Original Title: Habitat suitability modeling of Acropora spp. distribution in Coral Triangle area of Maluku Waters, Indonesia under influence of future climate change and coastal pollution
Source: doi.org/10.34044/j.anres.2023.57.5.13
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original paper for full scientific accuracy.

ការធ្វើម៉ូដែលភាពស័ក្តិសមនៃជម្រកសម្រាប់ការចែកចាយផ្កាថ្ម Acropora spp. ក្នុងតំបន់ត្រីកោណផ្កាថ្មនៃដែនទឹកម៉ាលូគូ (Maluku) ប្រទេសឥណ្ឌូនេស៊ី ក្រោមឥទ្ធិពលនៃការប្រែប្រួលអាកាសធាតុនាពេលអនាគត និងការបំពុលតំបន់ឆ្នេរ

ចំណងជើងដើម៖ Habitat suitability modeling of Acropora spp. distribution in Coral Triangle area of Maluku Waters, Indonesia under influence of future climate change and coastal pollution

អ្នកនិពន្ធ៖ Hedi Indra Januar (Research Center for Ecology and Ethnobiology, National Research and Innovation Agency Republic of Indonesia), Izhamil Hidayah (Research Center for Ecology and Ethnobiology, National Research and Innovation Agency Republic of Indonesia), Nida Humaida (Research Center for Ecology and Ethnobiology, National Research and Innovation Agency Republic of Indonesia), Salnuddin (Fisheries and Marine Science Faculty, Khairun University), Sri Iswani (Research Center for Fishery, National Research and Innovation Agency Republic of Indonesia), Arif Hidayat (Graduate of Geological Engineering Department, Faculty of Earth Sciences and Technology, Institut Teknologi Bandung)

ឆ្នាំបោះពុម្ព៖ 2023, Agriculture and Natural Resources

វិស័យសិក្សា៖ Marine Ecology

១. សេចក្តីសង្ខេបប្រតិបត្តិ (Executive Summary)

បញ្ហា (The Problem)៖ ការសិក្សានេះពិនិត្យទៅលើការគំរាមកំហែងដល់និរន្តរភាពនៃតំបន់ផ្កាថ្មនៅក្នុងដែនទឹកម៉ាលូគូ ប្រទេសឥណ្ឌូនេស៊ី ដែលបណ្តាលមកពីការបំពុលតំបន់ឆ្នេរ និងការប្រែប្រួលអាកាសធាតុនាពេលអនាគត។

វិធីសាស្ត្រ (The Methodology)៖ អ្នកស្រាវជ្រាវបានបង្កើតម៉ូដែលព្យាករណ៍ភាពស័ក្តិសមនៃជម្រកផ្កាថ្មសម្រាប់ឆ្នាំ ២០៥០ ដោយប្រើប្រាស់ក្បួនដោះស្រាយអង់ត្រូពីអតិបរមា (MaxEnt)។

លទ្ធផលសំខាន់ៗ (The Verdict)៖

២. ការវិភាគលើប្រសិទ្ធភាព និងដែនកំណត់ (Performance & Constraints)

