បញ្ហា (The Problem)៖ ការតាមដានបម្រែបម្រួលជីវម៉ាសលើដី (Aboveground Biomass - AGB) នៅក្នុងព្រៃឈើធំៗទាមទារពេលវេលា និងចំណាយច្រើនតាមរយៈវិធីសាស្ត្រជំរឿនព្រៃឈើប្រពៃណី។ ទោះបីជាការប្រើប្រាស់យន្តហោះគ្មានមនុស្សបើក (UAV) អាចជួយដោះស្រាយបញ្ហានេះបានក្ដី វិធីសាស្ត្របច្ចុប្បន្ននៅតែជួបការលំបាកជាមួយរចនាសម្ព័ន្ធព្រៃឈើស្មុគស្មាញ ឬតម្រូវឱ្យមានទិន្នន័យគូសចំណាំដោយដៃច្រើនសន្ធឹកសន្ធាប់សម្រាប់ការបង្ហាត់ម៉ូដែល។
វិធីសាស្ត្រ (The Methodology)៖ អ្នកស្រាវជ្រាវបានរួមបញ្ចូលគ្នានូវក្បួនដោះស្រាយ LiDAR គ្មានការត្រួតពិនិត្យ (Unsupervised LiDAR algorithm) ជាមួយនឹងម៉ូដែល Deep Learning ស្វ័យត្រួតពិនិត្យ (Self-supervised deep learning model) សម្រាប់វិភាគរូបភាព RGB ដើម្បីប៉ាន់ស្មានកម្ពស់ដើមឈើ ទំហំមកុដ និងជីវម៉ាស។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Unsupervised LiDAR-only algorithm (MCWS) ក្បួនដោះស្រាយ LiDAR គ្មានការគ្រប់គ្រង (MCWS) |
អាចប៉ាន់ស្មានកម្ពស់ដើមឈើបានយ៉ាងល្អ និងមានអត្រារាវរកដើមឈើខ្ពស់ (93.06%) ជាពិសេសនៅតំបន់ព្រៃដែលមិនទាន់កាប់។ | ពិបាកក្នុងការបែងចែកព្រំប្រទល់មកុដដើមឈើនៅពេលដើមឈើដុះជាន់គ្នា ឬមានកម្ពស់ប្រហាក់ប្រហែលគ្នាខ្លាំង។ | ភាពត្រឹមត្រូវនៃការប៉ាន់ស្មានជីវម៉ាសខាងលើដី (AGB) ទទួលបានត្រឹម Ra² = 0.29 ។ |
| Self-supervised RGB deep learning model ម៉ូដែល Deep Learning លើរូបភាព RGB រៀនដោយខ្លួនឯង |
ផ្តល់ភាពត្រឹមត្រូវខ្ពស់ក្នុងការវាស់អង្កត់ផ្ចិតមកុដដើមឈើ និងប៉ាន់ស្មានជីវម៉ាស ដោយមិនតម្រូវឱ្យមានការគូសចំណាំទិន្នន័យ (Annotations) ដោយដៃមនុស្ស។ | អត្រានៃការរាវរកដើមឈើមានកម្រិតទាបជាងបន្តិច (75.44%) ហើយដំណើរការមិនសូវល្អនៅតំបន់ព្រៃដែលមានរចនាសម្ព័ន្ធស្មុគស្មាញ និងក្រាស់ពេក។ | ភាពត្រឹមត្រូវនៃការប៉ាន់ស្មានជីវម៉ាស (AGB) ទទួលបាន Ra² = 0.47 (កើនឡើង 18% ធៀបនឹងការប្រើ LiDAR តែឯង)។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តវិធីសាស្រ្តនេះទាមទារការចំណាយធនធានខ្ពស់លើឧបករណ៍ប្រមូលទិន្នន័យពីអាកាស និងកម្លាំងម៉ាស៊ីនកុំព្យូទ័រសម្រាប់ដំណើរការ Deep Learning។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅក្នុងតំបន់ចម្ការស្រល់ (Temperate Coniferous Forest) ក្នុងរដ្ឋ Ontario ប្រទេសកាណាដា ដែលមានប្រភេទឈើ និងអាកាសធាតុខុសស្រឡះពីកម្ពុជា។ សម្រាប់ប្រទេសកម្ពុជាដែលមានព្រៃត្រូពិចដុះចម្រុះគ្នា មានស្លឹកធំៗ និងរចនាសម្ព័ន្ធស្មុគស្មាញ ការប្រើប្រាស់សមីការគណនាជីវម៉ាស (Allometric Equations) ពីតំបន់អឺរ៉ុបឬអាមេរិកខាងជើង នឹងមិនអាចផ្តល់លទ្ធផលត្រឹមត្រូវឡើយ ប្រសិនបើមិនមានការកែតម្រូវ។
ទោះជាមានបញ្ហាប្រឈមលើភាពខុសគ្នានៃប្រភេទព្រៃឈើ បច្ចេកវិទ្យានេះមានសក្តានុពលខ្លាំងសម្រាប់កម្ពុជាក្នុងការធ្វើទំនើបកម្មការតាមដានធនធានធម្មជាតិ។
សរុបមក វិធីសាស្ត្រនេះអាចកាត់បន្ថយការចំណាយលើកម្លាំងពលកម្ម និងពេលវេលាក្នុងការជំរឿនព្រៃឈើនៅកម្ពុជា តែទាមទារការបង្កើតសមីការជីវម៉ាសថ្មីដែលស្របនឹងប្រភេទឈើត្រូពិចក្នុងស្រុក។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Aboveground biomass (AGB) | ជាការវាស់វែងទម្ងន់សរុបនៃផ្នែកទាំងអស់របស់ដើមឈើដែលដុះនៅពីលើដី ដូចជា ដើម មែក ស្លឹក និងសំបក ដែលជាទូទៅត្រូវបានគេប្រើដើម្បីគណនាបរិមាណកាបូនដែលព្រៃឈើអាចស្តុកទុកបាន។ នៅក្នុងការសិក្សានេះ គេប៉ាន់ស្មានទម្ងន់នេះតាមរយៈទិន្នន័យរូបភាពពីលើអាកាស។ | ដូចជាការថ្លឹងទម្ងន់របស់ដើមឈើទាំងមូលតាំងពីគល់ដល់ចុង ដើម្បីដឹងថាវាមានទំហំនិងទម្ងន់ប៉ុន្មានដោយមិនបាច់កាប់វាផ្តួល។ |
| Marker-controlled watershed segmentation (MCWS) | ជាក្បួនដោះស្រាយ (Algorithm) ក្នុងកុំព្យូទ័រដែលប្រើដើម្បីបែងចែកព្រំប្រទល់មកុដដើមឈើនីមួយៗចេញពីគ្នា។ វាដំណើរការដោយយកចំណុចកំពូលនៃដើមឈើជាចំណុចកណ្តាល រួចក្លែងធ្វើការចាក់ទឹកបំពេញពីលើចុះក្រោម រហូតដល់ទឹកប៉ះទង្គិចគ្នាដើម្បីបង្កើតជាខ្សែព្រំប្រទល់ដើមឈើ។ | ដូចជាការបន្តក់ទឹកពណ៌លើកំពូលភ្នំតូចៗដែលនៅក្បែរគ្នា ពេលទឹកហូរចុះមកជួបគ្នាត្រង់ជើងភ្នំ នោះវាបង្កើតបានជាខ្សែព្រំដែនបែងចែកភ្នំនីមួយៗ។ |
