បញ្ហា (The Problem)៖ ការសិក្សានេះដោះស្រាយបញ្ហាកង្វះទិន្នន័យអំពីផលប៉ះពាល់នៃការកើនឡើងនៃសកម្មភាពខុសច្បាប់ (ការបរបាញ់ និងការកាប់ឈើ) ទៅលើសហគមន៍សត្វស៊ីសាច់ជាអាហារខ្នាតតូច ជាពិសេសប្រភេទសត្វសំពោចដែលរស់នៅលើដី នៅក្នុងតំបន់ទេសភាពខ្ពង់រាបភាគខាងកើតប្រទេសកម្ពុជា។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានប្រើប្រាស់ទិន្នន័យពីការដាក់ម៉ាស៊ីនថតស្វ័យប្រវត្តិ និងការវិភាគម៉ូដែលវត្តមានសត្វ ដើម្បីប្រៀបធៀបនិន្នាការចំនួនសត្វក្នុងរយៈពេល១០ឆ្នាំ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Single-season single-species occupancy modeling (Null Model) ម៉ូដែលវិភាគវត្តមានប្រភេទសត្វទោលក្នុងរដូវកាលតែមួយ (ម៉ូដែលសូន្យ / Null Model) |
ងាយស្រួលក្នុងការវិភាគដោយមិនត្រូវការទិន្នន័យអថេរច្រើន និងស័ក្តិសមសម្រាប់សំណាកទិន្នន័យតូចតាច។ | មិនអាចពន្យល់ពីមូលហេតុបរិស្ថាន (ដូចជាប្រភេទព្រៃ ឬប្រភពទឹក) ដែលជះឥទ្ធិពលដល់វត្តមានសត្វឡើយ។ | ជាម៉ូដែលដែលទទួលបានតម្លៃ WAIC ទាបបំផុត (ល្អជាងគេ) សម្រាប់វាយតម្លៃសត្វសំពោចធំ Viverra megaspila និងសំពោចក្រអូប Viverra zibetha។ |
| Occupancy modeling with Site Covariates (Forest Cover & Distance to Water) ម៉ូដែលវិភាគវត្តមានដោយផ្អែកលើអថេរទីតាំង (គម្របព្រៃឈើ និងចម្ងាយពីប្រភពទឹក) |
អាចបង្ហាញពីទំនាក់ទំនងរវាងកត្តាទីជម្រក (ព្រៃល្បោះ ឬព្រៃស្រោង) និងការកើនឡើង ឬថយចុះនៃចំនួនសត្វ។ | ទាមទារទិន្នន័យភូមិសាស្ត្រ (GIS data) ច្បាស់លាស់ និងការវាស់វែងចម្ងាយដែលប្រើប្រាស់ពេលវេលាច្រើន។ | អថេរចម្ងាយពីប្រភពទឹកគឺជាម៉ូដែលល្អបំផុតសម្រាប់សំពោចតូច Viverricula indica ចំណែកអថេរព្រៃល្បោះ (DDF) បង្ហាញទំនាក់ទំនងវិជ្ជមានខ្លាំងជាមួយសត្វសំពោចក្រអូប និងសំពោចតូច។ |
| Activity Pattern Overlap Analysis (Kernel Density) ការវិភាគលើគម្រូសកម្មភាពពេលវេលាត្រួតស៊ីគ្នា (ប្រើប្រាស់ Kernel Density) |
ផ្តល់រូបភាពច្បាស់លាស់អំពីពេលវេលាដែលសត្វសកម្មបំផុត (រកស៊ីយប់ ឬថ្ងៃ) និងកម្រិតនៃការប្រកួតប្រជែងគ្នារវាងប្រភេទសត្វ។ | ត្រូវការទិន្នន័យម៉ោងពេលជាក់លាក់ពីរូបថតនីមួយៗ និងទាមទារចំនួនរូបភាពឯករាជ្យគ្រប់គ្រាន់ដើម្បីឱ្យលទ្ធផលសុក្រឹត។ | សត្វទាំង ៣ ប្រភេទរកស៊ីនៅពេលយប់ស្ទើរតែទាំងស្រុង និងមានសកម្មភាពត្រួតស៊ីគ្នាខ្ពស់រហូតដល់ (០.៧៥ ទៅ ០.៨៩) ដោយគ្មានការប្រែប្រួលគួរឱ្យកត់សម្គាល់ពីឆ្នាំ២០០៩ ដល់២០១៩ ឡើយ។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះទាមទារការវិនិយោគខ្ពស់លើឧបករណ៍ប្រមូលទិន្នន័យ (ម៉ាស៊ីនថតស្វ័យប្រវត្តិ) កម្លាំងពលកម្មក្នុងការចុះល្បាតពេញមួយរដូវប្រាំង និងចំណេះដឹងជំនាញផ្នែកកុំព្យូទ័រសម្រាប់ការវិភាគទិន្នន័យសត្វព្រៃ។