វិធីសាស្ត្រ (Method) គុណសម្បត្តិ (Pros) គុណវិបត្តិ (Cons) លទ្ធផលគន្លឹះ (Key Result)
Maximum Entropy (MaxEnt) Algorithm
ក្បួនដោះស្រាយអង់ត្រូពីអតិបរមា (MaxEnt)
មានភាពសាមញ្ញក្នុងការគណនា និងអាចពឹងផ្អែកបានខ្ពស់ទោះបីជាទិន្នន័យមានតិចតួច ឬមិនរៀបរយក៏ដោយ។ វាផ្តល់លទ្ធផលម៉ូដែលបានល្អប្រសើរ និងមានភាពច្បាស់លាស់។ ទាមទារការជ្រើសរើសអថេរបរិស្ថានដោយប្រុងប្រយ័ត្នដើម្បីជៀសវាងបញ្ហាទិន្នន័យត្រួតគ្នាក្នុងលំហ (Spatial Autocorrelation) ដែលអាចធ្វើឱ្យលទ្ធផលលម្អៀង។ ទទួលបានសូចនាករ AUC > ០,៩ ដែលបង្ហាញពីភាពសុក្រឹតខ្ពស់បំផុតក្នុងការទស្សន៍ទាយទីតាំងចែកចាយរបស់ផ្កាថ្ម Acropora spp.។
Generalized Additive/Linear Models (GAMs/GLMs)
ម៉ូដែលបន្ថែម/លីនេអ៊ែរទូទៅ (GAMs/GLMs)
ជាវិធីសាស្ត្រដែលត្រូវបានប្រើប្រាស់ទូទៅលំដាប់ទីពីរ និងទីបីសម្រាប់ការធ្វើម៉ូដែលចែកចាយប្រភេទជីវចម្រុះសមុទ្រ និងអាចបង្ហាញទំនាក់ទំនងស្ថិតិបានច្បាស់លាស់។ អាចនឹងជួបការលំបាកក្នុងការដំណើរការជាង MaxEnt និងមានភាពបត់បែនតិចជាងនៅពេលដែលទិន្នន័យទីតាំងប្រមូលបានមានភាពរាត់រាយ និងមិនគ្រប់គ្រាន់។ មិនត្រូវបានធ្វើតេស្តផ្ទាល់នៅក្នុងការសិក្សានេះទេ ប៉ុន្តែត្រូវបានបញ្ជាក់ថាមានប្រជាប្រិយភាពតិចជាងវិធីសាស្ត្រ MaxEnt សម្រាប់ការសិក្សាជីវសាស្ត្រសមុទ្រ។

ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះពឹងផ្អែកជាចម្បងលើទិន្នន័យប្រភពបើកចំហ (Open-source data) និងកម្មវិធីកុំព្យូទ័រសម្រាប់វិភាគទិន្នន័យភូមិសាស្ត្រ ដោយមិនទាមទារការចំណាយលើឧបករណ៍ពិសោធន៍ថ្លៃៗឡើយ។

៣. ការពិនិត្យសម្រាប់បរិបទកម្ពុជា/អាស៊ីអាគ្នេយ៍

ភាពលំអៀងនៃទិន្នន័យ (Data Bias)៖

ការសិក្សានេះត្រូវបានធ្វើឡើងនៅក្នុងតំបន់ដែនទឹកម៉ាលូគូ (Maluku) នៃប្រទេសឥណ្ឌូនេស៊ី ដោយផ្តោតលើតែប្រភេទផ្កាថ្ម Acropora spp. និងប្រើប្រាស់ទិន្នន័យអាកាសធាតុចាស់ IPCC AR5 ជំនួសឲ្យ AR6 ដោយសារការខ្វះខាតទិន្នន័យមហាសមុទ្រមួយចំនួន។ ទោះបីជាយ៉ាងណាក៏ដោយ លទ្ធផលនេះមានសារៈសំខាន់សម្រាប់ប្រទេសកម្ពុជា ព្រោះកម្ពុជាក៏មានតំបន់ផ្កាថ្មនៅតាមបណ្តោយឆ្នេរសមុទ្រ ដែលកំពុងរងការគំរាមកំហែងពីការបំពុលដោយសារសកម្មភាពមនុស្ស និងការប្រែប្រួលអាកាសធាតុស្រដៀងគ្នានេះដែរ។

លទ្ធភាពនៃការអនុវត្ត (Applicability)៖

វិធីសាស្ត្រនៃការធ្វើម៉ូដែលទស្សន៍ទាយនេះ មានសក្តានុពលខ្ពស់ក្នុងការយកមកអនុវត្តដើម្បីគាំទ្រដល់ការអភិរក្សធនធានសមុទ្រក្នុងប្រទេសកម្ពុជា។

ការទស្សន៍ទាយពីការផ្លាស់ប្តូរជម្រកផ្កាថ្មតាមរយៈម៉ូដែលបច្ចេកវិទ្យាទាំងនេះ នឹងជួយឲ្យស្ថាប័នរដ្ឋាភិបាល និងអង្គការក្រៅរដ្ឋាភិបាលនៅកម្ពុជា អាចបង្កើតវិធានការការពារទុកជាមុនបានយ៉ាងមានប្រសិទ្ធភាព។

