បញ្ហា (The Problem)៖ ការសិក្សានេះដោះស្រាយបញ្ហានៃការប៉ាន់ប្រមាណបរិមាណកាបូនដែលត្រូវបានស្រូបយក និងស្តុកទុកដោយព្រៃឈើ (Carbon Sequestration) ដើម្បីចូលរួមចំណែកកាត់បន្ថយការឡើងកម្ដៅផែនដី តាមរយៈការប្រៀបធៀបប្រសិទ្ធភាពនៃរូបភាពផ្កាយរណបផ្សេងៗគ្នា។
វិធីសាស្ត្រ (The Methodology)៖ ការស្រាវជ្រាវនេះប្រើប្រាស់ទិន្នន័យអង្កេតព្រៃឈើផ្ទាល់រួមបញ្ចូលជាមួយរូបភាពផ្កាយរណប និងសន្ទស្សន៍រុក្ខជាតិ ដើម្បីវិភាគរកបរិមាណឈើ និងការស្រូបកាបូន។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Multiple Regression Analysis (MRA) ការវិភាគតម្រែតម្រង់ពហុគុណ |
ងាយស្រួលយល់ និងអនុវត្តសម្រាប់ទិន្នន័យដែលមានទំនាក់ទំនងលីនេអ៊ែរច្បាស់លាស់។ វាទាមទារកម្លាំងម៉ាស៊ីនគណនាតិចតួច។ | មិនសូវមានភាពសុក្រឹតខ្ពស់បើប្រៀបធៀបជាមួយម៉ូដែលបណ្តាញសរសៃប្រសាទ ព្រោះវាពិបាកចាប់យកទំនាក់ទំនងស្មុគស្មាញ (Non-linear) រវាងសន្ទស្សន៍រុក្ខជាតិ និងបរិមាណឈើ។ | មានតម្លៃ RMSE ខ្ពស់ជាងគេក្នុងការសិក្សា និងផ្តល់ភាពសុក្រឹតនៃការប៉ាន់ប្រមាណទាបជាងវិធីសាស្ត្រដទៃទៀត។ |
| Back Propagation Neural Networks (BPNN) បណ្តាញសរសៃប្រសាទសិប្បនិម្មិត Back-propagation |
មានសមត្ថភាពខ្ពស់ក្នុងការវិភាគទំនាក់ទំនងស្មុគស្មាញ និងទិន្នន័យមិនលីនេអ៊ែរ ដោយកាត់បន្ថយកំហុសនៃការប៉ាន់ប្រមាណបានយ៉ាងល្អ។ | ត្រូវការទិន្នន័យបណ្តុះបណ្តាល (Training data) ច្រើន និងអាចមានភាពស្មុគស្មាញក្នុងការកំណត់រចនាសម្ព័ន្ធ (Parameter tuning)។ | ផ្តល់លទ្ធផលប៉ាន់ប្រមាណបានល្អជាង MRA និងមានកំហុសខុសគ្នាតិចតួច ប៉ុន្តែនៅតែចាញ់ម៉ូដែលរួមបញ្ចូលចំណាត់ថ្នាក់។ |
| Classification-Base Back Propagation Neural Networks (CBBPN) បណ្តាញសរសៃប្រសាទផ្អែកលើចំណាត់ថ្នាក់រូបភាព GIS |
ផ្តល់ភាពសុក្រឹតខ្ពស់បំផុតដោយរួមបញ្ចូលការចាត់ថ្នាក់រូបភាពផ្អែកលើ GIS ជាមុនសិន (Hybrid model) មុននឹងប្រើប្រាស់បណ្តាញសរសៃប្រសាទ។ | ទាមទារការគណនាស្មុគស្មាញ កម្លាំងម៉ាស៊ីនធំ និងជំនាញខ្ពស់ទាំងផ្នែក GIS និង AI ។ | គឺជាម៉ូដែលដ៏ល្អបំផុត (Optimum model) សម្រាប់ការប៉ាន់ប្រមាណ ដោយនៅពេលប្រើជាមួយរូបភាព IKONOS-2 វាទម្លាក់តម្លៃ RMSE មកត្រឹម 0.31 ដល់ 0.47 