បញ្ហា (The Problem)៖ អត្ថបទនេះផ្តោតលើការវាយតម្លៃផលប៉ះពាល់នៃការប្រែប្រួលអាកាសធាតុទៅលើប្រព័ន្ធជលសាស្ត្រក្នុងតំបន់ និងតម្រូវការបន្ទាន់ក្នុងការកំណត់បរិមាណនៃភាពមិនប្រាកដប្រជា (Uncertainties) ដែលកើតចេញពីម៉ូដែលព្យាករណ៍អាកាសធាតុ។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានសង្ខេបវិធីសាស្ត្រ និងម៉ូដែលផ្សេងៗដែលត្រូវបានអភិវឌ្ឍដើម្បីកាត់បន្ថយ និងវាស់វែងភាពមិនប្រាកដប្រជាក្នុងការវាយតម្លៃហានិភ័យជលសាស្ត្រ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Dempster-Shafer (D-S) Theory ទ្រឹស្តី Dempster-Shafer (D-S) សម្រាប់វាស់វែងភាពមិនប្រាកដប្រជា |
អាចរួមបញ្ចូលភាពមិនប្រាកដប្រជាពីប្រភពផ្សេងៗ (ម៉ូដែល GCMs និងសេណារីយ៉ូ) ប្រកបដោយប្រសិទ្ធភាព ទោះបីជាទិន្នន័យមិនពេញលេញក៏ដោយ។ | មានភាពស្មុគស្មាញក្នុងការគណនា និងទាមទារការកំណត់មុខងារជឿជាក់ (belief functions) ដែលអាចមានលក្ខណៈអត្តនោម័ត។ | បង្ហាញពីការកើនឡើងនៃប្រូបាប៊ីលីតេគ្រោះរាំងស្ងួតធ្ងន់ធ្ងរ និងការថយចុះនៃលក្ខខណ្ឌធម្មតានៅទីតាំងសិក្សា (អាងទន្លេ Mahanadi)។ |
| Bayesian Approach វិធីសាស្ត្រ Bayesian សម្រាប់ម៉ូដែលភាពមិនប្រាកដប្រជា |
ផ្តល់នូវការចែកចាយប្រូបាប៊ីលីតេក្រោយ (posterior distribution) ដែលងាយស្រួលបកស្រាយ និងអាចធ្វើបច្ចុប្បន្នភាពនៅពេលមានទិន្នន័យថ្មី។ | ពឹងផ្អែកខ្លាំងលើការសន្មត់ជាមុន (prior assumptions) នៃការចែកចាយទិន្នន័យ ដែលអាចប៉ះពាល់ដល់លទ្ធផលប្រសិនបើការសន្មត់ខុស។ | ផ្តល់លទ្ធផលស្រដៀងនឹងទ្រឹស្តី D-S ដែលទស្សន៍ទាយពីនិន្នាការកើនឡើងនៃគ្រោះរាំងស្ងួតកម្រិតធ្ងន់ និងមធ្យមនៅក្នុងតំបន់សិក្សា។ |
| Possibilistic Approach (Imprecise Probability) វិធីសាស្ត្រ Possibilistic (ប្រូបាប៊ីលីតេមិនច្បាស់លាស់) |
ដោះស្រាយបញ្ហាកង្វះខាតទិន្នន័យសេណារីយ៉ូអាកាសធាតុ ដោយប្រើប្រាស់ប្រូបាប៊ីលីតេជួរ (interval) ជំនួសឱ្យតម្លៃតែមួយ (single value)។ | ពិបាកក្នុងការបកស្រាយសម្រាប់អ្នកធ្វើគោលនយោបាយ ដែលធ្លាប់តែប្រើប្រាស់លទ្ធផលដែលមានប្រូបាប៊ីលីតេច្បាស់លាស់តែមួយ។ | បង្កើតបានមុខងារចែកចាយសន្សំសំចៃ (CDF) ដែលបង្ហាញពីការថយចុះនៃប្រូបាប៊ីលីតេនៃលំហូរទឹកខ្ពស់ខ្លាំងនាពេលអនាគត។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ឯកសារនេះមិនបានបញ្ជាក់លម្អិតពីតម្លៃហិរញ្ញវត្ថុ ឬតម្រូវការផ្នែករឹង (Hardware) នោះទេ ប៉ុន្តែវាទាមទារធនធានទិន្នន័យអាកាសធាតុសកល និងចំណេះដឹងផ្នែកគណនាស្ថិតិកម្រិតខ្ពស់។
