បញ្ហា (The Problem)៖ ការសិក្សានេះដោះស្រាយបញ្ហាប្រឈមក្នុងការប៉ាន់ស្មានបរិមាណទឹកភ្លៀងឱ្យបានត្រឹមត្រូវនៅក្នុងតំបន់ដែលមានសណ្ឋានដីស្មុគស្មាញដូចជាអាងទន្លេ Akdeniz នៃប្រទេសតួកគី ដោយកំណត់រកទិន្នន័យផ្កាយរណបណាដែលស័ក្តិសមបំផុត។
វិធីសាស្ត្រ (The Methodology)៖ អ្នកស្រាវជ្រាវបានធ្វើការប្រៀបធៀប និងវាយតម្លៃភាពត្រឹមត្រូវនៃទិន្នន័យទឹកភ្លៀងពីផ្កាយរណបចំនួនប្រាំ ជាមួយនឹងទិន្នន័យជាក់ស្តែងពីស្ថានីយវាស់ទឹកភ្លៀងផ្ទាល់ដីចំនួន៤ ក្នុងចន្លោះឆ្នាំ២០០៣ ដល់២០១៨ ដោយប្រើប្រាស់ការវិភាគស្ថិតិ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| TMPA 3B42V7 + Linear Regression ទិន្នន័យទឹកភ្លៀងផ្កាយរណប TMPA 3B42V7 រួមជាមួយការកែតម្រូវលីនេអ៊ែរ |
មានភាពត្រឹមត្រូវខ្ពស់ជាងគេ និងមានទំនាក់ទំនងយ៉ាងរឹងមាំជាមួយទិន្នន័យជាក់ស្តែងពីស្ថានីយ។ ការកែតម្រូវជួយកាត់បន្ថយកម្រិតលម្អៀងបានយ៉ាងច្រើន។ | ទាមទារឱ្យមានទិន្នន័យពីស្ថានីយវាស់ទឹកភ្លៀងផ្ទាល់ដីដែលមានគុណភាពខ្ពស់ជាមុនសិន ដើម្បីអាចធ្វើការកែតម្រូវ (Bias correction) បានត្រឹមត្រូវ។ | កម្រិតលម្អៀង (RMSE) ធ្លាក់ចុះពី ១៩,៧ មក ១៥,៨ មីលីម៉ែត្រ និងមានមេគុណ R ស្មើ ០,៩០។ |
| CHIRPS + Bias Correction ទិន្នន័យទឹកភ្លៀងផ្កាយរណប CHIRPS |
ផ្តល់នូវទំហំភាពច្បាស់នៃលំហល្អជាងគេ (Spatial resolution 0.05°) និងមានទិន្នន័យប្រវត្តិសាស្ត្រវែងឆ្ងាយស័ក្តិសមសម្រាប់ការតាមដានគ្រោះរាំងស្ងួត។ | ក្រោយពេលអនុវត្តការកែតម្រូវដោយវិធីសាស្ត្រលីនេអ៊ែរ ការថយចុះនៃកម្រិតលម្អៀងមានតិចតួចតូចតាចបើប្រៀបធៀបទៅនឹង TMPA។ | កម្រិតលម្អៀង (RMSE) ថយចុះបន្តិចពី ២៣ មក ២២,៥ មីលីម៉ែត្រ និងមានមេគុណ R ស្មើ ០,៨៦។ |
| PERSIANN Products (PERSIANN, CCS, CDR) ផលិតផលទិន្នន័យទឹកភ្លៀងត្រកូល PERSIANN |
មានសមត្ថភាពផ្តល់ទិន្នន័យប្រចាំម៉ោងភ្លាមៗ (Real-time) ដោយប្រើប្រាស់ការបែងចែកចំណាត់ថ្នាក់ពពកតាមរយៈរូបភាពផ្កាយរណបអាំងហ្វ្រារ៉េដ។ | មានភាពលម្អៀងខ្ពស់ខ្លាំង និងវាយតម្លៃបរិមាណទឹកភ្លៀងខុសពីការពិតច្រើន (Overestimation នៅពេលភ្លៀងតិច, Underestimation នៅពេលភ្លៀងខ្លាំង) នៅក្នុងតំបន់សិក្សានេះ។ | មាន R ទាប (០,៣៤ ដល់ ០,៧៣) និង RMSE ខ្ពស់ខ្លាំង (ចន្លោះពី ៣៤,៩ ដល់ ៥៣,៧ មីលីម៉ែត្រ)។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះពឹងផ្អែកជាចម្បងលើទិន្នន័យផ្កាយរណបដែលបើកទូលាយឥតគិតថ្លៃ ប៉ុន្តែទាមទារឱ្យមានការប្រមូលទិន្នន័យពីស្ថានីយផ្ទាល់ដី និងកម្មវិធីកុំព្យូទ័រសម្រាប់ការវិភាគ។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅអាងទន្លេ Akdeniz ប្រទេសតួកគី ដែលជាតំបន់ភ្នំមានសណ្ឋានដីស្មុគស្មាញ និងមានអាកាសធាតុមេឌីទែរ៉ាណេ ដោយផ្អែកលើទិន្នន័យស្ថានីយត្រឹមតែ ៤ ប៉ុណ្ណោះ។ សម្រាប់កម្ពុជាដែលមានអាកាសធាតុត្រូពិចមូសុង ការសន្និដ្ឋាននេះមិនអាចយកមកអនុវត្តផ្ទាល់បានទេ គឺចាំបាច់ត្រូវធ្វើការវាយតម្លៃឡើងវិញជាមួយទិន្នន័យស្ថានីយក្នុងស្រុក ព្រោះរបាយទឹកភ្លៀង និងប្រភេទពពកមានលក្ខណៈខុសគ្នា។
ទោះបីជាអាកាសធាតុខុសគ្នាក៏ដោយ វិធីសាស្ត្រវាយតម្លៃ និងកែតម្រូវទិន្នន័យទឹកភ្លៀងពីផ្កាយរណបនេះមានសារៈសំខាន់ និងមានអត្ថប្រយោជន៍ខ្ពស់បំផុតសម្រាប់ប្រទេសកម្ពុជា ដែលបច្ចុប្បន្ននៅមានការខ្វះខាតបណ្តាញស្ថានីយវាស់ទឹកភ្លៀងនៅឡើយ។
ការអនុវត្តវិធីសាស្ត្រផ្ទៀងផ្ទាត់ និងកែតម្រូវទិន្នន័យផ្កាយរណបនេះ នឹងក្លាយជាដំណោះស្រាយដ៏មានប្រសិទ្ធភាពមួយក្នុងការប៉ះប៉ូវកង្វះខាតទិន្នន័យផ្ទាល់ដី និងពង្រឹងប្រព័ន្ធគ្រប់គ្រងធនធានទឹកនៅកម្ពុជា។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Remote sensing | បច្ចេកវិទ្យាក្នុងការប្រមូលព័ត៌មានអំពីផ្ទៃដី ឬបរិយាកាសពីចម្ងាយ ដោយប្រើប្រាស់ឧបករណ៍បំពាក់លើផ្កាយរណប ឬយន្តហោះ (ដូចជាការថតរូបភាពកម្តៅ ឬរលកអាកាសជាដើម) ដោយមិនបាច់ចុះទៅវាស់ផ្ទាល់ដល់ទីតាំង។ | ដូចជាគ្រូពេទ្យប្រើម៉ាស៊ីនថតកាំរស្មីអ៊ិច (X-ray) ដើម្បីមើលឆ្អឹងខាងក្នុងរាងកាយ ដោយមិនបាច់វះកាត់។ |
| Spatial resolution | ទំហំនៃផ្ទៃដីជាក់ស្តែងដែលត្រូវបានតំណាងដោយចន្លោះក្រឡា ឬភីកសែល (Pixel) មួយនៅលើទិន្នន័យផ្កាយរណប។ ទំហំក្រឡាកាន់តែតូច ភាពច្បាស់ និងព័ត៌មានលម្អិតនៃទីតាំងនោះកាន់តែមានច្រើន។ | ដូចជាកាមេរ៉ាទូរស័ព្ទដែលមានមេហ្គាភីកសែល (Megapixel) ខ្ពស់ អាចថតរូបបានច្បាស់ ឃើញសក់មួយសរសៃៗ ទោះបីជាយើងពង្រីកមើលក៏ដោយ។ |
| Bias correction | ដំណើរការគណនាកែតម្រូវទិន្នន័យពីផ្កាយរណបដែលតែងតែមានភាពល្អៀង (បង្ហាញតួលេខខ្ពស់ពេក ឬទាបពេក) ឱ្យមកកៀកនឹងទិន្នន័យជាក់ស្តែង ដែលវាស់បានផ្ទាល់នៅលើដី តាមរយៈការប្រើប្រាស់រូបមន្តគណិតវិទ្យា។ | ដូចជាការសារ៉េកែទ្រនិចជញ្ជីងដែលខូចឱ្យចង្អុលចំលេខសូន្យវិញ មុនពេលយើងចាប់ផ្តើមថ្លឹងរបស់អ្វីមួយ ដើម្បីឱ្យទទួលបានទម្ងន់ត្រឹមត្រូវពិតប្រាកដ។ |
