័ន្ធអាចទស្សន៍ទាយរាងធរណីមាត្រដើមឈើដែលមិនមូលល្អ និងអាចកាត់ឆ្វៀលទិន្នន័យរំខានពីវល្លិរុំជុំវិញដើមបាន (Liana interference reduction)។

៥. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស ការពន្យល់ជាខេមរភាសា (Khmer Explanation) និយមន័យសាមញ្ញ (Simple Definition)
Terrestrial laser scanning បច្ចេកវិទ្យាប្រើប្រាស់ឧបករណ៍បាញ់ពន្លឺឡាស៊ែរពីលើដីដើម្បីវាស់ស្ទង់ទម្រង់ និងចម្ងាយនៃវត្ថុជុំវិញខ្លួនដោយស្វ័យប្រវត្តិ បង្កើតបានជាចំណុចទិន្នន័យត្រីមាត្រ (3D point clouds) រាប់លានចំណុច ដែលអាចយកទៅវិភាគទម្រង់ព្រៃឈើ និងវាស់ស្ទង់បានយ៉ាងល្អិតល្អន់។ ដូចជាប្រចៀវដែលប្រើសំឡេងខ្ទ័រដើម្បីស្គាល់ទីតាំង ប៉ុន្តែនេះគឺម៉ាស៊ីនប្រើពន្លឺឡាស៊ែរបាញ់ស្កេនរាប់លានដងជុំវិញខ្លួនដើម្បីបង្កើតជារូបរាងផែនទី 3D នៃព្រៃទាំងមូល។
Diameter at breast height (DBH) ជារង្វាស់ស្តង់ដារអន្តរជាតិក្នុងវិស័យរុក្ខាប្រមាញ់ ដែលតំណាងឱ្យអង្កត់ផ្ចិតនៃគល់ឈើ ដោយវាស់នៅកម្ពស់ត្រឹមដើមទ្រូងរបស់មនុស្ស (ជាទូទៅកម្ពស់ ១.៣០ ម៉ែត្រពីដី) ដើម្បីយកទៅគណនាទំហំ និងបរិមាណម៉ាសឈើ។ ប្រៀបដូចជាការវាស់ទំហំចង្កេះមនុស្សដើម្បីកាត់ខោវ៉ាវ ប៉ុន្តែនេះគឺការវាស់ទំហំដើមឈើនៅត្រឹមកម្ពស់ដើមទ្រូងដើម្បីដឹងពីភាពធំធាត់និងតម្លៃរបស់វា។
Digital Terrain Model (DTM) ជាទម្រង់ផែនទីកុំព្យូទ័រត្រីមាត្រ (3D) ដែលបង្ហាញតែទម្រង់ផ្ទៃដីសុទ្ធសាធ ដោយកុំព្យូទ័របានច្រោះ និងលុបចេញនូវចំណុចរំខានផ្សេងៗដូចជា ដើមឈើ ស្លឹកឈើ និងគម្របព្រៃពីផ្ទៃខាងលើអស់ហើយ។ ដូចជាការយកសន្លឹកកៅស៊ូស្តើងទៅក្រាលគ្របពីលើផ្ទៃដីទទេ ដោយបកយកផ្ទះឬដើមឈើចេញអស់ ដើម្បីមើលថាតើដីនោះមានរាងរលាក់ឬជម្រាលបែបណា។
Phase difference scanner ជាប្រភេទម៉ាស៊ីនស្កេនឡាស៊ែរដែលគណនាចម្ងាយរបស់វត្ថុដោយវាស់ភាពខុសគ្នានៃរលកពន្លឺ (Phase shift) រវាងពន្លឺដែលបញ្ចេញទៅ និងពន្លឺដែលជះត្រឡប់មកវិញ ដែលមានលក្ខណៈពិសេសត្រង់ល្បឿនលឿន និងភាពច្បាស់លាស់កម្រិតមីលីម៉ែត្រ។ ដូចជាការគប់កូនបាល់ទៅជញ្ជាំងហើយចាប់វាវិញ ដោយប្រើចង្វាក់នៃពេលវេលារបស់បាល់ដើម្បីដឹងថាជញ្ជាំងនៅឆ្ងាយប៉ុនណាពីអ្នក។
Ambiguity interval ជាចម្ងាយអតិបរមាដែលម៉ាស៊ីនស្កេនឡាស៊ែរប្រភេទ Phase difference អាចអានទិន្នន័យដោយគ្មានកំហុស។ ប្រសិនបើវត្ថុនៅឆ្ងាយជាងចម្ងាយនេះ ទិន្នន័យដែលទទួលបាននឹងរាយការណ៍ខុស ធ្វើឱ្យចំណុចដែលនៅឆ្ងាយ (ឧ. ៦០ម៉ែត្រ) បង្ហាញថាមានទីតាំងនៅជិតកាមេរ៉ា (ឧ. ៦.៥ម៉ែត្រ) វិញ។ ដូចជាខ្សែបន្ទាត់រង្វាស់ដែលមានប្រវែងវែងបំផុតត្រឹម ១០ ម៉ែត្រ បើអ្នកយកទៅវាស់របស់ប្រវែង ១២ ម៉ែត្រ វានឹងរាប់សារជាថ្មីពីសូន្យ ហើយប្រាប់ថាមានប្រវែងត្រឹមតែ ២ ម៉ែត្រប៉ុណ្ណោះ។
Hough-transformation ជាក្បួនអល់ហ្គោរីតឹមគណិតវិទ្យាក្នុងការសម្គាល់ទម្រង់ (Pattern recognition) ដែលបំប្លែងទិន្នន័យចំណុចទៅជាទម្រង់ធរណីមាត្រ។ ក្នុងការសិក្សានេះ គេប្រើវាដើម្បីស្វែងរករាងរង្វង់នៃមុខកាត់ដើមឈើដោយស្វ័យប្រវត្តិ ក្នុងចំណោមបណ្តុំចំណុចស្មុគស្មាញ។ ដូចជាល្បែងផ្គុំរូប (Puzzle) ដែលកុំព្យូទ័រព្យាយាមយកកងរង្វង់ដែលមានទំហំផ្សេងៗគ្នា ទៅតម្រៀបដាក់ពីលើបណ្តុំចំណុច រហូតទាល់តែវារកឃើញថារង្វង់មួយណាស៊ីគ្នាបេះបិទជាមួយរាងគល់ឈើ។
Point noise គឺជាទិន្នន័យចំណុច (Points) ដែលខុសប្រក្រតី មិនពិតប្រាកដ ឬមិនតំណាងឱ្យវត្ថុដែលចង់វាស់។ វាអាចកើតឡើងដោយសារចំណាំងផ្លាតពីវត្ថុនៅក្រៅដែនកំណត់ម៉ាស៊ីន ឬភាគល្អិតតូចៗក្នុងខ្យល់ ដែលទាមទារការច្រោះ (Filtering) ទើបអាចប្រើប្រាស់បាន។ ដូចជាស្នាមអុចៗរំខាននៅលើកញ្ចក់ទូរទស្សន៍ជំនាន់ចាស់នៅពេលបាត់ប៉ុស្តិ៍ ដែលធ្វើឱ្យរូបភាពព្រិល និងចាំបាច់ត្រូវតែជូតសម្អាតចេញដើម្បីមើលឃើញរូបភាពពិត។

៦. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