| Self-supervised deep learning | ជាវិធីសាស្ត្របង្រៀនបញ្ញាសិប្បនិម្មិត (AI) ឱ្យរៀនស្គាល់ទម្រង់មកុដដើមឈើពីរូបភាពកាមេរ៉ាដោយខ្លួនឯង តាមរយៈការប្រើប្រាស់ទិន្នន័យព្រាងដែលទាញចេញពីម៉ាស៊ីន LiDAR ជាជាងការប្រើប្រាស់មនុស្សឱ្យអង្គុយគូសចំណាំ (Label) ដើមឈើមួយៗដោយផ្ទាល់ដៃដើម្បីបង្រៀនវា។ | ដូចជាការឱ្យសិស្សរៀនគូររូបតាមគំរូដែលម៉ាស៊ីនព្រីនចេញមកស្រាប់ ជាជាងត្រូវមានគ្រូមកអង្គុយចាប់ដៃគូសបង្ហាញម្នាក់ម្តងៗ។ |
| Allometric equations | ជាសមីការគណិតវិទ្យាដែលប្រើដើម្បីប៉ាន់ស្មានទំហំ ឬទម្ងន់នៃផ្នែកពិបាកវាស់របស់ដើមឈើ (ដូចជា ជីវម៉ាស) ដោយផ្អែកលើទំហំដែលងាយស្រួលវាស់វែងជាង ដូចជា អង្កត់ផ្ចិតគល់ឈើ (DBH) ឬទទឹងមកុដដើមឈើ និងកម្ពស់។ | ដូចជាការទស្សន៍ទាយទម្ងន់របស់មនុស្សម្នាក់ដោយគ្រាន់តែវាស់កម្ពស់ និងទំហំចង្កេះរបស់គេ តាមរយៈរូបមន្តដែលធ្លាប់បានធ្វើតេស្តត្រឹមត្រូវកន្លងមក។ |
| Canopy height model (CHM) | ជាទម្រង់ទិន្នន័យផែនទី 3D ដែលបង្ហាញតែពីកម្ពស់សុទ្ធរបស់គម្របព្រៃឈើធៀបនឹងផ្ទៃដី ដោយកាត់ផ្តាច់កម្ពស់ដី ឬភ្នំខាងក្រោមចោល ដើម្បីងាយស្រួលវាស់កម្ពស់ដើមឈែនីមួយៗបានយ៉ាងសុក្រឹតដោយប្រព័ន្ធកុំព្យូទ័រ។ | ដូចជាការយកកម្រាលព្រំរាបស្មើមួយមកក្រាលពីលើដីភ្នំ រួចវាស់តែកម្ពស់ដើមឈើណាដែលលេចចេញពីកម្រាលព្រំនោះ។ |
| Light detection and ranging (LiDAR) | ជាបច្ចេកវិទ្យាសេនស័រ (Sensor) ដែលបាញ់ពន្លឺឡាស៊ែររាប់លានគ្រាប់ទៅលើដី រួចវាស់ចំណាយពេលដែលពន្លឺនោះផ្លាតត្រលប់មកវិញ ដើម្បីបង្កើតជារូបភាព 3D នៃរចនាសម្ព័ន្ធព្រៃឈើ វាស់កម្ពស់ និងឆ្លុះទម្លុះចន្លោះស្លឹកឈើបានយ៉ាងច្បាស់។ | ដូចជាសត្វប្រចៀវដែលបញ្ចេញសំឡេងហើយស្តាប់អេកូដែលខ្ទាតមកវិញ ដើម្បីដឹងទីតាំង និងរូបរាងពិតប្រាកដរបស់វត្ថុនៅខាងមុខ។ |
| Variable-retention harvesting (VRH) | ជាបច្ចេកទេសគ្រប់គ្រងព្រៃឈើតាមរយៈការកាប់ឈើ ដោយរក្សាទុកដើមឈើមួយចំនួនឱ្យនៅរស់តាមទម្រង់ផ្សេងៗគ្នា (ឧទាហរណ៍៖ រក្សាទុកជាដុំៗ ឬទុកឱ្យនៅរាយប៉ាយ) ដើម្បីជួយរក្សាប្រព័ន្ធអេកូឡូស៊ី និងជំរុញការលូតលាស់ជីវម៉ាសរបស់កូនឈើថ្មីៗកុំឱ្យដណ្តើមពន្លឺគ្នា។ | ដូចជាការកាត់សក់ដែលមិនកោរត្រងោលទាំងអស់ ប៉ុន្តែរក្សាសក់ខ្លះទុកជាដុំៗ ដើម្បីការពារស្បែកក្បាលពីពន្លឺថ្ងៃ និងទុកឱ្យសក់ថ្មីដុះមកស្អាតជាងមុន។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
