បញ្ហា (The Problem)៖ ការសិក្សានេះដោះស្រាយបញ្ហាប្រឈមក្នុងការរកឃើញ និងកំណត់ទីតាំងដើមឈើ (Tree detection and localization) សម្រាប់ការវាយតម្លៃធនធានព្រៃឈើ ដោយធ្វើការប្រៀបធៀបក្បួនដោះស្រាយផ្សេងៗលើទិន្នន័យ LiDAR ដែលមានលក្ខណៈខុសៗគ្នា រួមទាំងដង់ស៊ីតេ និងភាពសុក្រឹតធរណីមាត្រ។
វិធីសាស្ត្រ (The Methodology)៖ ក្រុមអ្នកស្រាវជ្រាវបានបង្កើតវិធីសាស្ត្រថ្មីមួយផ្អែកលើភាពខុសគ្នានៃកម្ពស់ ហើយប្រៀបធៀបវាជាមួយវិធីសាស្ត្រទំនើបៗចំនួនពីរផ្សេងទៀតនៅលើសំណុំទិន្នន័យពីឧបករណ៍ និងប្រព័ន្ធប្លែកៗគ្នា។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| DBSCAN-based approach វិធីសាស្ត្រផ្អែកលើក្បួនដោះស្រាយ DBSCAN ចង្អោមចំណុច |
ផ្តល់ភាពសុក្រឹតខ្ពស់សម្រាប់ការកំណត់ទីតាំងដើមឈើ (ត្រឹមត្រូវប្រមាណ ០.១ ម៉ែត្រ) ក្នុងទិន្នន័យដែលមានដង់ស៊ីតេខ្ពស់។ | ទាមទារការកំណត់ប៉ារ៉ាម៉ែត្រស្មុគស្មាញ (minPts, ε) និងចំណាយពេលដំណើរការយូរខ្លាំងនៅពេលទិន្នន័យមានចំនួនចំណុចច្រើន។ | ទទួលបានពិន្ទុ F1 > 0.99 សម្រាប់ទិន្នន័យ UAV ដង់ស៊ីតេខ្ពស់ ប៉ុន្តែធ្លាក់ចុះដល់ F1 = 0.808 សម្រាប់ទិន្នន័យ Geiger-mode ដង់ស៊ីតេទាប។ |
| Height/Density-based approach វិធីសាស្ត្រផ្អែកលើកម្ពស់ និងដង់ស៊ីតេចំណុច |
ចំណាយពេលដំណើរការលឿនជាងគេបំផុតសម្រាប់ទិន្នន័យដង់ស៊ីតេខ្ពស់ និងផ្តល់ភាពសុក្រឹតទីតាំងដើមឈើបានល្អ។ | ត្រូវការការសាកល្បងកែតម្រូវប៉ារ៉ាម៉ែត្រច្រើន ហើយងាយរងផលប៉ះពាល់យ៉ាងខ្លាំងនៅពេលទិន្នន័យមានដង់ស៊ីតេទាប ឬខុសធរណីមាត្រ។ | ទទួលបានពិន្ទុ F1 > 0.99 សម្រាប់ទិន្នន័យ UAV ប៉ុន្តែដំណើរការខ្សោយជាងគេលើទិន្នន័យដង់ស៊ីតេទាប (F1 = 0.746)។ |
| Height-Difference-based approach (Proposed) វិធីសាស្ត្រថ្មីផ្អែកលើភាពខុសគ្នានៃកម្ពស់ក្នុងតំបន់មូលដ្ឋាន |
មិនពឹងផ្អែកលើដង់ស៊ីតេចំណុច ងាយស្រួលកំណត់ប៉ារ៉ាម៉ែត្រតាមវិចារណញាណ និងដំណើរការបានល្អបំផុតសម្រាប់ទិន្នន័យដែលខ្សត់ចំណុច។ | ងាយចាប់យកទីតាំងខុស (False positives) ដោយសារកម្ទេចកម្ទីឈើ ឬមែកទាបៗ ហើយភាពសុក្រឹតទីតាំងជាក់លាក់មានកម្រិតទាបជាងវិធីសាស្ត្រផ្សេងបន្តិច។ | ទទួលបានពិន្ទុ F1 > 0.99 សម្រាប់ទិន្នន័យ UAV និងមានប្រសិទ្ធភាពខ្ពស់បំផុតលើទិន្នន័យ Geiger-mode ដង់ស៊ីតេទាប (F1 = 