ការសិក្សានេះធ្វើឡើងតែនៅក្នុងតំបន់ស្នូលនៃដែនជម្រកសត្វព្រៃស្រែពក ដែលគ្របដណ្តប់ជាចម្បងដោយព្រៃល្បោះ (DDF) និងមានការដាក់កាមេរ៉ាតាមផ្លូវដីនិងផ្លូវលំ។ ការរៀបចំនេះអាចធ្វើឱ្យមានលម្អៀង (Bias) ទៅលើប្រភេទសត្វដែលចូលចិត្តដើរតាមផ្លូវចាស់ៗ និងមិនតំណាងឱ្យស្ថានភាពសត្វសំពោចនៅទូទាំងប្រទេសកម្ពុជាដែលមានប្រភេទព្រៃខុសៗគ្នានោះទេ។ ទោះជាយ៉ាងណា វាមានសារៈសំខាន់ខ្លាំងសម្រាប់តំបន់ខ្ពង់រាបភាគខាងកើតដែលកំពុងរងការគំរាមកំហែងពីការដាក់អន្ទាក់។
វិធីសាស្ត្រអង្កេតដោយម៉ាស៊ីនថតស្វ័យប្រវត្តិ និងម៉ូដែលវិភាគនេះ គឺមានអត្ថប្រយោជន៍ និងអាចអនុវត្តបានយ៉ាងទូលំទូលាយសម្រាប់ការតាមដានជីវចម្រុះនៅប្រទេសកម្ពុជា។
សរុបមក ការប្រើប្រាស់បច្ចេកវិទ្យាកាមេរ៉ា និងម៉ូដែលស្ថិតិបែបនេះ ផ្តល់នូវភស្តុតាងដ៏រឹងមាំ ដែលជាត្រីវិស័យមិនអាចខ្វះបានសម្រាប់អ្នករៀបចំគោលនយោបាយក្នុងការបោះជំហានសង្គ្រោះប្រភេទសត្វជិតផុតពូជនៅកម្ពុជាពីវិបត្តិអន្ទាក់។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Occupancy modeling | ជាវិធីសាស្ត្រស្ថិតិដែលប្រើសម្រាប់ប៉ាន់ស្មានថាតើមានសត្វប្រភេទណាមួយរស់នៅក្នុងតំបន់ជាក់លាក់មួយកម្រិតណា ដោយគិតគូរពីប្រូបាប៊ីលីតេដែលយើងអាចមើលមិនឃើញពួកវាទោះបីជាពួកវាពិតជាមានវត្តមានក៏ដោយ។ | ដូចជាការទាយថាតើមានសិស្សនៅក្នុងថ្នាក់រៀនឬអត់ ដោយសង្កេតមើលតែស្បែកជើងនៅមុខទ្វារ ព្រោះជួនកាលសិស្សនៅខាងក្នុងតែយើងមើលមិនឃើញ។ |
| Encounter rate | ជាចំនួនដងដែលសត្វត្រូវបានថតជាប់ដោយកាមេរ៉ាស្វ័យប្រវត្តិ ធៀបនឹងចំនួនយប់សរុបដែលកាមេរ៉ាត្រូវបានដាក់ឱ្យដំណើរការ ដែលជួយអ្នកស្រាវជ្រាវក្នុងការប្រៀបធៀបភាពសំបូរបែបនៃសត្វពីពេលមួយទៅពេលមួយ។ | ដូចជាការរាប់ចំនួនរថយន្តដែលបើកកាត់មុខផ្ទះអ្នកក្នុងរយៈពេលមួយម៉ោង ដើម្បីដឹងថាផ្លូវនោះមានចរាចរណ៍មមាញឹកកម្រិតណា។ |
| Naïve occupancy | ជាភាគរយនៃទីតាំងកាមេរ៉ាសរុបដែលបានថតជាប់សត្វប្រភេទណាមួយយ៉ាងហោចណាស់ម្តង ដោយមិនទាន់បានប្រើប្រាស់រូបមន្តកែតម្រូវកំហុសនៃការថតមិនជាប់ (Detection probability) នៅឡើយទេ។ | ដូចជាការរាប់ចំនួនផ្ទះដែលមានបើកភ្លើងនៅពេលយប់ដើម្បីដឹងថាមានមនុស្សនៅឬអត់ ដោយមិនខ្វល់ថាផ្ទះខ្លះមានមនុស្សនៅតែគេបិទភ្លើងដេកនោះទេ។ |
