បញ្ហា (The Problem)៖ ការសិក្សានេះដោះស្រាយបញ្ហានៃការប្រែប្រួលនិងភាពមិនប្រាកដប្រជានៃទឹកភ្លៀង ដែលបង្កការលំបាកដល់ការរៀបចំផែនការ និងការគ្រប់គ្រងទឹកស្រោចស្រពសម្រាប់ដំណាំស្រូវក្នុងរដូវប្រាំងនៅតំបន់វាលទំនាបកណ្តាលនៃប្រទេសថៃ។
វិធីសាស្ត្រ (The Methodology)៖ អ្នកស្រាវជ្រាវបានប្រើប្រាស់ការវិភាគទំនាក់ទំនង និងវិធីសាស្ត្រតម្រែតម្រង់ពហុគុណតាមជំហាន (Step-wise multiple regression) ដើម្បីស្វែងរកទំនាក់ទំនងដ៏ល្អបំផុតរវាងអថេរអាកាសធាតុ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Step-wise Multiple Regression (MEI & SPI) តម្រែតម្រង់ពហុគុណតាមជំហាន ដោយប្រើសន្ទស្សន៍ MEI និង SPI |
អាចរួមបញ្ចូលព័ត៌មានបរិយាកាស និងមហាសមុទ្រពេញលេញរបស់បាតុភូត ENSO ដើម្បីព្យាករណ៍ពីកង្វះទឹកភ្លៀងយ៉ាងហោចណាស់ ២ សប្តាហ៍មុន។ | សមីការដែលទទួលបានមានភាពជាក់លាក់ចំពោះតែតំបន់នីមួយៗ ទាមទារការធ្វើសំយោគទិន្នន័យឡើងវិញប្រសិនបើចង់ប្រើក្នុងទំហំតំបន់ធំ (Regional Scale)។ | បង្កើតម៉ូដែលព្យាករណ៍គ្រោះរាំងស្ងួតដែលអាចទុកចិត្តបានក្នុងកម្រិតកំហុសត្រឹម ១០% សម្រាប់តំបន់វាលទំនាបកណ្តាលនៃប្រទេសថៃ។ |
| Simple Correlation with Individual Indices (JMA, ONI, SOI) ការវិភាគទំនាក់ទំនងជាមួយសន្ទស្សន៍ទោល (JMA, ONI, SOI) |
ជាសន្ទស្សន៍ដែលងាយស្រួលរក និងផ្តោតសំខាន់លើអថេរជាក់លាក់ដូចជា សីតុណ្ហភាពផ្ទៃសមុទ្រ ឬសម្ពាធបរិយាកាស។ | មិនបានឆ្លុះបញ្ចាំងពីលក្ខណៈទូលំទូលាយនៃអន្តរកម្មរវាងមហាសមុទ្រ និងបរិយាកាសបានល្អិតល្អន់ដូចសន្ទស្សន៍ពហុអថេរ MEI នោះទេ។ | បង្ហាញពីទំនាក់ទំនងខ្ពស់ជាមួយ MEI តែអ្នកស្រាវជ្រាវជ្រើសយក MEI ព្រោះមានអថេររួមបញ្ចូលច្រើនជាង និងមានភាពតំណាងល្អជាង។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះទាមទារការប្រមូលទិន្នន័យអាកាសធាតុប្រវត្តិសាស្ត្ររយៈពេលវែង ក៏ដូចជាកម្មវិធីកុំព្យូទ័រសម្រាប់វិភាគស្ថិតិកម្រិតខ្ពស់។
ការសិក្សានេះប្រើប្រាស់ទិន្នន័យពីឆ្នាំ ១៩៥១ ដល់ ២០០៧ ផ្តោតលើស្ថានីយឧតុនិយមចំនួន ៤ នៅតំបន់វាលទំនាបកណ្តាលនៃប្រទេសថៃ។ ដោយសារកម្ពុជាមានលក្ខណៈអាកាសធាតុមូសុង និងការពឹងផ្អែកលើទឹកភ្លៀងសម្រាប់កសិកម្មស្រដៀងគ្នា វិធីសាស្ត្រនេះមានសារៈសំខាន់ណាស់ ប៉ុន្តែសមីការជាក់លាក់មិនអាចយកមកអនុវត្តផ្ទាល់នៅកម្ពុជាបានទេ លុះត្រាតែមានការបង្ហាត់ម៉ូដែលឡើងវិញជាមួយទិន្នន័យក្នុងស្រុក។