| Root mean square error (RMSE) | រង្វាស់ស្ថិតិដែលប្រើសម្រាប់វាស់ស្ទង់កម្រិតនៃភាពខុសគ្នា (ទំហំកំហុស) រវាងតម្លៃដែលបានព្យាករណ៍ (ទិន្នន័យផ្កាយរណប) និងតម្លៃពិតប្រាកដ (ទិន្នន័យផ្ទាល់ដី)។ តម្លៃ RMSE កាន់តែតូច បង្ហាញថាទិន្នន័យកាន់តែត្រឹមត្រូវ និងច្បាស់លាស់។ | ដូចជាការបាញ់ស៊ីបតម្រង់គោលដៅ ប្រសិនបើគ្រាប់កាំភ្លើងភាគច្រើនត្រូវចំកៀកនឹងចំណុចកណ្តាលបំផុត នោះមានន័យថាកម្រិតលម្អៀង (RMSE) គឺតូចបំផុត។ |
| Pearson correlation coefficient (R) | មេគុណស្ថិតិដែលវាស់ស្ទង់កម្រិតទំនាក់ទំនង និងទិសដៅ រវាងអថេរពីរ (ឧទាហរណ៍៖ បើទិន្នន័យទឹកភ្លៀងពីស្ថានីយកើនឡើង តើទិន្នន័យពីផ្កាយរណបកើនឡើងតាមក្នុងកម្រិតណាដែរ)។ តម្លៃវានៅចន្លោះពី -១ ដល់ ១។ ការខិតជិត ១ មានន័យថាទាក់ទងគ្នាខ្លាំងបំផុត។ | ដូចជារបាំគូ ប្រសិនបើអ្នកទាំងពីរឈានជើងទៅមុខ និងថយក្រោយស្របគ្នាល្អឥតខ្ចោះគ្រប់ចង្វាក់ នោះទំនាក់ទំនងរបស់ពួកគេគឺខ្លាំង (R ខិតជិត ១)។ |
| Linear regression | វិធីសាស្ត្រគណិតវិទ្យាសម្រាប់ស្វែងរកបន្ទាត់ត្រង់មួយដែលតំណាងឱ្យទំនាក់ទំនងបានល្អបំផុតរវាងចំណុចទិន្នន័យពីរប្រភេទ ដើម្បីយកម៉ូដែលនោះទៅប្រើក្នុងការទស្សន៍ទាយ ឬកែតម្រូវទិន្នន័យលម្អៀង។ | ដូចជាការគូសបន្ទាត់ត្រង់មួយចំកណ្តាលហ្វូងសិស្សដែលឈរតម្រង់ជួរ ដើម្បីរកមើលទិសដៅរួមនៃជួរនោះ ទោះបីជាមានអ្នកខ្លះឈរចេញក្រៅជួរបន្តិចបន្តួចក៏ដោយ។ |
| Rain gauges | ឧបករណ៍វាស់ស្ទង់បរិមាណទឹកភ្លៀងដោយផ្ទាល់ ដែលត្រូវបានដំឡើងនៅលើដីនៅតាមស្ថានីយឧតុនិយមនានា ដើម្បីប្រមូល និងវាស់កម្ពស់ទឹកភ្លៀងដែលធ្លាក់មកក្នុងតំបន់នោះ។ ទិន្នន័យនេះចាត់ទុកជាទិន្នន័យពិត (Ground truth)។ | ដូចជាការដាក់កែវ ឬធុងមួយនៅកណ្តាលទីធ្លាពេលភ្លៀងធ្លាក់ រួចយកបន្ទាត់មកវាស់មើលថាតើទឹកកើនឡើងបានប៉ុន្មានសង់ទីម៉ែត្រ ដើម្បីដឹងថាភ្លៀងខ្លាំងប៉ុណ្ណា។ |
| Cloud Classification System (CCS) | ប្រព័ន្ធកុំព្យូទ័រ (ប្រើក្នុងបច្ចេកវិទ្យា PERSIANN) ដែលធ្វើការចាត់ថ្នាក់ប្រភេទពពកដោយស្វ័យប្រវត្តិ ផ្អែកលើរូបរាង ទំហំ វាយនភាព និងសីតុណ្ហភាពរបស់វាពីរូបភាពផ្កាយរណប ដើម្បីប៉ាន់ស្មានថាតើពពកនោះអាចបង្កជាភ្លៀងកម្រិតណា។ | ដូចជាកសិករចាស់វស្សាម្នាក់ ដែលគ្រាន់តែក្រឡេកមើលពណ៌ និងរាងដុំពពកខ្មៅដេរដាសលើមេឃ ក៏អាចទាយដឹងថាភ្លៀងនឹងធ្លាក់ខ្លាំង ឬតិច។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
