បញ្ហា (The Problem)៖ ប្រទេសម៉ាឡេស៊ីជួបប្រទះបញ្ហាទឹកជំនន់ជារៀងរាល់ឆ្នាំ ដែលទាមទារឱ្យមានការតាមដានកម្រិតទឹកទន្លេមិនប្រក្រតីឱ្យបានច្បាស់លាស់ ខណៈដែលបញ្ហាស្វ័យសហសម្ព័ន្ធ (Autocorrelation) នៃទិន្នន័យតែងតែបង្កឱ្យមានការព្រមានខុសចំពោះប្រព័ន្ធត្រួតពិនិត្យធម្មតា។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានប្រៀបធៀបតារាងត្រួតពិនិត្យផ្អែកលើសំណល់ចំនួន៣ប្រភេទ ដោយប្រើប្រាស់គំរូស៊េរីពេលវេលាសម្រាប់ទិន្នន័យកម្រិតទឹកទន្លេនៅស្ថានីយ Taman Sri Muda ចន្លោះឆ្នាំ២០១៧-២០១៩ ដើម្បីលុបបំបាត់ឥទ្ធិពលស្វ័យសហសម្ព័ន្ធមុននឹងធ្វើការវិភាគរកភាពមិនប្រក្រតី។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Individual Mean Shewhart (I-Shewhart) Residual Control Chart តារាងត្រួតពិនិត្យសំណល់ I-Shewhart |
ងាយស្រួលក្នុងការយល់និងគណនា។ ល្អសម្រាប់ការរកមើលការប្រែប្រួលខ្លាំង ឬរំកិលធំៗនៅក្នុងដំណើរការទិន្នន័យ (Large shifts)។ | មិនសូវមានភាពរសើប (Sensitive) ក្នុងការចាប់យកការប្រែប្រួលតូចតាច ឬការកើនឡើងកម្រិតទឹកបន្តិចម្តងៗនោះទេ។ | អត្រារកឃើញសញ្ញាភាពមិនប្រក្រតី (Detection score) ត្រឹមតែ ៣,៥៦% ប៉ុណ្ណោះ។ |
| Moving Average (MA) Residual Control Chart តារាងត្រួតពិនិត្យសំណល់ MA |
អាចធ្វើឱ្យទិន្នន័យមានភាពរលោង (Smooth) ដើម្បីកាត់បន្ថយភាពរំខាន (Noise) នៅក្នុងទិន្នន័យដែលមានការប្រែប្រួលលឿន។ | ផ្តល់ទម្ងន់ស្មើគ្នាទៅលើទិន្នន័យចាស់ និងថ្មី ដែលធ្វើឱ្យការឆ្លើយតបទៅនឹងការប្រែប្រួលកម្រិតទឹកមានភាពយឺតយ៉ាវ។ | មានអត្រារកឃើញសញ្ញាភាពមិនប្រក្រតីទាបបំផុត គឺ ៣,០១%។ |
| Exponentially Weighted Moving Average (EWMA) Residual Control Chart (λ=0.05) តារាងត្រួតពិនិត្យសំណល់ EWMA (λ=0.05) |
មានភាពរសើបខ្ពស់បំផុតក្នុងការចាប់យកការប្រែប្រួលតូចតាចដោយផ្តល់ទម្ងន់ទៅលើទិន្នន័យមុនៗ (Older data) បានល្អ។ កាត់បន្ថយការព្រមានខុស (False alarms) បានយ៉ាងមានប្រសិទ្ធភាព។ | ការកំណត់ប៉ារ៉ាម៉ែត្រ λ ត្រូវការការធ្វើតេស្តសាកល្បង ដើម្បីស្វែងរកតម្លៃដែលស័ក្តិសមបំផុតសម្រាប់ស្ថានភាពភូមិសាស្ត្រនីមួយៗ។ | មានអត្រារកឃើញសញ្ញាភាពមិនប្រក្រតីខ្ពស់បំផុតដល់ទៅ ៧,១២% និងអាចចាប់សញ្ញាព្រមានទឹកជំនន់បានមុន ៣ សប្តាហ៍ ធៀបនឹងកម្រិតស្តង់ដារ។ |
| Department of Irrigation and Drainage (DID) Thresholds កម្រិតព្រមានស្តង់ដារបស់នាយកដ្ឋានធារាសាស្ត្រ (Baseline) |
