Original Title: Development of a fuzzy expert system for detailed land cover mapping in the Dra catchment (Morocco) using high resolution satellite images
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original paper for full scientific accuracy.

ការអភិវឌ្ឍប្រព័ន្ធជំនាញតក្កវិជ្ជាស្រពិចស្រពិលសម្រាប់ការគូសផែនទីគម្របដីលម្អិតនៅក្នុងអាងទន្លេ Dra (ប្រទេសម៉ារ៉ុក) ដោយប្រើប្រាស់រូបភាពផ្កាយរណបកម្រិតច្បាស់ខ្ពស់

ចំណងជើងដើម៖ Development of a fuzzy expert system for detailed land cover mapping in the Dra catchment (Morocco) using high resolution satellite images

អ្នកនិពន្ធ៖ Michael Schmidt (Rheinischen Friedrich–Wilhelms–Universität Bonn)

ឆ្នាំបោះពុម្ព៖ 2003, University of Bonn

វិស័យសិក្សា៖ Remote Sensing

១. សេចក្តីសង្ខេបប្រតិបត្តិ (Executive Summary)

បញ្ហា (The Problem)៖ ការគូសផែនទីគម្របដី និងបន្លែនៅក្នុងតំបន់រាំងស្ងួតនៃអាងទន្លេ Dra ប្រទេសម៉ារ៉ុក ជួបប្រទះការលំបាកដោយសារកម្រិតរុក្ខជាតិស្តើង និងចំណាំងផ្លាតដីចម្រុះ ដែលតម្រូវឱ្យមានវិធីសាស្ត្រចំណាត់ថ្នាក់ថ្មីដើម្បីយកឈ្នះលើបញ្ហាភិចសែលចម្រុះ (Mixed pixels) និងអត្តសញ្ញាណទីតាំង។

វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានបង្កើតប្រព័ន្ធជំនាញចំណាត់ថ្នាក់ (Expert classification system) ដោយរួមបញ្ចូលរូបភាពផ្កាយរណបកម្រិតច្បាស់ខ្ពស់ ជាមួយនឹងបច្ចេកទេសវិភាគកម្រិតអនុភិចសែល (Sub-pixel analysis) ដើម្បីបែងចែកប្រភេទគម្របដី និងតាមដានបម្រែបម្រួលប្រវត្តិសាស្ត្រ។

លទ្ធផលសំខាន់ៗ (The Verdict)៖

២. ការវិភាគលើប្រសិទ្ធភាព និងដែនកំណត់ (Performance & Constraints)

វិធីសាស្ត្រ (Method) គុណសម្បត្តិ (Pros) គុណវិបត្តិ (Cons) លទ្ធផលគន្លឹះ (Key Result)
Fuzzy Expert System (Hybrid Approach)
ប្រព័ន្ធជំនាញតក្កវិជ្ជាស្រពិចស្រពិលដោយរួមបញ្ចូលព័ត៌មានច្រើនប្រភព
អាចបែងចែកប្រភេទគម្របដីបានយ៉ាងលម្អិត ដោយរួមបញ្ចូលទិន្នន័យរូបភាព (Spectral data) ជាមួយចំណេះដឹងពីស្ថានភាពភូមិសាស្ត្រ (Elevation, Rivers)។ ទាមទារចំណេះដឹងស៊ីជម្រៅពីប្រព័ន្ធអេកូឡូស៊ីក្នុងតំបន់ និងត្រូវការពេលវេលាច្រើនក្នុងការបង្កើតវិធានការ (Rules)។ សម្រេចបានភាពត្រឹមត្រូវទូទៅ (Overall Accuracy) ពី ៨២.២% ទៅ ៩៦.៨% អាស្រ័យលើអនុតំបន់នីមួយៗ។
Linear Spectral Unmixing (LSU)
ការវិភាគបំបែកល្បាយវិសាលគមលីនេអ៊ែរ (LSU)
អាចចាប់យកព័ត៌មានរុក្ខជាតិដែលមានដង់ស៊ីតេទាប និងកម្រិតអនុភិចសែល (Sub-pixel) បានល្អប្រសើរជាងសន្ទស្សន៍ NDVI ។ ការជ្រើសរើសសមាសភាគសុទ្ធ (Endmember selection) ច្រើនតែត្រូវធ្វើដោយផ្ទាល់ដៃ និងងាយរងឥទ្ធិពលពីចំណាំងផ្លាតដី។ ផ្តល់តម្លៃអត្រាភាគរយនៃសមាសភាគ (Abundance channels) ដែលមានប្រយោជន៍សម្រាប់ការបែងចែករុក្ខជាតិស្តើងៗក្នុងតំបន់រាំងស្ងួត។
Maximum Likelihood Classifier (MLC)
ការធ្វើចំណាត់ថ្នាក់តាមប្រូបាប៊ីលីតេអតិបរមា (MLC)
ងាយស្រួលអនុវត្ត និងមានស្រាប់នៅក្នុងកម្មវិធី GIS/RS ភាគច្រើន។ មិនអាចបែងចែកប្រភេទដីចម្រុះ (Mixed pixels) បានល្អ និងត្រូវការទិន្នន័យបណ្តុះបណ្តាល (Training pixels) យ៉ាងច្រើនមហាសាល។ ត្រូវបានបញ្ជាក់ក្នុងឯកសារថាមិនស័ក្តិសម និងមិនមានប្រសិទ្ធភាពគ្រប់គ្រាន់សម្រាប់តំបន់ដែលមានគម្របដីស្មុគស្មាញនិងស្តើងឡើយ។
Multivariate Alteration Detection (MAD)
ការរាវរកបម្រែបម្រួលពហុអថេរសម្រាប់ការធ្វើប្រក្រតីកម្ម (Normalization)
ដំណើរការដោយស្វ័យប្រវត្តិ មិនត្រូវការអន្តរាគមន៍ពីមនុស្ស និងមិនរងឥទ្ធិពលពីការផ្លាស់ប្តូរលីនេអ៊ែរនៃកាំរស្មី។ ទាមទារការផ្ទៀងផ្ទាត់ និងកំណត់កម្រិត (Thresholds) ដើម្បីបែងចែកប្រភេទនៃការផ្លាស់ប្តូរពិតប្រាកដ។ ផ្តល់លទ្ធផលកែតម្រូវវិទ្យុសកម្ម (Radiometric normalization) បានល្អជាងវិធីសាស្ត្រ PIF ធម្មតា និងជួយបង្កើនភាពត្រឹមត្រូវនៃការប្រៀបធៀបរូបភាពឆ្លងសម័យកាល។

ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តវិធីសាស្ត្រនេះទាមទារធនធានកម្មវិធីកុំព្យូទ័រឯកទេស ទិន្នន័យផ្កាយរណបពហុប្រភព និងការចុះប្រមូលទិន្នន័យទីវាលយ៉ាងទូលំទូលាយ។

៣. ការពិនិត្យសម្រាប់បរិបទកម្ពុជា/អាស៊ីអាគ្នេយ៍

ភាពលំអៀងនៃទិន្នន័យ (Data Bias)៖

ការសិក្សានេះត្រូវបានធ្វើឡើងនៅតំបន់អាងទន្លេ Dra ក្នុងប្រទេសម៉ារ៉ុក ដែលមានអាកាសធាតុស្ងួតហួតហែង រុក្ខជាតិស្តើង និងដីសំបូរដោយថ្មនិងខ្សាច់។ ផ្ទុយពីនេះ ប្រទេសកម្ពុជាមានអាកាសធាតុត្រូពិច សើម សំបូរពពក និងមានព្រៃឈើក្រាស់។ ទោះយ៉ាងណា ការប្រើប្រាស់បច្ចេកទេសវិភាគល្បាយអនុភិចសែល (Sub-pixel analysis) គឺនៅតែមានសារៈសំខាន់ខ្លាំងសម្រាប់កម្ពុជា ពិសេសក្នុងការវាស់ស្ទង់ការរិចរិលព្រៃឈើ (Forest degradation) ដែលពិបាកមើលឃើញដោយភ្នែកទទេលើរូបភាព។

