បញ្ហា (The Problem)៖ ឯកសារនេះដោះស្រាយតម្រូវការក្នុងការទទួលបានការប៉ាន់ស្មានធនធានព្រៃឈើប្រកបដោយភាពត្រឹមត្រូវ និងចំណាយតិច (ដូចជាបរិមាណ និងប្រភេទដើមឈើ) សម្រាប់តំបន់តូចៗ ដែលមិនអាចធ្វើទៅបានដោយការប្រើប្រាស់ទិន្នន័យវាលតែមួយមុខ។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះប្រើប្រាស់វិធីសាស្រ្តពហុប្រភពដែលរួមបញ្ចូលទិន្នន័យវាល រូបភាពផ្កាយរណប និងផែនទីឌីជីថល ដោយប្រើប្រាស់វិធីសាស្រ្តប៉ាន់ស្មានមិនប្រើប៉ារ៉ាម៉ែត្រ k-Nearest Neighbor (ik-NN) ដែលត្រូវបានធ្វើឱ្យប្រសើរឡើងដោយក្បួនដោះស្រាយហ្សែន។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Basic k-NN វិធីសាស្ត្រ k-Nearest Neighbor (k-NN) ជាមូលដ្ឋាន |
មានភាពសាមញ្ញក្នុងការអនុវត្ត និងអាចប្រើប្រាស់រូបភាពផ្កាយរណបគ្រប់ប្រភេទ។ | មានភាពលម្អៀង (Biased) ខ្ពស់នៅពេលតំបន់ប៉ាន់ស្មានមានទំហំធំ និងមានតំបន់រុក្ខជាតិខុសៗគ្នា។ ប៉ាន់ស្មានបរិមាណឈើប្រភេទ Spruce ទាបជាងការពិតខ្លាំង។ | កំហុសលម្អៀងសម្រាប់បរិមាណសរុប (Total Volume) គឺ -2.021 m³/ha និងសម្រាប់ប្រភេទឈើ Spruce គឺ -3.167 m³/ha។ |
| k-NN with large-area variables (k-NN, la) វិធីសាស្ត្រ k-NN ដោយប្រើអថេរតំបន់ធំ |
បញ្ចូលអថេរតំបន់ធំ (Large-area variables) ដើម្បីជួយកំណត់ព្រំដែនតំបន់ភូមិសាស្ត្រដែលស្រដៀងគ្នា។ | ការបន្ថែមអថេរតំបន់ធំតែមួយមុខ មិនអាចកាត់បន្ថយភាពលម្អៀងបានច្រើននោះទេ ហើយកំហុសនៅតែខ្ពស់សម្រាប់ប្រភេទឈើមួយចំនួន។ | កំហុសលម្អៀងសម្រាប់ប្រភេទឈើ Spruce កើនឡើងដល់ -4.725 m³/ha ដែលបង្ហាញថាវាមិនមានប្រសិទ្ធភាពដោយខ្លួនឯង។ |
| Improved k-NN (ik-NN) វិធីសាស្ត្រ ik-NN ដែលបានកែលម្អ (ប្រើ Genetic Algorithm) |
កាត់បន្ថយភាពលម្អៀងទាំងនៅកម្រិតភីកសែល និងកម្រិតតំបន់ធំបានយ៉ាងច្រើន ដោយប្រើក្បួនដោះស្រាយហ្សែនដើម្បីស្វែងរកទម្ងន់ដ៏ប្រសើរបំផុត។ ដោះស្រាយបញ្ហាច្រឡំរវាងប្រភេទព្រៃផ្សេងៗគ្នាបានល្អ។ | ទាមទារការគណនាស្មុគស្មាញ និងពេលវេលាច្រើនក្នុងការដំណើរការ Genetic Algorithm និងការកំណត់ទម្ងន់អថេរ។ | កាត់បន្ថយភាពលម្អៀងនៃបរិមាណសរុបបាន 94.15% (សល់ត្រឹម -0.259 m³/ha) និងប្រភេទឈើ Spruce បាន 99.89% (សល់ត្រឹម -0.005 m³/ha)។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តវិធីសាស្ត្រ MS-NFI នេះទាមទារការវិនិយោគខ្ពស់លើការប្រមូលទិន្នន័យវាល សមត្ថភាពកុំព្យូទ័រ ក៏ដូចជាធនធានរូបភាពផ្កាយរណបគុណភាពខ្ពស់។