ប៉ុណ្ណោះ។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះទាមទារការវិនិយោគកម្រិតខ្ពស់ទៅលើធនធានបច្ចេកវិទ្យា និងទិន្នន័យ រួមទាំងការចំណាយលើរូបភាពផ្កាយរណបពាណិជ្ជកម្ម និងកម្មវិធីកុំព្យូទ័រឯកទេស។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅក្នុងតំបន់ Nanzhuang នៃទីក្រុង Hsinchu កោះតៃវ៉ាន់ ដែលមានប្រភេទព្រៃឈើជាក់លាក់ (Broadleaf និង Coniferous) និងលក្ខខណ្ឌអាកាសធាតុបែបតៃវ៉ាន់។ ដោយសារប្រទេសកម្ពុជាមានប្រភេទព្រៃឈើខុសប្លែកពីនេះ (ដូចជា ព្រៃស្រោង ព្រៃពាក់កណ្តាលស្រោង និងព្រៃរបោះ) និងលក្ខខណ្ឌអាកាសធាតុត្រូពិច ការយកម៉ូដែលនេះមកអនុវត្តផ្ទាល់អាចនឹងមានភាពលម្អៀង។ ដូច្នេះ វាទាមទារឱ្យមានការប្រមូលទិន្នន័យជាក់ស្តែងនៅកម្ពុជាដើម្បីកែតម្រូវម៉ូដែល (Model calibration) ជាមុនសិន។
វិធីសាស្ត្ររួមបញ្ចូលបច្ចេកវិទ្យាផ្កាយរណបកម្រិតច្បាស់ខ្ពស់ និង AI នេះ មានសក្តានុពលខ្លាំងក្នុងការជួយកម្ពុជាធ្វើទំនើបកម្មការវាយតម្លៃបរិមាណកាបូនសម្រាប់ការលក់ឥណទានកាបូន (Carbon Credit)។
សរុបមក ការប្រើប្រាស់រូបភាពផ្កាយរណបរួមផ្សំជាមួយម៉ូដែល Machine Learning គឺជាឧបករណ៍ដ៏មានអានុភាពដែលកម្ពុជាគួរវិនិយោគ ដើម្បីធានាបាននូវនិរន្តរភាពនៃការគ្រប់គ្រងធនធានធម្មជាតិ និងទទួលបានអត្ថប្រយោជន៍ជាអតិបរមាពីទីផ្សារកាបូនពិភពលោក។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Carbon Sequestration | ដំណើរការនៃការចាប់យក និងស្តុកទុកឧស្ម័នកាបូនឌីអុកស៊ីត (CO2) ពីបរិយាកាសចូលទៅក្នុងរុក្ខជាតិ ដី ឬមហាសមុទ្រ ដើម្បីកាត់បន្ថយការឡើងកម្ដៅផែនដី។ ក្នុងការសិក្សានេះ គេវាស់វែងបរិមាណកាបូនដែលស្តុកក្នុងគល់ ស្លឹក និងមែកឈើ។ | ដូចជាម៉ាស៊ីនបូមធូលីដែលស្រូបយកផ្សែងពុលពីខ្យល់អាកាស ហើយយកមកលាក់ទុកក្នុងដើមឈើដើម្បីធ្វើឱ្យបរិស្ថានស្រស់ថ្លា។ |
| Normalized Difference Vegetation Index (NDVI) | សន្ទស្សន៍រុក្ខជាតិដែលគណនាពីភាពខុសគ្នារវាងពន្លឺក្រហម (ដែលរុក្ខជាតិស្រូបយក) និងពន្លឺអ៊ីនហ្វ្រារ៉េដ (ដែលរុក្ខជាតិជះត្រឡប់) ដើម្បីវាស់ស្ទង់ដង់ស៊ីតេ និងកម្រិតសុខភាពរបស់រុក្ខជាតិពីលើរូបភាពផ្កាយរណប។ | ដូចជាការប្រើកែវយឺតពិសេសមើលពីលើអាកាស ដើម្បីដឹងថាព្រៃឈើនៅតំបន់ណាមួយមានពណ៌បៃតងស្រស់ និងមានស្លឹកក្រាស់កម្រិតណា។ |