លទ្ធភាពនៃការអនុវត្ត (Applicability)៖

បច្ចេកទេស Fuzzy Expert System រួមជាមួយនឹង LSU នេះមានសក្តានុពលខ្ពស់សម្រាប់អនុវត្តនៅប្រទេសកម្ពុជា ពិសេសក្នុងការគូសផែនទីគម្របព្រៃឈើ និងតំបន់កសិកម្មដែលមានលក្ខណៈស្មុគស្មាញ។

ការប្រើប្រាស់វិធីសាស្ត្រនេះអាចជួយស្ថាប័នរដ្ឋ (ដូចជាក្រសួងបរិស្ថាន) និងអង្គការអភិរក្សនៅកម្ពុជា ក្នុងការតាមដានបម្រែបម្រួលការប្រើប្រាស់ដីបានយ៉ាងលម្អិតនិងជឿទុកចិត្តបាន ទោះបីទិន្នន័យមានគុណភាពមធ្យមក៏ដោយ។

៤. ផែនការសកម្មភាពសម្រាប់និស្សិត (Actionable Roadmap)

ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖

  1. សិក្សាមូលដ្ឋានគ្រឹះ និងរៀបចំទិន្នន័យ (Data Preparation): ទាញយកទិន្នន័យ LandsatSentinel-2 ពី USGS EarthExplorer សម្រាប់តំបន់គោលដៅនៅកម្ពុជា។ ស្ទាត់ជំនាញលើកម្មវិធីដូចជា ENVIQGIS/SAGA ដើម្បីធ្វើការកែតម្រូវ Radiometric/Geometric Correction
  2. អនុវត្តការវិភាគល្បាយវិសាលគម (Spectral Unmixing): ប្រើប្រាស់កម្មវិធី ENVI ជ្រើសរើសសមាសភាគសុទ្ធ (Endmembers) តំណាងឱ្យព្រៃឈើ ដី សាកសពរុក្ខជាតិ និងទឹក។ អនុវត្ត Linear Spectral Unmixing (LSU) ដើម្បីទាញយកទិន្នន័យភាគរយគម្រប (Abundance maps) សម្រាប់ភិចសែលនីមួយៗ។
  3. ប្រមូលទិន្នន័យទីវាល និងកំណត់ក្បួន (Field Truth & Fuzzy Rules): ចុះប្រមូលទិន្នន័យទីវាលដោយប្រើ GPS/DGPS នៅតំបន់គោលដៅ។ ប្រើចំណេះដឹងទាំងនោះផ្សំជាមួយទិន្នន័យ DEM (SRTM ឬ ASTER) និងផែនទីផ្លូវទឹក ដើម្បីសរសេរក្បួន Fuzzy Logic (If-Then rules) សម្រាប់បែងចែកប្រភេទគម្របដីជាក់លាក់។
  4. ធ្វើចំណាត់ថ្នាក់ និងកែលម្អលទ្ធផល (Classification & Post-processing): អនុវត្តការគូសផែនទីដោយផ្អែកលើ Fuzzy Rules ដែលបានបង្កើតឡើងតាមរយៈ PythonIDL។ បន្ទាប់មក ប្រើប្រាស់វិធីសាស្ត្រ Object-based Image Analysis (OBIA) ក្នុងកម្មវិធី eCognition ដើម្បីសម្អាតកំហុស (Noise) និងបង្កើនភាពត្រឹមត្រូវ។
  5. តាមដានបម្រែបម្រួល (Change Detection): ទាញយករូបភាពឆ្នាំមុនៗ មកដំណើរការកែតម្រូវ Relative Normalization ដោយប្រើបច្ចេកទេស MAD (Multivariate Alteration Detection) រួចអនុវត្តក្បួន Fuzzy ដដែល ដើម្បីកំណត់ទីតាំងនិងទំហំនៃការបាត់បង់ព្រៃឈើ ឬការពង្រីកដីកសិកម្ម។