0.902)។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះទាមទារកុំព្យូទ័រដែលមានកម្លាំងមធ្យមសម្រាប់ការកែច្នៃទិន្នន័យ ព្រមទាំងឧបករណ៍ LiDAR ដែលមានតម្លៃថ្លៃ និងបច្ចេកទេសហោះហើរដើម្បីប្រមូលទិន្នន័យប្រកបដោយគុណភាព។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅតំបន់ព្រៃដាំ Martell Forest (សហរដ្ឋអាមេរិក) ដែលមានដើមឈើដាំជាជួរៗមានរបៀបរៀបរយ និងស្ថិតក្នុងរដូវជ្រុះស្លឹក (Leaf-off) អនុញ្ញាតឲ្យកាំរស្មីឡាស៊ែរឆ្លុះដល់គល់ឈើបានល្អ។ សម្រាប់ប្រទេសកម្ពុជា ទិន្នន័យនេះមានភាពលម្អៀង ព្រោះព្រៃឈើធម្មជាតិនៅកម្ពុជាភាគច្រើនជាព្រៃត្រូពិចក្រាស់ មានរុក្ខជាតិគម្របដី និងវល្លិច្រើន (Understory vegetation) ដែលធ្វើឲ្យការចាប់យកទីតាំងគល់ឈើជួបការលំបាកខ្លាំង ទោះបីប្រើ LiDAR ក៏ដោយ។
ទោះបីជាមានបញ្ហាប្រឈមជាមួយព្រៃត្រូពិចក្តី វិធីសាស្ត្រនេះមានសក្តានុពលខ្ពស់សម្រាប់ការអនុវត្តលើការគ្រប់គ្រងព្រៃដាំ និងចម្ការកសិ-ឧស្សាហកម្មនៅកម្ពុជា។
ជារួម វិធីសាស្ត្រពឹងផ្អែកលើគល់ឈើនេះ គឺជាឧបករណ៍ដ៏មានប្រសិទ្ធភាពមួយសម្រាប់អ្នកស្រាវជ្រាវ និងស្ថាប័នពាក់ព័ន្ធនៅកម្ពុជា ក្នុងការធ្វើទំនើបកម្មប្រព័ន្ធគ្រប់គ្រងទិន្នន័យព្រៃដាំ និងគម្រោងព្រៃឈើពាណិជ្ជកម្ម។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Point Cloud | បណ្តុំនៃចំណុចកូអរដោនេ 3D (X, Y, Z) រាប់លានដែលប្រមូលបានដោយឧបករណ៍ឡាស៊ែរ (LiDAR) បាញ់ផ្លាតពីវត្ថុ ដើម្បីបង្កើតជារូបរាងទីតាំង ឬរចនាសម្ព័ន្ធវត្ថុណាមួយនៅក្នុងប្រព័ន្ធកុំព្យូទ័រសម្រាប់ការវិភាគ។ | ដូចជាការយកគ្រាប់ខ្សាច់តូចៗរាប់លានគ្រាប់មកតម្រៀបបញ្ឈរលើគ្នាដើម្បីបង្កើតជារូបរាងដើមឈើ ឬផ្ទះក្មេងលេងក្នុងលំហ 3D។ |
| Geiger-mode LiDAR | ប្រព័ន្ធឡាស៊ែរស្កេនប្រភេទថ្មីដែលមានសេនស័រចាប់សញ្ញាពន្លឺបានយ៉ាងល្អិតល្អន់បំផុត (ទោះជាមានពន្លឺត្រលប់មកវិញត្រឹមតែមួយ ហ្វូតុង ឬ Photon ក៏វាអាចកត់ត្រាបាន) ដែលអនុញ្ញាតឱ្យគេហោះហើរយន្តហោះបានខ្ពស់ និងលឿនជាងមុន ដើម្បីប្រមូលទិន្នន័យ។ | ដូចជាកាមេរ៉ាទំនើបដែលអាចថតរូបបានច្បាស់ល្អ ទោះបីជានៅក្នុងទីងងឹតដែលមានពន្លឺភ្លើងអំពិលអំពែកតែមួយគ្រាប់ក៏ដោយ។ |