| Deciduous dipterocarp forests (DDF) | ជាប្រភេទព្រៃដែលមានដើមឈើដុះរង្វើលៗ មានស្មៅដុះច្រើននៅខាងក្រោម ហើយតែងតែជ្រុះស្លឹកនិងងាយឆេះនៅរដូវប្រាំង ដែលជាជម្រកដ៏សំខាន់សម្រាប់សត្វព្រៃជាច្រើននៅភាគខាងកើតប្រទេសកម្ពុជា។ | ដូចជាសួនច្បារដ៏ធំមួយដែលមានដើមឈើដាំឆ្ងាយៗពីគ្នា និងមានវាលស្មៅនៅខាងក្រោម ដែលធ្វើឱ្យយើងងាយស្រួលមើលឃើញសត្វដើរឆ្លងកាត់។ |
| Temporal overlap | ជារង្វាស់ដែលបង្ហាញពីកម្រិតនៃភាពស្រដៀងគ្នានៃពេលវេលារកស៊ីរវាងសត្វពីរប្រភេទផ្សេងគ្នា ថាតើពួកវាសកម្មក្នុងពេលតែមួយឬអត់ ដែលជាកត្តាអាចនាំឱ្យមានការប្រកួតប្រជែងគ្នារកចំណី។ | ដូចជាមិត្តភ័ក្តិពីរនាក់ដែលចូលចិត្តទៅញ៉ាំបាយនៅអាហារដ្ឋានតែមួយ នៅម៉ោង១២ថ្ងៃត្រង់ដូចគ្នា ដែលធ្វើឱ្យពួកគេងាយនឹងជួបគ្នាឬដណ្តើមកន្លែងអង្គុយគ្នា។ |
| Kernel density | ជាវិធីសាស្ត្រគណិតវិទ្យាប្រើសម្រាប់ប៉ាន់ស្មានទម្រង់ ឬនិន្នាការនៃទិន្នន័យ (ដូចជាម៉ោងពេលសត្វសកម្មបំផុត) ឱ្យចេញជាខ្សែកោងរលោង ដើម្បីងាយស្រួលបង្ហាញពីចន្លោះពេលដែលសត្វចេញរកស៊ីច្រើនជាងគេ។ | ដូចជាការគូសគំនូសព្រាងជារាងភ្នំគ្របពីលើចំនុចពិន្ទុដែលសិស្សទទួលបាន ដើម្បីមើលឱ្យដឹងថាសិស្សភាគច្រើនបានពិន្ទុប្រមូលផ្តុំនៅចន្លោះណា។ |
| Bayesian approach | ជាវិធីសាស្ត្រវិភាគទិន្នន័យដែលប្រើប្រាស់ចំណេះដឹង ឬទិន្នន័យដែលមានស្រាប់តាំងពីមុន មកបូកបញ្ចូលជាមួយទិន្នន័យថ្មីដែលទើបប្រមូលបាន ដើម្បីធ្វើបច្ចុប្បន្នភាពនិងវាយតម្លៃលទ្ធភាព (Probability) ឱ្យកាន់តែសុក្រឹត។ | ដូចជាការព្យាករណ៍ថាតើថ្ងៃនេះនឹងមានភ្លៀងឬអត់ ដោយផ្អែកលើបទពិសោធន៍ថាខែនេះជារដូវភ្លៀង (ចំណេះដឹងចាស់) បូកផ្សំជាមួយការមើលឃើញពពកខ្មៅងងឹតនៅលើមេឃថ្ងៃនេះ (ទិន្នន័យថ្មី)។ |
| Detection probability | ឱកាសឬភាគរយដែលម៉ាស៊ីនថតស្វ័យប្រវត្តិអាចថតជាប់សត្វមួយក្បាល នៅពេលដែលសត្វនោះពិតជាមានវត្តមាននៅក្នុងតំបន់នោះមែន ដែលវាជួយកែតម្រូវទិន្នន័យវត្តមានសត្វកុំឱ្យមានការវាយតម្លៃទាបជាងការពិត។ | ដូចជាឱកាសដែលអ្នកថតរូបសត្វស្លាបអាចថតជាប់សត្វចាបមួយក្បាលនៅលើដើមឈើ បើទោះបីជាចាបនោះពិតជាទុំនៅលើដើមឈើនោះក៏ដោយ ព្រោះជួនកាលវាពួនក្រោយស្លឹកឈើទើបថតមិនជាប់។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
