បញ្ហា (The Problem)៖ ព្រៃឈើនៅប្រទេសម៉ុងហ្គោលីកំពុងរងការរិចរិលយ៉ាងធ្ងន់ធ្ងរដោយសារសកម្មភាពមនុស្ស និងភ្លើងព្រៃ ខណៈដែលទិន្នន័យសារពើភ័ណ្ឌព្រៃឈើកម្រិតតំបន់នៅមានកម្រិត និងមិនសូវមានភាពត្រឹមត្រូវដែលអាចជឿទុកចិត្តបានសម្រាប់ការគ្រប់គ្រងប្រកបដោយចីរភាព។ កង្វះខាតព័ត៌មានលម្អិតនេះទាមទារឱ្យមានការសិក្សាវាយតម្លៃពីប្រសិទ្ធភាពនៃបច្ចេកវិទ្យាថ្មីៗ។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានប្រើប្រាស់ការចុះវាស់វែងផ្ទាល់នៅទីតាំង រួមផ្សំជាមួយនឹងការវិភាគរូបភាពពីយន្តហោះគ្មានមនុស្សបើក (UAV) និងផ្កាយរណបកម្រិតច្បាស់ខ្ពស់ដោយប្រើប្រាស់បច្ចេកទេសបែងចែកចំណាត់ថ្នាក់តាមរយៈការរៀនដោយម៉ាស៊ីន (Machine Learning)។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Object-Based Image Analysis (OBIA) + Random Forest ការវិភាគរូបភាពផ្អែកលើវត្ថុ (OBIA) រួមផ្សំជាមួយ Random Forest |
មានប្រសិទ្ធភាពខ្ពស់ចំពោះរូបភាពដែលមានកម្រិតច្បាស់ខ្លាំង (High-resolution) ដោយវាប្រមូលផ្ដុំភីកសែលទៅជាវត្ថុមានអត្ថន័យ ដូចជាមកុដដើមឈើ។ វាជួយកាត់បន្ថយបញ្ហាគ្រាប់អុចៗ (Salt and pepper effect) នៅក្នុងរូបភាព។ | ងាយនឹងមានបញ្ហាបែងចែកវត្ថុខុស (Over/Under-segmentation) ប្រសិនបើការកំណត់មាត្រដ្ឋាន (Scale parameter) មិនបានល្អ។ វាទាមទារការកែសម្រួលដោយដៃច្រើនសម្រាប់ព្រៃដែលក្រាស់។ | សម្រេចបានភាពត្រឹមត្រូវទូទៅពី 66% ទៅ 98% អាស្រ័យលើប្រភេទផ្កាយរណប (WorldView-2 ទទួលបានលទ្ធផលល្អបំផុត) និងចំណាត់ថ្នាក់ប្រភេទដើមឈើ។ |
| Pixel-based Classification + Support Vector Machine (SVM) / Random Forest ការធ្វើចំណាត់ថ្នាក់រូបភាពផ្អែកលើភីកសែល ជាមួយ SVM ឬ Random Forest |
ដំណើរការលឿនជាង OBIA និងស័ក្តិសមបំផុតសម្រាប់ទិន្នន័យផ្កាយរណបកម្រិតមធ្យមដូចជា Sentinel-2 និង Landsat 8។ វាមានភាពបត់បែននិងអាចទាញយកលក្ខណៈពិសេសពី Spectral bands ច្រើន។ | មិនសូវមានប្រសិទ្ធភាពលើរូបភាពដែលមានកម្រិតច្បាស់ខ្លាំងពេក (ដូចជារូបភាពពី UAV) ព្រោះវាបង្កើតជា Noise ច្រើននៅពេលភីកសែលនីមួយៗចាប់យករូបភាពមែកឬស្លឹកឈើ។ | ជាមួយទិន្នន័យ Sentinel-2 ក្បួនដោះស្រាយនេះសម្រេចបានភាពត្រឹមត្រូវរហូតដល់ប្រហែល 88% ក្នុងការកំណត់តំបន់ព្រៃនិងប្រភេទដើមឈើលេចធ្លោ។ |
| UAV Photogrammetry (Structure from Motion - SfM) ការវាស់វែងតាមរូបថតពីយន្តហោះគ្មានមនុស្សបើក (SfM-MVS) |
អាចទាញយកកម្ពស់ដើមឈើ និងអង្កត់ផ្ចិតមកុដដើមឈើបានយ៉ាងច្បាស់លាស់ ដោយចំណាយថវិកាតិចជាងការប្រើប្រាស់បច្ចេកវិទ្យា LiDAR។ | ជួបការលំបាកខ្លាំងនៅតំបន់ព្រៃក្រាស់ដែលកាមេរ៉ាមិនអាចមើលធ្លុះដល់ដី និងទាមទារការហោះហើរដែលមានភាពត្រួតស៊ីគ្នានៃរូបភាពខ្ពស់បំផុត (>90%)។ | សម្រេចបានភាពត្រឹមត្រូវខ្ពស់ក្នុងការវាស់កម្ពស់ដើមឈើទោល ដោយមានតម្លៃ R² ធំជាង 0.9 និងកម្រិតលម្អៀង (RMSE) ត្រឹមតែប្រហែល 1.15 ម៉ែត្រប៉ុណ្ណោះ បៀបធៀបនឹងការវាស់ផ្ទាល់។ |