៥. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស ការពន្យល់ជាខេមរភាសា (Khmer Explanation) និយមន័យសាមញ្ញ (Simple Definition)
Linear Spectral Unmixing ជាបច្ចេកទេសគណិតវិទ្យាក្នុងវិស័យ Remote Sensing ដែលប្រើដើម្បីបំបែកព័ត៌មានពន្លឺចម្រុះនៅក្នុងភិចសែល (pixel) មួយ ទៅជាភាគរយនៃសមាសភាគសុទ្ធ (endmembers) ដូចជា ដី ទឹក ឬរុក្ខជាតិ ដើម្បីដឹងថាភិចសែលនោះមានផ្ទុកវត្ថុអ្វីខ្លះក្នុងអត្រាប៉ុន្មានភាគរយ។ ដូចជាការភ្លក់ទឹកក្រឡុកមួយកែវ រួចប្រើបទពិសោធន៍ដើម្បីប្រាប់ថាមានផ្លែឈើអ្វីខ្លះ និងមានបរិមាណប៉ុន្មានភាគរយលាយបញ្ចូលគ្នាក្នុងទឹកក្រឡុកនោះ។
Spectral Angle Mapper ជាវិធីសាស្ត្រគណនាភាពស្រដៀងគ្នានៃវិសាលគមពន្លឺ ដោយវាស់មុំរវាងវ៉ិចទ័រនៃវិសាលគមគោល (reference spectrum) និងវិសាលគមក្នុងរូបភាពផ្កាយរណប ដោយមិនខ្វល់ពីកម្រិតពន្លឺ (intensity) ភ្លឺ ឬងងឹតឡើយ ដែលជួយក្នុងការចំណាត់ថ្នាក់ប្រភេទរុក្ខជាតិបានល្អ ទោះជាមានស្រមោលក៏ដោយ។ ដូចជាការចំណាំពណ៌អាវរបស់មិត្តភក្តិ ទោះបីជាគាត់ឈរនៅកន្លែងងងឹត ឬកន្លែងភ្លឺក៏ដោយ ក៏យើងនៅតែដឹងថាវាជាពណ៌អ្វីដោយមិនខ្វល់ពីកម្រិតពន្លឺ។
Fuzzy expert system ជាប្រព័ន្ធកុំព្យូទ័រដែលប្រើប្រាស់តក្កវិជ្ជាស្រពិចស្រពិល (Fuzzy Logic) និងក្បួនចំណេះដឹងពីអ្នកជំនាញ ដើម្បីធ្វើការសម្រេចចិត្តលើទិន្នន័យដែលមិនច្បាស់លាស់ ឬមានលក្ខណៈចម្រុះ ជំនួសឱ្យការសម្រេចចិត្តបែប "ត្រូវ-ខុស" ឬ "ស-ខ្មៅ" ដាច់ស្រឡះក្នុងការបែងចែកប្រភេទដី។ ដូចជាការវាយតម្លៃអាកាសធាតុថា "ក្តៅល្មម" ឬ "ត្រជាក់បន្តិច" ជាជាងការកំណត់ត្រឹមតែ "ក្តៅ" ឬ "ត្រជាក់" តែម្ដង ដើម្បីឆ្លុះបញ្ចាំងពីស្ថានភាពពិតដែលមិនច្បាស់លាស់។
Multivariate Alteration Detection ជាក្បួនដោះស្រាយតាមបែបគណិតវិទ្យាដែលប្រើដើម្បីស្វែងរកភិចសែលដែលមិនមានការផ្លាស់ប្តូរ (no-change pixels) រវាងរូបភាពផ្កាយរណបពីរនៅពេលវេលាខុសគ្នា ដើម្បីយកមកធ្វើប្រក្រតីកម្មកាំរស្មី (Radiometric normalization) និងស្វែងរកតំបន់ដែលរងការប្រែប្រួលពិតប្រាកដដោយស្វ័យប្រវត្តិ។ ដូចជាការប្រើកម្មវិធីកុំព្យូទ័រដើម្បីស្វែងរកចំណុចព្រៃឈើឬថ្មដែលនៅរក្សាទម្រង់ដើមរវាងរូបថតពីរសន្លឹកដែលថតនៅឆ្នាំខុសគ្នា ដើម្បីកែតម្រូវពណ៌រូបថតទាំងពីរឱ្យស៊ីគ្នា។