| Back Propagation Neural Networks (BPNN) | ម៉ូដែលបញ្ញាសិប្បនិម្មិត (AI) ដែលរៀនពីទិន្នន័យដោយការកែតម្រូវកំហុសថយក្រោយ (Back-error propagation)។ វាព្យាយាមស្វែងរកទំនាក់ទំនងស្មុគស្មាញ (Non-linear) រវាងទិន្នន័យបញ្ជូល (សន្ទស្សន៍រូបភាព) និងទិន្នន័យចង់បាន (បរិមាណកាបូន)។ | ដូចជាសិស្សដែលធ្វើលំហាត់ខុស ហើយផ្ទៀងផ្ទាត់ជាមួយចម្លើយត្រឹមត្រូវ រួចកែតម្រូវរបៀបគិតរបស់ខ្លួនឯងម្តងបន្តិចៗរហូតដល់ចេះធ្វើលំហាត់នោះបានត្រឹមត្រូវដោយស្វ័យប្រវត្តិ។ |
| Multiple Regression Analysis (MRA) | វិធីសាស្ត្រស្ថិតិដែលប្រើប្រាស់អថេរឯករាជ្យច្រើន (ដូចជាសន្ទស្សន៍រូបភាព NDVI, RVI) ដើម្បីទស្សន៍ទាយ ឬប៉ាន់ស្មានតម្លៃនៃអថេរអាស្រ័យមួយ (បរិមាណឈើ ឬកាបូន) តាមរយៈសមីការលីនេអ៊ែរ។ | ដូចជាការប៉ាន់ស្មានទម្ងន់របស់មនុស្សម្នាក់ ដោយពឹងផ្អែកលើព័ត៌មានច្រើនបញ្ចូលគ្នា ដូចជា កម្ពស់ ទំហំចង្កេះ និងអាយុ។ |
| Classification-Base Back Propagation Neural Networks (CBBPN) | វិធីសាស្ត្រកូនកាត់ (Hybrid) ដែលរួមបញ្ចូលការចាត់ថ្នាក់ប្រភេទព្រៃឈើជាមុនសិនតាមរយៈប្រព័ន្ធ GIS រួចទើបប្រើប្រាស់បណ្តាញសរសៃប្រសាទ (BPNN) ធ្វើការគណនាតាមក្រុមនីមួយៗ ដើម្បីទទួលបានភាពសុក្រឹតខ្ពស់បំផុត។ | ដូចជាការបែងចែកសិស្សជាក្រុមៗតាមកម្រិតសមត្ថភាពជាមុនសិន ទើបផ្តល់មេរៀនបង្រៀនតាមក្រោយ ដែលធ្វើឱ្យលទ្ធផលសិក្សាកាន់តែមានប្រសិទ្ធភាពជាងការបង្រៀនលាយឡំគ្នា។ |
| Root Mean Square Error (RMSE) | រង្វាស់នៃការវាយតម្លៃភាពសុក្រឹតរបស់ម៉ូដែលវិភាគ ដោយគណនាគម្លាតមធ្យមរវាងតម្លៃដែលម៉ូដែលទស្សន៍ទាយបាន និងតម្លៃជាក់ស្តែងដែលវាស់វែងបាន។ តម្លៃ RMSE កាន់តែតូច បញ្ជាក់ថាម៉ូដែលកាន់តែមានភាពត្រឹមត្រូវខ្ពស់។ | ដូចជាការវាស់ចម្ងាយរវាងគោលដៅនិងគ្រាប់ព្រួញដែលយើងបាញ់ខុស ថាតើជាមធ្យមយើងបាញ់ឃ្លាតពីគោលដៅប៉ុន្មានសង់ទីម៉ែត្រ។ |
| Remote Sensing | បច្ចេកវិទ្យាក្នុងការប្រមូលព័ត៌មានអំពីវត្ថុ ឬតំបន់ណាមួយពីចម្ងាយ (ឧទាហរណ៍ តាមរយៈផ្កាយរណប ឬយន្តហោះ) ដោយមិនបាច់ចុះទៅប៉ះផ្ទាល់ ដើម្បីវិភាគពីលក្ខណៈភូមិសាស្ត្រ និងបរិស្ថាន។ | ដូចជាការថតរូបពីលើអាកាសដើម្បីមើលទិដ្ឋភាពរួមនៃទីក្រុងមួយ ដោយមិនចាំបាច់ដើរតាមផ្លូវគ្រប់ច្រកល្ហកនោះទេ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