ងាយស្រួលអនុវត្តជាទូទៅ និងត្រូវបានប្រើប្រាស់ជាផ្លូវការដោយស្ថាប័នរដ្ឋាភិបាលសម្រាប់ការប្រកាសអាសន្ន។ | មានភាពយឺតយ៉ាវខ្លាំងក្នុងការចាប់សញ្ញាគ្រោះថ្នាក់ (យឺតជាងតារាង EWMA រហូតដល់ ៣ សប្តាហ៍) ដោយសារកម្រិតព្រមានមានទំហំធំទូលាយពេក។ | មិនអាចផ្តល់សញ្ញាព្រមានទឹកជំនន់បានទាន់ពេលវេលា និងរំលងភាពមិនប្រក្រតីដំបូងៗនៃកម្រិតទឹក។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តវិធីសាស្ត្រនេះមិនតម្រូវឱ្យមានផ្នែករឹង (Hardware) ថ្លៃៗនោះទេ ប៉ុន្តែទាមទារទិន្នន័យដែលមានគុណភាព និងចំណេះដឹងផ្នែកស្ថិតិ។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅទន្លេ Klang ក្នុងតំបន់ Taman Sri Muda ប្រទេសម៉ាឡេស៊ី ដែលជាទន្លេក្នុងតំបន់ទីក្រុង និងមានរបបទឹកភ្លៀងខុសពីតំបន់ផ្សេង។ លក្ខណៈសណ្ឋានដី ហេដ្ឋារចនាសម្ព័ន្ធបង្ហូរទឹក និងទំហំទន្លេពិតជាជះឥទ្ធិពលដល់លទ្ធផលនៃគំរូ។ នេះមានសារៈសំខាន់សម្រាប់ប្រទេសកម្ពុជា ព្រោះទន្លេធំៗដូចជាទន្លេសាប និងទន្លេមេគង្គមានលក្ខណៈជលសាស្ត្រខុសប្លែកពីទន្លេតូចៗក្នុងទីក្រុង ដែលទាមទារឱ្យមានការកែតម្រូវប៉ារ៉ាម៉ែត្រឡើងវិញមុនពេលអនុវត្ត។
ទោះបីជាមានភាពខុសគ្នានៃភូមិសាស្ត្រក៏ដោយ វិធីសាស្ត្រនៃការប្រើប្រាស់តារាងត្រួតពិនិត្យផ្អែកលើសំណល់ (Residual-based control chart) នេះមានសក្តានុពលខ្ពស់សម្រាប់ការព្រមានពីគ្រោះទឹកជំនន់ជាមុននៅកម្ពុជា។
ការរួមបញ្ចូលតារាងត្រួតពិនិត្យ EWMA ទៅក្នុងប្រព័ន្ធតាមដានរបស់ក្រសួងធនធានទឹក និងឧតុនិយម អាចជួយបង្កើនប្រសិទ្ធភាពក្នុងការចេញសេចក្តីព្រមានបានលឿន (រហូតដល់ប៉ុន្មានសប្តាហ៍មុន) និងកាត់បន្ថយការផ្អើលឆោឡោខុស (False alarms) បានយ៉ាងប្រសើរ។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Residual-based control chart | ជាតារាងតាមដានតាមបែបស្ថិតិ ដែលមិនត្រួតពិនិត្យលើទិន្នន័យដើមផ្ទាល់នោះទេ ប៉ុន្តែវាត្រួតពិនិត្យទៅលើទិន្នន័យសំណល់ (ភាពខុសគ្នារវាងទិន្នន័យជាក់ស្តែង និងទិន្នន័យដែលបានព្យាករណ៍ដោយគំរូ) ដើម្បីលុបបំបាត់ការរំខានផ្សេងៗ។ | ដូចជាការតាមដានតែ "កំហុសនៃការទាយ" ដើម្បីដឹងថាមានអ្វីខុសប្រក្រតីធ្ងន់ធ្ងរឬអត់ ជាជាងមើលលើទិន្នន័យធម្មតាទូទៅ។ |
| Autocorrelation | ជាបាតុភូតដែលទិន្នន័យនៅពេលវេលាមួយ មានទំនាក់ទំនង ឬជះឥទ្ធិពលយ៉ាងខ្លាំងទៅលើទិន្នន័យនៅពេលវេលាបន្ទាប់ ដែលធ្វើឱ្យប្រព័ន្ធពិបាកបែងចែករវាងបម្រែបម្រួលធម្មតា និងភាពមិនប្រក្រតី។ | ដូចជាកម្តៅថ្ងៃនេះមានឥទ្ធិពលដល់កម្តៅថ្ងៃស្អែក ធ្វើឱ្យយើងពិបាកដឹងថាកម្តៅថ្ងៃស្អែកឡើងខ្លាំងដោយសាររលកកម្តៅថ្មី ឬដោយសារសល់ឥទ្ធិពលពីថ្ងៃនេះ។ |