វិធីសាស្ត្រស្រាវជ្រាវនេះពិតជាមានសក្តានុពលខ្ពស់ និងអាចយកមកកែច្នៃប្រើប្រាស់សម្រាប់ការគ្រប់គ្រងធនធានទឹកនៅប្រទេសកម្ពុជា។
ការកសាងម៉ូដែលទំនាក់ទំនងរវាង SPI និង MEI សម្រាប់កម្ពុជានឹងជួយលើកកម្ពស់សមត្ថភាពត្រៀមខ្លួនជាមុន និងធានាបាននូវសន្តិសុខស្បៀង តាមរយៈការគ្រប់គ្រងទឹកប្រកបដោយប្រសិទ្ធភាពនារដូវប្រាំង។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| El Nino-southern oscillation (ENSO) (បាតុភូតអែលនីណូ និងរំញ័រខាងត្បូង) | ជាបាតុភូតអាកាសធាតុទ្រង់ទ្រាយធំដែលកើតឡើងដោយសារការកើនឡើងកម្តៅខុសប្រក្រតីនៃផ្ទៃមហាសមុទ្រប៉ាស៊ីហ្វិកកណ្តាលនិងខាងកើត គួបផ្សំនឹងការផ្លាស់ប្តូរសម្ពាធបរិយាកាស ដែលធ្វើឱ្យអាកាសធាតុទូទាំងពិភពលោកប្រែប្រួល ដែលជារឿយៗបង្កឱ្យមានគ្រោះរាំងស្ងួត ឬទឹកជំនន់ខុសប្រក្រតី។ | វាប្រៀបដូចជាម៉ាស៊ីនត្រជាក់របស់ផែនដីដំណើរការខុសប្រក្រតី ដែលធ្វើឱ្យតំបន់ខ្លះក្តៅហួតហែងខុសធម្មតា ហើយតំបន់ខ្លះទៀតមានភ្លៀងធ្លាក់ខ្លាំងខុសធម្មតា។ |
| Multivariate ENSO index (MEI) (សន្ទស្សន៍ ENSO ពហុអថេរ) | ជាសន្ទស្សន៍ដែលត្រូវបានប្រើដើម្បីវាស់ស្ទង់កម្រិតភាពធ្ងន់ធ្ងរនៃបាតុភូត ENSO ដោយរួមបញ្ចូលអថេរចំនួន៦ ដូចជា សម្ពាធបរិយាកាស សីតុណ្ហភាពផ្ទៃសមុទ្រ សីតុណ្ហភាពខ្យល់ ល្បឿនខ្យល់កម្រិតទាប និងបរិមាណពពក ដើម្បីផ្តល់ទិន្នន័យវាយតម្លៃដែលច្បាស់លាស់និងទូលំទូលាយ។ | ប្រៀបដូចជាការពិនិត្យសុខភាពសរុប (វាស់សម្ពាធឈាម ចង្វាក់បេះដូង សីតុណ្ហភាព) ដើម្បីដឹងថាអ្នកជំងឺមានអាការៈធ្ងន់ធ្ងរកម្រិតណា ជាជាងគ្រាន់តែស្ទាបក្បាលមើលកម្តៅតែមួយមុខ។ |
| Standardized precipitation index (SPI) (សន្ទស្សន៍ទឹកភ្លៀងស្តង់ដារ) | ជាឧបករណ៍គណិតវិទ្យាសម្រាប់វាស់វែងកម្រិតភាពរាំងស្ងួត ឬភាពសើមហួសហេតុ ដោយប្រៀបធៀបបរិមាណទឹកភ្លៀងក្នុងរយៈពេលជាក់លាក់ណាមួយ (ឧ. ១ខែ ឬ ៣ខែ) ទៅនឹងទិន្នន័យទឹកភ្លៀងមធ្យមជាប្រវត្តិសាស្ត្រយូរអង្វែងនៅក្នុងតំបន់នោះ។ | ប្រៀបដូចជាការប្រៀបធៀបពិន្ទុប្រឡងប្រចាំខែរបស់អ្នក ទៅនឹងពិន្ទុមធ្យមប្រចាំឆ្នាំរបស់អ្នក ដើម្បីដឹងថាខែនេះលទ្ធផលសិក្សារបស់អ្នកធ្លាក់ចុះ ឬកើនឡើងខុសពីធម្មតាកម្រិតណា។ |