| k-Nearest Neighbor (k-NN) Regression តំរែតំរង់ k-Nearest Neighbor សម្រាប់ប៉ាន់ស្មានទិន្នន័យព្រៃឈើ |
ងាយស្រួលក្នុងការធ្វើសមាហរណកម្មទិន្នន័យពីផ្កាយរណប និងទិន្នន័យចុះវាស់វែងផ្ទាល់ (Field data) ដើម្បីប៉ាន់ស្មានទិន្នន័យលើផ្ទៃដីធំទូលាយ។ | ទាមទារឱ្យមានទិន្នន័យចុះវាស់វែងផ្ទាល់ (Sample plots) ច្រើនទីតាំងទើបអាចទទួលបានលទ្ធផលត្រឹមត្រូវ (យ៉ាងហោចណាស់ 50 ទីតាំង)។ | ទទួលបានលទ្ធផលល្អបង្គួរសម្រាប់ការប៉ាន់ស្មានផ្ទៃមុខកាត់ដើមឈើ (Basal Area) តែបរាជ័យក្នុងការប៉ាន់ស្មានបរិមាណឈើ (Timber Volume) ដោយសារទិន្នន័យសាកល្បងមានតិចតួចពេក។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះទាមទារការវិនិយោគខ្ពស់លើឧបករណ៍ប្រមូលទិន្នន័យ កម្លាំងម៉ាស៊ីនកុំព្យូទ័រ និងកម្មវិធីកែច្នៃរូបភាព ទោះបីជាទិន្នន័យផ្កាយរណបមួយចំនួនអាចទាញយកបានដោយឥតគិតថ្លៃក៏ដោយ។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅតំបន់ព្រៃ Taiga ក្បែរតំបន់ Thunkel ភាគខាងជើងប្រទេសម៉ុងហ្គោលី ដែលមានអាកាសធាតុត្រជាក់ស្ងួត និងមានប្រភេទដើមឈើតិចតួច (ស្រល់ និងឡារីក)។ លក្ខណៈរចនាសម្ព័ន្ធព្រៃឈើនៅទីនោះមានភាពស្រឡះ និងខុសគ្នាស្រឡះពីព្រៃល្បោះឬព្រៃស្រោងនៅកម្ពុជា។ នេះមានន័យថា ក្បួនដោះស្រាយមួយចំនួនដូចជាការបែងចែកមកុដដើមឈើ (Crown segmentation) ដែលដំណើរការបានល្អនៅម៉ុងហ្គោលី អាចនឹងជួបការលំបាកខ្លាំងនៅពេលយកមកអនុវត្តលើព្រៃឈើចម្រុះនិងក្រាស់ឃ្មឹកនៅកម្ពុជា។
ទោះបីជាស្ថានភាពព្រៃឈើមានភាពខុសគ្នាក៏ដោយ បច្ចេកទេសនិងវិធីសាស្ត្រដែលបានបង្ហាញនៅក្នុងការសិក្សានេះពិតជាមានប្រយោជន៍ និងអាចយកមកអនុវត្តបានយ៉ាងមានប្រសិទ្ធភាពសម្រាប់ការវាយតម្លៃធនធានព្រៃឈើនៅប្រទេសកម្ពុជា។
ជារួម បច្ចេកវិទ្យាទាំងនេះផ្តល់នូវដំណោះស្រាយដ៏មានសក្តានុពល និងចំណាយតិច សម្រាប់ការគ្រប់គ្រងធនធានធម្មជាតិនៅកម្ពុជា ប្រសិនបើមានការកែសម្រួលម៉ូដែល (Models) ឱ្យស្របតាមបរិបទនៃព្រៃឈើត្រូពិច។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Object-Based Image Analysis (OBIA) | ជាបច្ចេកទេសវិភាគរូបភាពដែលមិនត្រឹមតែពឹងផ្អែកលើពណ៌នៃភីកសែល (pixels) នីមួយៗនោះទេ តែវាផ្តុំភីកសែលទាំងនោះទៅជាវត្ថុ (objects) ដោយផ្អែកលើរូបរាង ទំហំ និងវាយនភាព (texture) មុននឹងធ្វើចំណាត់ថ្នាក់ ឧទាហរណ៍ដូចជាការបែងចែកមកុដដើមឈើជាដើម។ | វាប្រៀបដូចជាការផ្គុំរូបភាពជីកសរ (Jigsaw puzzle) ដែលយើងមិនមើលត្រឹមតែពណ៌នៃបំណែកនីមួយៗទេ តែយើងផ្គុំវាជារូបរាងសិនទើបដឹងថាវាជារូបអ្វីពិតប្រាកដ។ |