Pseudo-Invariant Feature ជាតំបន់ ឬវត្ថុនៅលើផ្ទៃដី (ដូចជាដីខ្សាច់ ថ្ម ឬផ្លូវថ្នល់) ដែលមានចំណាំងផ្លាតពន្លឺថេរមិនសូវប្រែប្រួលតាមពេលវេលា ដែលគេប្រើវត្ថុទាំងនោះជារង្វាស់គោលសម្រាប់កែតម្រូវភាពខុសគ្នានៃពន្លឺរវាងរូបភាពផ្កាយរណបពីរសម័យកាល។ ដូចជាការប្រើប្រាស់ផ្ទាំងថ្មធំមួយដែលមិនចេះប្តូរពណ៌ ដើម្បីធ្វើជារង្វាស់គោលសម្រាប់ការតម្រូវពណ៌រូបថតដែលថតនៅថ្ងៃមានពន្លឺថ្ងៃខុសគ្នា។
Leaf Area Index ជាសន្ទស្សន៍វាស់ស្ទង់ផ្ទៃក្រឡាសរុបនៃស្លឹករុក្ខជាតិធៀបទៅនឹងផ្ទៃក្រឡាដីដែលវារស់នៅ ដែលជួយប្រាប់ពីកម្រិតដង់ស៊ីតេ និងជីវម៉ាសរបស់គម្របរុក្ខជាតិនៅក្នុងតំបន់នោះ ដែលចាំបាច់សម្រាប់វាយតម្លៃសុខភាពអេកូឡូស៊ី។ ដូចជាការគណនាថាតើស្លឹកឈើទាំងអស់នៅលើដើមឈើមួយដើម ប្រសិនបើបេះមកតម្រៀបគ្នា អាចក្រាលគ្របដណ្តប់លើផ្ទៃដីខាងក្រោមបានប៉ុន្មានជាន់។
Sub-pixel analysis ជាការវិភាគរកមើលព័ត៌មានលម្អិតដែលលាក់កំបាំងនៅខាងក្នុងភិចសែលនីមួយៗនៃរូបភាពផ្កាយរណប ព្រោះផ្ទៃដីជាក់ស្តែងមានវត្ថុច្រើនប្រភេទ (ដូចជាដើមឈើ ដី និងថ្ម) លាយឡំគ្នាក្នុងភិចសែលតែមួយ មិនមែនមានតែលក្ខណៈឯកសណ្ឋាននោះទេ។ ដូចជាការប្រើប្រាស់កែវពង្រីកដើម្បីមើលសរសៃអំបោះនីមួយៗដែលត្បាញបញ្ចូលគ្នា បង្កើតបានជាក្រណាត់មួយផ្ទាំងតូចជាជាងមើលឃើញត្រឹមតែពណ៌ក្រណាត់។
Digital Elevation Model ជាទិន្នន័យកុំព្យូទ័រតំណាងឱ្យទម្រង់កម្ពស់នៃផ្ទៃដីពិតៗជាទម្រង់ 3D ដែលត្រូវបានប្រើដើម្បីកែតម្រូវស្រមោលភ្នំ ការបង្ូចកម្ពស់ និងកែតម្រូវភាពវៀចទ្រេតនៃរូបភាពផ្កាយរណបកម្រិតច្បាស់ខ្ពស់។ ដូចជាការសូនដីឥដ្ឋធ្វើជាទម្រង់ភ្នំនិងជ្រលងដី ដើម្បីឱ្យមើលឃើញកម្ពស់ខ្ពស់ទាបរបស់ផ្ទៃដីជាក់ស្តែងនៅក្នុងប្រព័ន្ធកុំព្យូទ័រ។

៦. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