៤. ផែនការសកម្មភាពសម្រាប់និស្សិត (Actionable Roadmap)

ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖

  1. សិក្សាមូលដ្ឋានគ្រឹះពីអេកូឡូស៊ីសមុទ្រ និងការរុករកទិន្នន័យ: និស្សិតគួរស្វែងយល់ពីកត្តាបរិស្ថានដែលប៉ះពាល់ដល់ជីវសាស្ត្រសមុទ្រ (ដូចជា សីតុណ្ហភាព ជាតិប្រៃ និងកំហាប់ក្លរ៉ូហ្វីល) ព្រមទាំងហ្វឹកហាត់ប្រើប្រាស់ប្រភពទិន្នន័យបើកចំហដើម្បីទាញយកទិន្នន័យជីវចម្រុះដូចជា OBIS និង GBIF
  2. ដំឡើង និងរៀនប្រើប្រាស់កម្មវិធីសូហ្វវែរ GIS: អនុវត្តការប្រើប្រាស់កម្មវិធី ArcMapQGIS (ឥតគិតថ្លៃ) ដើម្បីទាញយក រៀបចំ និងសម្អាតទិន្នន័យ Raster ផែនទី និងរៀនពីវិធីសាស្ត្រកម្ចាត់ទិន្នន័យស្ទួន (Spatial Autocorrelation) កុំឲ្យម៉ូដែលគណនាខុស។
  3. អនុវត្តការធ្វើម៉ូដែលដោយប្រើកម្មវិធី MaxEnt: ទាញយក និងដំឡើងកម្មវិធី MaxEnt ដើម្បីសាកល្បងបញ្ចូលទិន្នន័យទីតាំងជីវចម្រុះ និងអថេរបរិស្ថាន រួចធ្វើការបែងចែកទិន្នន័យជាពីរផ្នែក (Training data 70% និង Testing data 30%)។
  4. ការវាយតម្លៃភាពត្រឹមត្រូវនៃម៉ូដែល: សិក្សាពីរបៀបអានលទ្ធផល និងបកស្រាយលទ្ធផលស្ថិតិដែលចេញពីម៉ូដែល ជាពិសេសសូចនាករ AUC (Area Under the Curve) ដើម្បីវាយតម្លៃថាតើម៉ូដែលទស្សន៍ទាយបានច្បាស់លាស់កម្រិតណា។
  5. អនុវត្តផ្ទាល់លើគម្រោងស្រាវជ្រាវខ្នាតតូចនៅកម្ពុជា: ចាប់ផ្តើមគម្រោងស្រាវជ្រាវផ្ទាល់ខ្លួនដោយប្រមូលទិន្នន័យផ្កាថ្ម ស្មៅសមុទ្រ ឬជីវសមុទ្រណាមួយនៅតំបន់សមុទ្រកម្ពុជា (ឧទាហរណ៍ កែប ឬកោះរ៉ុង) រួចសរសេររបាយការណ៍ព្យាករណ៍សម្រាប់សេណារីយ៉ូអាកាសធាតុនាពេលអនាគត (IPCC RCPsSSPs)។