| Step-wise multiple regression (តម្រែតម្រង់ពហុគុណតាមជំហាន) | ជាវិធីសាស្ត្រស្ថិតិដែលព្យាយាមស្វែងរកកត្តា (អថេរឯករាជ្យ) ណាខ្លះដែលមានឥទ្ធិពលបំផុតក្នុងការទស្សន៍ទាយលទ្ធផលអ្វីមួយ ដោយកុំព្យូទ័រធ្វើការសាកល្បងបញ្ចូល និងដកអថេរចេញម្តងមួយៗដោយស្វ័យប្រវត្តិ រហូតទាល់តែទទួលបានម៉ូដែលសមីការដ៏ល្អ និងមានភាពសុក្រឹតបំផុត។ | ប្រៀបដូចជាការសាកល្បងផ្សំគ្រឿងទេសដាក់ក្នុងសម្លម្តងមួយមុខៗ ហើយភ្លក់មើល រហូតទាល់តែទទួលបានរសជាតិដែលឆ្ងាញ់បំផុត ទើបសម្រេចចិត្តកត់ត្រារូបមន្តនោះទុក។ |
| Gamma distribution (របាយហ្គាម៉ា) | ជាទម្រង់នៃការចែកចាយប្រូបាប៊ីលីតេក្នុងមុខវិជ្ជាស្ថិតិ ដែលត្រូវបានគេប្រើប្រាស់ជាញឹកញាប់ដើម្បីធ្វើម៉ូដែលទិន្នន័យទឹកភ្លៀង ព្រោះវាស័ក្តិសមសម្រាប់ទិន្នន័យដែលមានតម្លៃវិជ្ជមានចាប់ពីសូន្យឡើងទៅ និងមានរាងបញ្ឆិត (Skewed) ពោលគឺថ្ងៃដែលគ្មានភ្លៀង ឬភ្លៀងតិចមានចំនួនច្រើនជាងថ្ងៃដែលភ្លៀងធ្លាក់ខ្លាំង។ | ប្រៀបដូចជាការកត់ត្រាចំណូលប្រចាំថ្ងៃរបស់អ្នកលក់ដូរ ដែលថ្ងៃធម្មតាលក់បានតិចតួចមានច្រើនថ្ងៃ ប៉ុន្តែថ្ងៃដែលលក់ដាច់ខ្លាំងបានលុយច្រើនគឺមានតិចថ្ងៃបំផុត។ |
| Tele-connections (តំណភ្ជាប់ពីចម្ងាយ) | នៅក្នុងវិទ្យាសាស្ត្រអាកាសធាតុ ពាក្យនេះសំដៅទៅលើទំនាក់ទំនងរវាងបាតុភូតអាកាសធាតុដែលកើតឡើងនៅតំបន់មួយ (ឧទាហរណ៍ កណ្តាលមហាសមុទ្រប៉ាស៊ីហ្វិក) ដែលមានឥទ្ធិពលយ៉ាងខ្លាំងធ្វើឱ្យប្រែប្រួលអាកាសធាតុនៅតំបន់មួយទៀតដែលនៅឆ្ងាយរាប់ពាន់គីឡូម៉ែត្រ (ឧទាហរណ៍ ប្រទេសថៃ ឬកម្ពុជា)។ | ប្រៀបដូចជាកុងតាក់ភ្លើងដែលមានខ្សែរត់កប់ក្នុងជញ្ជាំង ដែលនៅពេលអ្នកចុចបិទបើកនៅកន្លែងមួយ វាធ្វើឱ្យអំពូលភ្លើងនៅបន្ទប់មួយទៀតដែលនៅឆ្ងាយភ្លឺ ឬរលត់។ |
| Maximum-likelihood method (វិធីសាស្ត្រសម្មតិភាពអតិបរមា) | ជាវិធីសាស្ត្រគណនាដ៏ស្មុគស្មាញមួយក្នុងស្ថិតិ សម្រាប់ប៉ាន់ស្មានប៉ារ៉ាម៉ែត្រនៃម៉ូដែលគណិតវិទ្យា (ឧទាហរណ៍ ប៉ារ៉ាម៉ែត្រ Alpha និង Beta នៃរបាយហ្គាម៉ា) ធ្វើយ៉ាងណាទាញតម្រឹមម៉ូដែលនោះឱ្យអាចពន្យល់ពីទិន្នន័យជាក់ស្តែងដែលប្រមូលបាន ក្នុងកម្រិតប្រូបាប៊ីលីតេត្រឹមត្រូវខ្ពស់បំផុត។ | ប្រៀបដូចជាការបង្វិលនិងសារ៉េស៊ុមរូបថតឱ្យត្រូវបេះបិទជាមួយទំហំរូបភាពជាក់ស្តែងដែលមានស្រាប់ ដើម្បីឱ្យមើលទៅឃើញច្បាស់និងត្រឹមត្រូវបំផុតតាមដែលអាចធ្វើទៅបាន។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
