បញ្ហា (The Problem)៖ ការសិក្សានេះដោះស្រាយបញ្ហានៃការចំណាយពេលយូរក្នុងការវាស់ស្ទង់ផ្ទាល់នៅទីវាល ដោយស្វែងរកវិធីសាស្ត្រដ៏ល្អបំផុតតាមរយៈការប្រើប្រាស់បច្ចេកវិទ្យាតេឡេអាប់ទិក ដើម្បីប៉ាន់ប្រមាណជីវម៉ាស និងបរិមាណស្តុកទុកកាបូនក្នុងព្រៃសហគមន៍ សម្រាប់ការកាត់បន្ថយការឡើងកំដៅផែនដី។
វិធីសាស្ត្រ (The Methodology)៖ ការស្រាវជ្រាវនេះបានអនុវត្តតាមជំហានសំខាន់ៗចំនួន៤ ដោយរួមបញ្ចូលការវិភាគទិន្នន័យផ្កាយរណប ការចុះវាស់ស្ទង់ផ្ទាល់ និងការបង្កើតសមីការទំនាក់ទំនងស្ថិតិ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Green Vegetation Index (GVI) សន្ទស្សន៍រុក្ខជាតិបៃតង (GVI) |
មានភាពត្រឹមត្រូវខ្ពស់បំផុត (R² = 0.8107) ក្នុងការប៉ាន់ប្រមាណជីវម៉ាស និងកាបូនសម្រាប់ប្រភេទព្រៃល្បោះក្នុងតំបន់សិក្សា។ បង្ហាញទំនាក់ទំនងល្អបំផុតរវាងទិន្នន័យផ្កាយរណប និងទិន្នន័យវាស់ផ្ទាល់។ | អាចនឹងត្រូវការពង្រួទៀងទាត់ (Calibration) ឡើងវិញប្រសិនបើអនុវត្តលើប្រភេទព្រៃស្រោងដែលមានដង់ស៊ីតេក្រាស់ខ្លាំង។ | ប៉ាន់ប្រមាណការស្តុកទុកកាបូនបានចំនួន ១០៦,០៤ តោន CO2e និងជីវម៉ាស ២៨,៩១ tC/ha។ |
| Second Modified Soil Adjusted Vegetation Index (MSAVI2) សន្ទស្សន៍រុក្ខជាតិកែសម្រួលដីទី២ (MSAVI2) |
ល្អសម្រាប់ការកាត់បន្ថយឥទ្ធិពលចំណាំងផ្លាតពីផ្ទៃដី (Soil background) ដែលស័ក្តិសមសម្រាប់ព្រៃល្បោះស្តើងៗ ឬព្រៃដែលមានគម្លាតដើមឆ្ងាយ។ | មានភាពត្រឹមត្រូវទាបជាង GVI បន្តិច (R² = 0.7929) សម្រាប់ការសិក្សានេះ។ | ប៉ាន់ប្រមាណការស្តុកទុកកាបូនបានចំនួន ១០២,៧០ តោន CO2e និងជីវម៉ាស ២៨,០១ tC/ha។ |
| Difference Vegetation Index (DVI or IR-R) សន្ទស្សន៍ភាពខុសគ្នានៃរុក្ខជាតិ (DVI ឬ IR-R) |
មានភាពងាយស្រួលក្នុងការគណនាដោយគ្រាន់តែប្រើផលដកនៃប្រេកង់ Infrared និង Red។ ផ្តល់លទ្ធផលអាចទទួលយកបាន (R² = 0.7638)។ | មិនមានលក្ខណៈទូទៅគ្រប់គ្រាន់ដើម្បីដោះស្រាយបញ្ហាឥទ្ធិពលពីបរិយាកាស និងពន្លឺព្រះអាទិត្យ ដូចសន្ទស្សន៍ដែលប្រើផលធៀបនោះទេ។ | ប៉ាន់ប្រមាណការស្តុកទុកកាបូនបានចំនួន ១០៣,៨៧ តោន CO2e និងជីវម៉ាស ២៨,៣៣ tC/ha។ |