| Structure from Motion (SfM) | ជាក្បួនដោះស្រាយក្នុងបច្ចេកវិទ្យា Photogrammetry ដែលប្រើប្រាស់រូបថត 2D ច្រើនសន្លឹកថតពីជ្រុងផ្សេងៗគ្នា ដើម្បីបង្កើតជាទម្រង់ 3D នៃវត្ថុ ឬទីតាំងណាមួយ ដោយស្វែងរកចំណុចត្រួតស៊ីគ្នានៃរូបថតទាំងនោះ។ | វាដូចជាពេលដែលយើងបិទភ្នែកម្ខាងពុំសូវដឹងពីជម្រៅ តែពេលបើកភ្នែកទាំងសងខាងយើងដឹងថាវត្ថុណានៅជិតឬឆ្ងាយអញ្ចឹងដែរ ដោយប្រើរូបភាពច្រើនជ្រុងដើម្បីបង្កើតទិដ្ឋភាព 3D។ |
| Canopy Height Model (CHM) | ជាគំរូទិន្នន័យ 3D ដែលបង្ហាញពីកម្ពស់ពិតប្រាកដនៃរុក្ខជាតិឬដើមឈើ ដោយយកទិន្នន័យកម្ពស់ផ្ទៃខាងលើបំផុតនៃព្រៃ (DSM) ដកជាមួយទិន្នន័យកម្ពស់ដីទទេ (DTM)។ | វាដូចជាការយកកម្ពស់សរុបនៃផ្ទះគិតទាំងដំបូល ដកនឹងកម្ពស់ទីតាំងដីដែលផ្ទះនោះសង់ពីលើ ដើម្បីទទួលបានកម្ពស់ពិតប្រាកដនៃតួផ្ទះតែម្តង។ |
| Random Forest (RF) | ជាក្បួនដោះស្រាយប្រភេទ Machine Learning ដែលបង្កើតជម្រើសបញ្ញាសិប្បនិម្មិត (Decision Trees) ជាច្រើនបញ្ចូលគ្នា ដើម្បីធ្វើចំណាត់ថ្នាក់ទិន្នន័យ ឬទស្សន៍ទាយលទ្ធផល ដែលធ្វើឱ្យមានភាពសុក្រឹតខ្ពស់និងកាត់បន្ថយកំហុស។ | វាដូចជាការសួរយោបល់ពីមនុស្ស ១០០ នាក់ផ្សេងគ្នា ហើយយកចម្លើយដែលភាគច្រើនឆ្លើយដូចគ្នាជាការសម្រេចចិត្តចុងក្រោយ ជៀសវាងការជឿលើមនុស្សតែម្នាក់។ |
| Normalized Difference Vegetation Index (NDVI) | ជាសូចនាករដែលប្រើដើម្បីវាស់ស្ទង់សុខភាព និងដង់ស៊ីតេនៃរុក្ខជាតិ ដោយគណនាភាពខុសគ្នារវាងពន្លឺក្រហមដែលរុក្ខជាតិស្រូបយក (Red) និងពន្លឺអ៊ីនហ្វ្រារ៉េដជិត (Near-Infrared) ដែលវាចាំងត្រឡប់មកវិញ។ | វាដូចជាការប្រើទែម៉ូម៉ែត្រវាស់កម្តៅដើម្បីដឹងថាមនុស្សមានជំងឺឬអត់ ដោយវាប្រើពន្លឺដើម្បីស្ទង់មើលថាតើព្រៃឈើកំពុងលូតលាស់ល្អឬមានភាពរិចរិល។ |
| Support Vector Machine (SVM) | ជាក្បួនដោះស្រាយការរៀនដោយម៉ាស៊ីន (Machine Learning) ដែលព្យាយាមគូសបន្ទាត់ ឬបង្កើតប្លង់ព្រំដែនដ៏ល្អបំផុត ដើម្បីបែងចែកក្រុមទិន្នន័យផ្សេងៗពីគ្នាឱ្យបានដាច់ស្រឡះល្អ ជាពិសេសប្រើក្នុងការបែងចែកប្រភេទដើមឈើក្នុងរូបភាពផ្កាយរណប។ | វាប្រៀបដូចជាការសង់របងខណ្ឌចែករវាងហ្វូងចៀម និងហ្វូងពពែ ឱ្យនៅឆ្ងាយពីគ្នាតាមដែលអាចធ្វើទៅបាន ដើម្បីកុំឱ្យច្រឡំគ្នាចូលហ្វូងតែមួយ។ |
| Leaf Area Index (LAI) | ជារង្វាស់ដែលគណនាទំហំផ្ទៃស្លឹកសរុបរបស់រុក្ខជាតិធៀបនឹងទំហំផ្ទៃដីដែលនៅពីក្រោមវា ដែលជួយឱ្យគេដឹងពីបរិមាណនៃការធ្វើរស្មីសំយោគ និងការហួតទឹករបស់ព្រៃឈើ។ | វាដូចជាការគណនាថាតើឆ័ត្រមួយមានក្រណាត់ប៉ុន្មានស្រទាប់បាំងពីលើដី បើមានច្រើនស្រទាប់ មានន័យថាវាកាន់តែក្រាស់និងបាំងពន្លឺបានច្រើន។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