| ARIMA (1,1,1) model | ជាគំរូគណិតវិទ្យាវិភាគស៊េរីពេលវេលា (Time Series) ដែលប្រើទិន្នន័យកាលពីអតីតកាល ដើម្បីទស្សន៍ទាយនិន្នាការនាពេលអនាគត ដោយគិតបញ្ចូលទាំងបម្រែបម្រួល និងឥទ្ធិពលនៃកំហុសពីមុន។ | ដូចជាអ្នកទាយអនាគតដែលពឹងផ្អែកលើប្រវត្តិសកម្មភាពរបស់អ្នកកាលពីម្សិលមិញ ដើម្បីទាយពីអ្វីដែលអ្នកនឹងធ្វើនៅថ្ងៃស្អែក។ |
| EWMA (Exponentially Weighted Moving Average) | ជាវិធីសាស្ត្រគណនាមធ្យមភាគ ដែលមានប្រសិទ្ធភាពខ្ពស់ក្នុងការរកមើលការប្រែប្រួលតូចតាចដែលកើតឡើងបន្តិចម្តងៗ ដោយវាបូកបញ្ចូលព័ត៌មានពីអតីតកាលទាំងអស់រួមជាមួយទិន្នន័យថ្មី។ | ដូចជាការវាយតម្លៃសិស្ស ដោយយកចិត្តទុកដាក់ខ្លាំងលើពិន្ទុខែចុងក្រោយ ប៉ុន្តែក៏មិនបោះបង់ចោលពិន្ទុប្រវត្តិសិក្សាខែមុនៗរបស់គេដែរ។ |
| False alarms | ជាការផ្តល់សញ្ញាព្រមានខុស ឬលោតសញ្ញាអាសន្ននៅពេលដែលគ្មានគ្រោះថ្នាក់ពិតប្រាកដកើតឡើង ដែលបណ្តាលមកពីប្រព័ន្ធចាប់យកបម្រែបម្រួលធម្មតាច្រឡំថាជាភាពមិនប្រក្រតី។ | ដូចជាឆ្កែព្រុសខ្លាំងៗពេលឃើញស្លឹកឈើជ្រុះ ដោយស្មានថាជាចោរចូលផ្ទះ។ |
| i.i.d (independent and identically distributed) | ជាលក្ខខណ្ឌនៅក្នុងស្ថិតិដែលទាមទារឱ្យទិន្នន័យនីមួយៗមិនមានទំនាក់ទំនងនឹងគ្នា (ឯករាជ្យ) និងមានទម្រង់ចែកចាយដូចៗគ្នា ដែលជាលក្ខខណ្ឌចម្បងក្នុងការប្រើប្រាស់តារាងត្រួតពិនិត្យបានត្រឹមត្រូវ។ | ដូចជាការបោះកាក់ច្រើនដង លទ្ធផលនៃការបោះលើកទីពីរមិនពឹងផ្អែកលើលើកទីមួយទេ ហើយកាក់នៅតែមានមុខពីរដដែលមិនប្រែប្រួល។ |
| Smoothing parameter (λ) | ជាតម្លៃមេគុណទម្ងន់ (ចន្លោះពី ០ ដល់ ១) ដែលប្រើក្នុងតារាង EWMA ដើម្បីកំណត់ថាតើគួរផ្តល់ទម្ងន់ប៉ុន្មានទៅលើទិន្នន័យថ្មីៗ។ តម្លៃកាន់តែតូច ក្រាហ្វកាន់តែរលោង និងប្រមូលព័ត៌មានពីអតីតកាលបានកាន់តែច្រើន។ | ដូចជាកម្រិតនៃការចងចាំ—បើកំណត់កម្រិតទាប មានន័យថាយើងនៅផ្តល់តម្លៃលើរឿងចាស់ៗច្រើនជាងការចាប់អារម្មណ៍តែលើរឿងថ្មីៗរំពេច។ |
| I-Shewhart control chart | ជាតារាងត្រួតពិនិត្យគុណភាពបែបប្រពៃណីដែលមិនពឹងផ្អែកលើអតីតកាល (memory-less) ដោយវាប្រើប្រាស់តែទិន្នន័យបច្ចុប្បន្នមួយមុខគត់ ដើម្បីរកមើលបម្រែបម្រួលធំៗភ្លាមៗ។ | ដូចជាសន្តិសុខដែលមើលតែសកម្មភាពរបស់អ្នកនៅវិនាទីនេះផ្ទាល់ ដោយមិនខ្វល់ពីសកម្មភាពគួរឱ្យសង្ស័យដែលអ្នកបានធ្វើកាលពីប៉ុន្មាននាទីមុន។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