ការសិក្សានេះផ្អែកលើទិន្នន័យព្រៃឈើប្រភេទ Boreal នៅប្រទេសហ្វាំងឡង់ (មានប្រភេទដើម Pine, Spruce, Birch ជាដើម)។ សម្រាប់ប្រទេសកម្ពុជាដែលមានព្រៃត្រូពិចចម្រុះ (Tropical Forests) ការអនុវត្តម៉ូដែលនេះផ្ទាល់អាចនឹងមានភាពលម្អៀងខ្ពស់ ដូច្នេះវាទាមទារឱ្យមានការប្រមូលទិន្នន័យវាលថ្មីទាំងស្រុងដែលតំណាងឱ្យប្រព័ន្ធអេកូឡូស៊ីក្នុងស្រុក។
ទោះបីជាបរិបទព្រៃឈើខុសគ្នាក៏ពិតមែន ប៉ុន្តែវិធីសាស្ត្ររួមបញ្ចូលទិន្នន័យ (Multisource method) នេះមានសក្តានុពលខ្លាំងក្នុងការអនុវត្តសម្រាប់ការគ្រប់គ្រងធនធានធម្មជាតិនៅកម្ពុជា។
ជារួម ការផ្លាស់ប្តូរមកប្រើប្រាស់ប្រព័ន្ធប៉ាន់ស្មានតាមរយៈរូបភាពផ្កាយរណបនិងទិន្នន័យវាល បែបពហុប្រភពនេះ នឹងជួយកម្ពុជាសន្សំសំចៃថវិកាជាតិ និងបង្កើនតម្លាភាពទិន្នន័យបរិស្ថានប្រកបដោយចីរភាព។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Multisource national forest inventory (MS-NFI) | គំរូនៃការប្រមូលនិងវិភាគទិន្នន័យព្រៃឈើថ្នាក់ជាតិ ដោយការរួមបញ្ចូលទិន្នន័យពីប្រភពផ្សេងៗគ្នា (ដូចជាទិន្នន័យវាស់វែងផ្ទាល់នៅកន្លែង រូបភាពផ្កាយរណប និងផែនទីឌីជីថល) ដើម្បីធ្វើការប៉ាន់ស្មានធនធានព្រៃឈើក្នុងតំបន់តូចៗបានកាន់តែច្បាស់លាស់និងសន្សំសំចៃថវិកា។ | ដូចជាការសួរព័ត៌មានពីមនុស្សជាច្រើននាក់ (អ្នកឃើញផ្ទាល់ អ្នកមើលពីចម្ងាយ និងអ្នកមានផែនទី) ដើម្បីគូររូបភាពនៃទីតាំងមួយឱ្យបានលម្អិតនិងត្រឹមត្រូវបំផុត ជាជាងការពឹងលើអ្នកឃើញផ្ទាល់តែម្នាក់។ |
| k-Nearest Neighbor (k-NN) estimation | ក្បួនដោះស្រាយគណិតវិទ្យាដែលប្រើសម្រាប់ទស្សន៍ទាយលក្ខណៈនៃតំបន់មួយ (ឧទាហរណ៍៖ បរិមាណឈើ) ដោយផ្អែកលើការស្វែងរកនិងប្រៀបធៀបតំបន់ជិតខាងចំនួន 'k' ដែលមានលក្ខណៈរូបភាពផ្កាយរណបស្រដៀងគ្នាបំផុត ហើយមានទិន្នន័យវាស់វែងរួចជាស្រេច។ | ដូចជាការទស្សន៍ទាយចំណូលចិត្តនិងចរិតរបស់មនុស្សម្នាក់ ដោយសង្កេតមើលទៅលើមិត្តភក្តិជិតស្និទ្ធបំផុតរបស់គាត់ចំនួន ៥នាក់ (k=5)។ |