៥. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស ការពន្យល់ជាខេមរភាសា (Khmer Explanation) និយមន័យសាមញ្ញ (Simple Definition)
Maximum Entropy (MaxEnt) Algorithm (ក្បួនដោះស្រាយអង់ត្រូពីអតិបរមា) ជាកម្មវិធីកុំព្យូទ័រផ្អែកលើស្ថិតិ ដែលប្រើប្រាស់ទិន្នន័យទីតាំងមានស្រាប់របស់ប្រភេទសត្វ ឬរុក្ខជាតិ រួមផ្សំជាមួយទិន្នន័យបរិស្ថាន ដើម្បីទស្សន៍ទាយកន្លែងដែលពួកវាអាចរស់នៅបាននាពេលអនាគត ឬកន្លែងផ្សេងទៀតដែលមិនទាន់បានស្រាវជ្រាវដល់។ វាមានប្រសិទ្ធភាពខ្ពស់ទោះបីទិន្នន័យទីតាំងប្រមូលបានមានភាពរាត់រាយ និងមិនគ្រប់គ្រាន់ក៏ដោយ។ ដូចជាការទាយចិត្តមិត្តភក្តិថានឹងទៅលេងកន្លែងណាខ្លះនៅចុងសប្តាហ៍ ដោយមើលទៅលើទីតាំងដែលគេធ្លាប់ទៅ និងចំណូលចិត្តអាកាសធាតុរបស់គេ។
Species Distribution Models (ម៉ូដែលចែកចាយប្រភេទជីវចម្រុះ) ជាការប្រើប្រាស់ក្បួនគណិតវិទ្យា និងទិន្នន័យបរិស្ថាន (ដូចជា សីតុណ្ហភាព កម្រិតទឹកភ្លៀង ជាតិប្រៃ) ដើម្បីបង្កើតជាផែនទីបង្ហាញពីទីតាំងភូមិសាស្ត្រដែលប្រភេទសត្វ ឬរុក្ខជាតិណាមួយអាចរស់រាន និងលូតលាស់បានយ៉ាងប្រសើរ។ ដូចជាកម្មវិធីផែនទីកសិកម្ម ដែលប្រាប់យើងថាខេត្តណាខ្លះមានសក្តានុពលអាចដាំផ្លែធុរេនបានល្អ ដោយផ្អែកលើប្រភេទដី និងអាកាសធាតុនៅទីនោះ។
Representative Concentration Pathway (សេណារីយ៉ូតំណាងកំហាប់ឧស្ម័នផ្ទះកញ្ចក់) ជាសេណារីយ៉ូដែលបង្កើតឡើងដោយក្រុមប្រឹក្សាអន្តររដ្ឋាភិបាលស្តីពីការប្រែប្រួលអាកាសធាតុ (IPCC) ដើម្បីព្យាករណ៍ពីកម្រិតនៃការបញ្ចេញឧស្ម័នផ្ទះកញ្ចក់ទៅក្នុងបរិយាកាសនាពេលអនាគត។ ការសិក្សានេះប្រើប្រាស់ RCP 2.6 (សេណារីយ៉ូល្អបំផុត), RCP 6.0 (មធ្យម) និង RCP 8.5 (សេណារីយ៉ូអាក្រក់បំផុត)។ ដូចជាការប៉ាន់ស្មានទម្ងន់របស់អ្នកនៅឆ្នាំក្រោយ ដោយផ្អែកលើទម្លាប់ហូបចុក ៣ ប្រភេទ៖ តឹងរ៉ឹងបំផុត (RCP 2.6) មធ្យម (RCP 6.0) និងញ៉ាំតាមចិត្តមិនតម (RCP 8.5)។
Area Under the Curve (ផ្ទៃក្រោមកោង) ជារង្វាស់ស្ថិតិ (AUC) សម្រាប់វាយតម្លៃភាពត្រឹមត្រូវនៃម៉ូដែលទស្សន៍ទាយ។ តម្លៃ AUC ជិត ១ មានន័យថាម៉ូដែលទស្សន៍ទាយបានត្រឹមត្រូវខ្ពស់ ចំណែកតម្លៃជិត ០.៥ មានន័យថាម៉ូដែលទស្សន៍ទាយមិនខុសពីការទាយដោយចៃដន្យនោះទេ។ ការសិក្សានេះទទួលបាន AUC ធំជាង ០.៩ ដែលបញ្ជាក់ថាម៉ូដែលនេះមានភាពសុក្រឹតខ្ពស់ណាស់។ ដូចជាពិន្ទុប្រឡងបញ្ចប់ឆ្នាំអញ្ចឹងដែរ បើបានពិន្ទុចាប់ពី ៩០ (០.៩) ឡើងទៅ មានន័យថាសិស្សនោះ (ម៉ូដែល) ពិតជាពូកែ និងអាចទុកចិត្តបាន។