| DBSCAN | ក្បួនដោះស្រាយកុំព្យូទ័រ (Algorithm) សម្រាប់ចាប់ផ្ដុំចំណុចទីតាំងដែលនៅកៀកៗគ្នាឱ្យក្លាយជាក្រុមតែមួយ (ឧទាហរណ៍៖ ចាប់យកគល់ឈើមួយដើម) ដោយផ្អែកលើកម្រិតដង់ស៊ីតេចំណុច ហើយទាត់ចោលចំណុចនៅរាយប៉ាយចាត់ទុកជាសំរាម (Noise)។ | ដូចជាការសង្កេតមើលសិស្សដែលឈរផ្តុំគ្នាក្នុងទីធ្លាសាលា ហើយចាត់ទុកពួកគេជាក្រុមរៀងៗខ្លួន ចំណែកអ្នកណាឈរឆ្ងាយពីគេឯង ត្រូវបានចាត់ទុកថាជាអ្នកដើរលេងម្នាក់ឯង។ |
| Digital Terrain Model (DTM) | ម៉ូដែល 3D ដែលបង្ហាញតែពីទម្រង់ផ្ទៃដី និងជម្រាលសុទ្ធសាធ ដោយប្រព័ន្ធកុំព្យូទ័របានកាត់ជម្រះ ឬលុបចេញនូវរាល់ដើមឈើ អគារ និងវត្ថុផ្សេងៗនៅលើដីចេញអស់។ | ដូចជាការស្រមៃមើលផែនដីទទេស្អាត បន្ទាប់ពីយើងកោរសក់ (ដើមឈើ) និងដោះមួក (អគារ) ចេញពីក្បាល (ផ្ទៃដី) អស់អញ្ចឹង។ |
| Cloth Simulation | ក្បួនបច្ចេកទេសសម្រាប់បំបែកចំណុចផ្ទៃដីចេញពីចំណុចវត្ថុផ្សេងៗ ដោយប្រើគំនិតគណិតវិទ្យាក្លែងធ្វើជាការទម្លាក់ក្រណាត់មួយផ្ទាំង គ្របពីលើពពកចំណុចដែលត្រូវបានផ្កាប់បញ្ច្រាស។ | ដូចជាការយកក្រណាត់ទៅគ្របពីលើតុដែលមានរាយប៉ាយកែវចាន បន្ទាប់មកមើលរាងក្រណាត់នោះដើម្បីស្មានដឹងថាឯណាជាផ្ទៃតុទទេរាបស្មើ ហើយឯណាជាវត្ថុ។ |
| KD-Tree | រចនាសម្ព័ន្ធទិន្នន័យក្នុងវិទ្យាសាស្ត្រកុំព្យូទ័រ ដែលរៀបចំចំណុច 3D ជាថ្នាក់ៗ និងជាតំបន់ៗ ដើម្បីជួយឱ្យការស្វែងរកចំណុចដែលនៅក្បែរគ្នាមានភាពរហ័ស ដោយមិនបាច់ចំណាយពេលទាញរកគ្រប់ចំណុចទាំងអស់ឡើយ។ | ដូចជាការស្វែងរកសៀវភៅក្នុងបណ្ណាល័យដែលគេបានរៀបចំតាមកាតាឡុកអក្ខរក្រម និងមុខវិជ្ជាយ៉ាងមានសណ្តាប់ធ្នាប់ ជំនួសឱ្យការដើររើសមើលគ្រប់ធ្នើរទាំងអស់។ |
| Voronoi diagram | ការគូសបែងចែកលំហផ្ទៃដីជាតំបន់ៗ ដោយធានាថាគ្រប់ទីតាំងក្នុងតំបន់មួយ គឺស្ថិតនៅកៀកនឹងចំណុចកណ្តាលមួយ (ឧទាហរណ៍៖ គល់ឈើមួយ) ជាជាងចំណុចកណ្តាលនៃតំបន់ផ្សេងទៀត ដើម្បីចាត់ថ្នាក់ចំណុចទាំងនោះជារបស់ដើមឈើតែមួយ។ | ដូចជាការគូសផែនទីបែងចែកព្រំដែនសង្កាត់ ដោយតម្រូវថាផ្ទះអ្នកណាដែលនៅជិតសាលាសង្កាត់ណាមួយជាងគេ គឺត្រូវចុះឈ្មោះចូលជាសមាជិករបស់សង្កាត់នោះដោយស្វ័យប្រវត្តិ។ |
| Leaf-Off conditions | លក្ខខណ្ឌបរិស្ថានក្នុងរដូវកាលដែលដើមឈើជ្រុះស្លឹកអស់ពីមែក ដែលអនុញ្ញាតឱ្យកាំរស្មីឡាស៊ែរពីយន្តហោះ អាចបាញ់ទម្លុះចន្លោះមែកឈើទៅប៉ះនឹងគល់ឈើ និងផ្ទៃដីបានយ៉ាងងាយស្រួលដើម្បីយកទិន្នន័យលម្អិតពីខាងក្រោម។ | ដូចជាការថតកាំរស្មីអិច (X-ray) ដែលយើងអាចមើលឃើញរចនាសម្ព័ន្ធឆ្អឹងច្បាស់ នៅពេលដែលគ្មានសម្លៀកបំពាក់ក្រាស់ៗបាំងពីក្រៅ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