| Normalized Difference Vegetation Index (NDVI) សន្ទស្សន៍រុក្ខជាតិបែបប្រក្រតី (NDVI) |
ជាសន្ទស្សន៍ស្តង់ដារដែលគេប្រើប្រាស់យ៉ាងទូលំទូលាយបំផុត និងងាយស្រួលប្រៀបធៀបជាមួយការសិក្សាផ្សេងៗ។ | ផ្តល់លទ្ធផលខ្សោយបំផុត (R² = 0.5978) នៅក្នុងការសិក្សានេះ ប្រហែលដោយសារឥទ្ធិពលនៃផ្ទៃដីចំហរនៃព្រៃល្បោះដែលធ្វើឱ្យមានការរំខានដល់ទិន្នន័យចំណាំងផ្លាត។ | ប៉ាន់ប្រមាណការស្តុកទុកកាបូនបានចំនួន ៩៣,២៤ តោន CO2e និងជីវម៉ាស ២៥,៤៣ tC/ha។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការចំណាយធនធានមានកម្រិតទាបដោយសារការប្រើប្រាស់ទិន្នន័យផ្កាយរណបឥតគិតថ្លៃ ប៉ុន្តែទាមទារការចំណាយកម្លាំង និងពេលវេលាសម្រាប់ការចុះវាស់ស្ទង់ផ្ទាល់នៅទីវាលក្នុងដំណាក់កាលដំបូងដើម្បីបង្កើតសមីការ។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅក្នុងខេត្ត Maha Sarakham នៃភាគឦសានប្រទេសថៃ ដោយផ្តោតលើប្រភេទព្រៃល្បោះ (Dry Dipterocarp Forest) ដែលមានលក្ខណៈជាបំណែកព្រៃតូចៗព័ទ្ធជុំវិញដោយវាលស្រែ។ ទិន្នន័យនេះមានសារៈសំខាន់ខ្លាំងសម្រាប់ប្រទេសកម្ពុជា ដោយសារតំបន់វាលទំនាប និងតំបន់ជើងភ្នំរបស់យើងភាគច្រើនមានលក្ខណៈភូមិសាស្ត្រ អាកាសធាតុ និងប្រភេទព្រៃសហគមន៍ស្រដៀងគ្នានេះ។
វិធីសាស្ត្រក្នុងការស្រាវជ្រាវនេះមានសក្តានុពលខ្ពស់ និងអាចយកមកអនុវត្តបានយ៉ាងមានប្រសិទ្ធភាពសម្រាប់ការគាំទ្រដល់កិច្ចខិតខំប្រឹងប្រែងអភិរក្សព្រៃឈើនៅកម្ពុជា។
សរុបមក ការសហការរវាងការចុះវាស់ស្ទង់ទីវាលបន្តិចបន្តួច និងការប្រើប្រាស់រូបភាពផ្កាយរណប អាចជួយកម្ពុជាពង្រីកសមត្ថភាពវាយតម្លៃស្តុកកាបូនបានរហ័ស និងឈានទៅទាក់ទាញហិរញ្ញប្បទានអាកាសធាតុបានកាន់តែច្រើន។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Remote Sensing | ការប្រមូលទិន្នន័យ និងព័ត៌មានពីចម្ងាយអំពីភូមិសាស្ត្រផែនដី តាមរយៈការប្រើប្រាស់ឧបករណ៍សេនស័រដែលបំពាក់លើផ្កាយរណប ឬយន្តហោះ ដោយមិនចាំបាច់ចុះទៅវាស់ស្ទង់ផ្ទាល់នៅទីតាំងនោះ។ | ដូចជាការថតរូបពីលើអាកាសដើម្បីមើលទិដ្ឋភាពផ្ទៃដីដ៏ធំទូលាយ ដោយមិនបាច់ចំណាយពេលដើរមើលផ្ទាល់ជើង។ |