Spatial Autocorrelation (ស្វ័យសហសម្ព័ន្ធក្នុងលំហ) ជាបាតុភូតស្ថិតិដែលកើតឡើងនៅពេលទីតាំងទិន្នន័យពីរដែលនៅជិតគ្នា មានលក្ខណៈស្រដៀងគ្នាខ្លាំងពេក ដែលអាចធ្វើឲ្យម៉ូដែលកុំព្យូទ័រគណនាខុស ឬលម្អៀង។ ក្នុងជំពូកនេះ គេត្រូវប្រើប្រាស់ក្បួនចម្រោះដើម្បីលុបទិន្នន័យដែលត្រួតស៊ីគ្នាជិតៗគ្នាចេញ ដើម្បីឲ្យម៉ូដែលដើរបានត្រឹមត្រូវ។ ដូចជាការសួរសិស្ស២នាក់ដែលអង្គុយជិតគ្នា និងលួចចម្លងគ្នា ដូច្នេះចម្លើយរបស់ពួកគេមិនអាចយកជាតំណាងចំណេះដឹងរបស់សិស្សពេញមួយថ្នាក់បានទេ។
Acropora spp. (ផ្កាថ្មប្រភេទអាក្រូប៉ូរ៉ា) ជាប្រភេទផ្កាថ្មរឹងម្យ៉ាងដែលមានរាងដូចមែកឈើ និងដើរតួនាទីយ៉ាងសំខាន់ក្នុងការសាងសង់រចនាសម្ព័ន្ធថ្មប៉ប្រះទឹក (Reef builder)។ វាងាយរងគ្រោះណាស់ចំពោះការកើនឡើងសីតុណ្ហភាពទឹកសមុទ្រ និងការបំពុលផ្សេងៗ ដែលធ្វើឲ្យអ្នកវិទ្យាសាស្ត្រចាត់ទុកវាជាសូចនាករជីវសាស្ត្រ (Bioindicator) សម្រាប់វាយតម្លៃសុខភាពប្រព័ន្ធអេកូឡូស៊ីសមុទ្រ។ ដូចជាសសរគ្រឹះនៃផ្ទះអញ្ចឹង បើសសរនេះរលួយឬបាក់ស្រុត ផ្ទះទាំងមូល (ប្រព័ន្ធអេកូឡូស៊ីសមុទ្រ) ក៏មិនអាចឈររឹងមាំបានដែរ។
Ocean Acidification (អាស៊ីតកម្មមហាសមុទ្រ) ជាដំណើរការដែលកម្រិត pH របស់ទឹកសមុទ្រធ្លាក់ចុះ (ក្លាយជាអាស៊ីតជាងមុន) ដោយសារមហាសមុទ្រស្រូបយកឧស្ម័នកាបូនិក (CO2) កាន់តែច្រើនពីបរិយាកាស។ បាតុភូតនេះរារាំងដល់ការលូតលាស់នៃសំបកកាល់ស្យូមរបស់ពពួកផ្កាថ្ម ដែលបណ្តាលមកពីការប្រែប្រួលអាកាសធាតុ។ ដូចជាការយកសំបកស៊ុតទៅត្រាំក្នុងទឹកខ្មេះ ដែលជាតិអាស៊ីតនឹងធ្វើឲ្យកាល់ស្យូមនៃសំបកនោះពុកផុយ និងរលាយបន្តិចម្តងៗ។
Chlorophyll concentration (កំហាប់ក្លរ៉ូហ្វីល) ក្នុងបរិបទសមុទ្រ កំហាប់នេះវាស់បរិមាណសារាយ ឬរុក្ខជាតិកោសិកាមួយក្នុងទឹក។ កម្រិតក្លរ៉ូហ្វីលខ្ពស់ខុសធម្មតា ជាសូចនាករនៃការបំពុលទឹកតំបន់ឆ្នេរដោយសារសារធាតុចិញ្ចឹមលើសលប់ (ដូចជាជីកសិកម្ម ឬទឹកស្អុយហូរចូលសមុទ្រ) ដែលអាចបាំងពន្លឺព្រះអាទិត្យ និងដកហូតអុកស៊ីហ្សែនសម្លាប់ផ្កាថ្ម។ ដូចជាស្មៅអាក្រក់ដុះពាសពេញចម្ការ ដោយសារយើងចាក់ជីច្រើនពេក ធ្វើឲ្យដំណាំល្អៗ (ផ្កាថ្ម) ត្រូវដកហូតយកជីជាតិអស់ និងងាប់បាត់បង់ទៅ។

៦. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