| Genetic algorithm | ក្បួនដោះស្រាយបញ្ញាសិប្បនិម្មិត (AI) ដែលចម្លងតាមទ្រឹស្តីនៃការវិវត្តរបស់ធម្មជាតិ (Natural Selection) ដើម្បីស្វែងរកដំណោះស្រាយ ឬទម្ងន់អថេរ (Weights) ដ៏ល្អបំផុតក្នុងការកាត់បន្ថយកំហុសនៃការប៉ាន់ស្មានរបស់ម៉ូដែល ដោយការផ្សំផ្គុំលក្ខណៈល្អៗពីមួយជំនាន់ទៅមួយជំនាន់។ | ដូចជាការបង្កាត់ពូជដំណាំដោយជ្រើសរើសយកតែពូជណាដែលធន់និងផ្ដល់ទិន្នផលខ្ពស់បំផុតយកមកបង្កាត់បន្ត រហូតទទួលបានពូជដ៏ល្អឯក។ |
| Leave-one-out cross-validation | បច្ចេកទេសវាយតម្លៃភាពត្រឹមត្រូវនៃម៉ូដែល ដោយការដកទិន្នន័យមួយចេញពីសំណុំទិន្នន័យរួម រួចយកទិន្នន័យដែលនៅសល់ទាំងអស់ទៅបង្រៀនម៉ូដែល បន្ទាប់មកយកម៉ូដែលនោះមកទស្សន៍ទាយទិន្នន័យដែលបានដកចេញនោះវិញ រួចធ្វើបែបនេះត្រឡប់ចុះឡើងរហូតអស់គ្រប់ទិន្នន័យ។ | ដូចជាការឱ្យសិស្សម្នាក់ចេញពីថ្នាក់ រួចបង្រៀនសិស្សទាំងអស់ដែលនៅសល់ បន្ទាប់មកហៅសិស្សនោះមកវិញដើម្បីធ្វើតេស្តមើលថាតើចំណេះដឹងដែលថ្នាក់រៀនទាំងមូលបានរៀន អាចទាយដឹងពីចម្លើយរបស់សិស្សម្នាក់នោះកម្រិតណា។ |
| Digital elevation model | ទិន្នន័យគំរូកម្ពស់ដីបែបឌីជីថល (3D) ដែលត្រូវបានប្រើប្រាស់ដើម្បីកែតម្រូវការឆ្លុះពន្លឺព្រះអាទិត្យនៅលើរូបភាពផ្កាយរណប (ដើម្បីកុំឱ្យពន្លឺថ្ងៃជះលើជម្រាលភ្នំធ្វើឱ្យខូចពណ៌រូបភាព) និងជួយបែងចែកប្រភេទដីតាមរយៈកម្ពស់ធៀបនឹងនីវ៉ូទឹកសមុទ្រ។ | ដូចជាការប្រើពុម្ពគំរូដីឥដ្ឋសូនជារូបរាងភ្នំ (3D Map) ដើម្បីដឹងថាកន្លែងណាជាកំពូលភ្នំ កន្លែងណាជាជ្រលងដី និងតំបន់ណាដែលត្រូវពន្លឺថ្ងៃខ្លាំងជាងគេ។ |
| Spatial interpolation | ដំណើរការគណិតវិទ្យាក្នុងការប៉ាន់ស្មានតម្លៃទិន្នន័យនៅទីតាំងដែលយើងមិនបានចុះវាស់វែង ដោយផ្អែកលើការទាញយកនិងពង្រីកទិន្នន័យពីទីតាំងដែលយើងបានចុះវាស់វែងរួច ដែលស្ថិតនៅជុំវិញនោះ។ | ដូចជាការដឹងថាសីតុណ្ហភាពនៅភ្នំពេញគឺ ៣០អង្សា និងនៅកំពង់ចាម ៣២អង្សា រួចយើងអាចទាយថាសីតុណ្ហភាពនៅពាក់កណ្តាលផ្លូវ (ឧ. ស្កន់) គឺប្រហែល ៣១អង្សា។ |
| Distance metric | រូបមន្តគណិតវិទ្យាដែលប្រើសម្រាប់វាស់ស្ទង់កម្រិតនៃភាពស្រដៀងគ្នា ឬភាពខុសគ្នា រវាងទិន្នន័យពីរ (ឧទាហរណ៍ ការគណនាភាពស្រដៀងគ្នានៃពណ៌ភីកសែលរូបភាពផ្កាយរណប និងទិន្នន័យវាលជាក់ស្តែង ដើម្បីរកមើលចំណុចដែលកៀកគ្នាបំផុត)។ | ដូចជាការប្រើបន្ទាត់វាស់ចម្ងាយរវាងផ្ទះពីរថាតើវានៅជិតគ្នាឬឆ្ងាយពីគ្នាប៉ុណ្ណា ប៉ុន្តែនៅក្នុងទីនេះគឺវាស់ចម្ងាយនៃ "លក្ខណៈសម្បត្តិ ឬពណ៌" ជាជាងការវាស់ចម្ងាយផ្លូវដោយផ្ទាល់។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