| Top of Atmosphere (ToA) Reflectance | ការកែតម្រូវទិន្នន័យរូបភាពផ្កាយរណប ដើម្បីកាត់បន្ថយភាពមិនត្រឹមត្រូវដែលបណ្តាលមកពីការរំខាននៃស្រទាប់បរិយាកាស (ដូចជាធូលី ពពក ឬចំហាយទឹក) មុនពេលវាស់ចំណាំងផ្លាតពិតប្រាកដរបស់ផ្ទៃផែនដី។ | ដូចជាការជូតកញ្ចក់វ៉ែនតាឱ្យថ្លា ដើម្បីមើលឃើញពណ៌ពិតរបស់វត្ថុទោះបីជាមានអ័ព្ទបាំងនៅខាងមុខក៏ដោយ។ |
| Vegetation Index | រូបមន្តគណិតវិទ្យាដែលប្រើប្រាស់កម្រិតចំណាំងផ្លាតនៃពន្លឺ (ជាពិសេសពន្លឺក្រហម និងអ៊ីនហ្វ្រារ៉េដ) ពីស្លឹករុក្ខជាតិ ដើម្បីវាស់ស្ទង់ដង់ស៊ីតេ ភាពខៀវស្រងាត់ និងសុខភាពរបស់រុក្ខជាតិនៅលើផ្ទៃដី។ | ដូចជាឧបករណ៍ស្កែនសុខភាពមួយ ដែលប្រាប់យើងពីភាពក្រាស់និងភាពស្រស់បំព្រងនៃព្រៃឈើតាមរយៈពណ៌ដែលចាំងត្រឡប់មកវិញ។ |
| Allometric equations | សមីការគណិតវិទ្យាដែលប្រើសម្រាប់ទាញរកទម្ងន់ ឬបរិមាណជីវម៉ាសរបស់ដើមឈើទាំងមូល ដោយផ្អែកលើទិន្នន័យដែលងាយវាស់វែងបាន ដូចជាទំហំអង្កត់ផ្ចិតដើមទ្រូង (DBH) និងកម្ពស់ដើមឈើ។ | ដូចជារូបមន្តទាយទម្ងន់របស់មនុស្សម្នាក់ ដោយគ្រាន់តែដឹងពីកម្ពស់ និងទំហំចង្កេះរបស់គេ ដោយមិនបាច់ឱ្យគេឡើងថ្លឹងផ្ទាល់។ |
| Above Ground Biomass | ទម្ងន់សរុបនៃផ្នែកទាំងអស់របស់រុក្ខជាតិដែលនៅពីលើដី (ដូចជា ដើម មែក និងស្លឹក) ដែលត្រូវបានសម្ងួតជាតិទឹកចេញអស់ ដែលជាសូចនាករសំខាន់សម្រាប់វាស់បរិមាណកាបូនដែលព្រៃនោះស្តុកទុកបាន។ | ដូចជាទម្ងន់នៃសាច់ឈើ និងស្លឹកទាំងអស់របស់ដើមឈើមួយដើម ប្រសិនបើយើងកាប់វាហើយហាលថ្ងៃឱ្យស្ងួតល្អ។ |
| Fraction Cover (FC) | សមាមាត្រនៃផ្ទៃដីដែលត្រូវបានគ្របដណ្ដប់ដោយទំហំឆ័ត្រកន្សោមស្លឹកឈើ ធៀបទៅនឹងផ្ទៃដីសរុប ដែលត្រូវបានប្រើប្រាស់ដើម្បីប៉ាន់ស្មានដង់ស៊ីតេ និងគម្របព្រៃ។ | ដូចជាការមើលពីលើដំបូលផ្ទះចុះមកក្រោម ហើយគិតជាភាគរយថាតើម្លប់ដើមឈើបាំងអស់ប៉ុន្មានភាគរយនៃទីធ្លាដី។ |
| Coefficient of determination (R²) | តម្លៃស្ថិតិដែលបង្ហាញពីកម្រិតនៃភាពស៊ីសង្វាក់គ្នា ឬភាពត្រឹមត្រូវរវាងទិន្នន័យពីរប្រភេទ (ឧទាហរណ៍៖ ការប៉ាន់ស្មានពីផ្កាយរណប និងការវាស់ផ្ទាល់) ថាតើវាមានទំនាក់ទំនងជិតស្និទ្ធកម្រិតណា។ | ដូចជាពិន្ទុចន្លោះពី ០ ដល់ ១ ដែលប្រាប់យើងថាការព្យាករណ៍របស់យើងមានភាពត្រឹមត្រូវកម្រិតណាធៀបនឹងការពិតជាក់ស្តែង។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