ការសិក្សានេះប្រើប្រាស់ទិន្នន័យ GCMs សកល និងធ្វើការវិភាគករណីសិក្សាផ្តោតសំខាន់លើប្រទេសឥណ្ឌា (ដូចជាអាងទន្លេ Mahanadi, Upper Ganga Basin និងទីក្រុង Bangalore/Chennai)។ ទោះបីជាទិន្នន័យភូមិសាស្ត្រខុសគ្នាក៏ដោយ ប៉ុន្តែដោយសារកម្ពុជាមានអាកាសធាតុត្រូពិចមូសុង និងប្រឈមនឹងបញ្ហាទឹកជំនន់-គ្រោះរាំងស្ងួតស្រដៀងគ្នានឹងឥណ្ឌា វិធីសាស្ត្រទាំងនេះមានតម្លៃអាចយកមកអនុវត្តបាន តែត្រូវបន្សាំជាមួយទិន្នន័យប្រវត្តិសាស្ត្រក្នុងស្រុក។
វិធីសាស្ត្រក្នុងការកំណត់បរិមាណភាពមិនប្រាកដប្រជា និងការបង្រួមទំហំទិន្នន័យ GCMs នេះ គឺមានភាពចាំបាច់ និងមានអត្ថប្រយោជន៍ខ្ពស់សម្រាប់ការវាយតម្លៃហានិភ័យអាកាសធាតុនៅកម្ពុជា។
ការអនុវត្តក្របខ័ណ្ឌទាំងនេះនឹងជួយដល់រាជរដ្ឋាភិបាល និងអ្នកធ្វើគោលនយោបាយកម្ពុជា ក្នុងការវិនិយោគលើហេដ្ឋារចនាសម្ព័ន្ធធារាសាស្ត្រ និងគ្រប់គ្រងគ្រោះមហន្តរាយប្រកបដោយភាពធន់ ទោះបីជាមានភាពមិនច្បាស់លាស់នៃអាកាសធាតុនាពេលអនាគតក៏ដោយ។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| General Circulation Models (GCMs) | ម៉ូដែលកុំព្យូទ័រគណិតវិទ្យាដ៏ស្មុគស្មាញដែលប្រើប្រាស់សម្រាប់ក្លែងធ្វើ (simulate) បម្រែបម្រួលអាកាសធាតុទូទាំងសកលលោក ដោយគណនាពីចរន្តខ្យល់ សីតុណ្ហភាព សម្ពាធបរិយាកាស និងរបាយទឹកភ្លៀង ដើម្បីទស្សន៍ទាយសេណារីយ៉ូអនាគត។ | ដូចជាផែនទីឌីជីថលខ្នាតយក្ស និងម៉ាស៊ីនទស្សន៍ទាយ ដែលអ្នកវិទ្យាសាស្ត្រប្រើដើម្បីដឹងថាអាកាសធាតុពិភពលោកនឹងប្រែប្រួលយ៉ាងណានៅ១០០ឆ្នាំខាងមុខ។ |
| Statistical Downscaling | វិធីសាស្ត្រស្ថិតិសម្រាប់បំប្លែងទិន្នន័យអាកាសធាតុពីម៉ូដែលកម្រិតសកល (GCMs) ដែលមានទំហំក្រឡាធំៗ មកជាទិន្នន័យកម្រិតតំបន់តូចៗ ឬកម្រិតមូលដ្ឋានដើម្បីវាយតម្លៃផលប៉ះពាល់ជាក់លាក់ណាមួយ (ដូចជាទន្លេ ឬទីក្រុង)។ | ដូចជាការប្រើប្រាស់កែវពង្រីក (Magnifying glass) ដើម្បីមើលព័ត៌មានលម្អិតនៃផែនទីពិភពលោកត្រង់ចំណុចប្រទេស ឬទីក្រុងណាមួយជាក់លាក់។ |
| Aleatory uncertainty | ភាពមិនប្រាកដប្រជាដែលកើតឡើងដោយសារចៃដន្យភាពធម្មជាតិនៃប្រព័ន្ធអាកាសធាតុ និងបរិស្ថាន ដែលមិនអាចកាត់បន្ថយបាន (Irreducible) ទោះបីជាមានទិន្នន័យបន្ថែមច្រើនប៉ុណ្ណាក៏ដោយ។ | ដូចជាការបោះកាក់ប្រាក់ យើងដឹងថាវាអាចចេញ "ក្បាល" ឬ "កន្ទុយ" ប៉ុន្តែយើងមិនអាចទស្សន៍ទាយច្បាស់១០០%ថាវានឹងចេញខាងណានៅពេលបោះម្តងៗនោះទេ។ |
| Epistemic uncertainty | ភាពមិនប្រាកដប្រជាដែលបណ្តាលមកពីកង្វះខាតចំណេះដឹង កង្វះទិន្នន័យ ឬដែនកំណត់នៃម៉ូដែលរូបវិទ្យា ដែលភាពមិនច្បាស់លាស់នេះអាចត្រូវបានកាត់បន្ថយ (Reducible) តាមរយៈការស្រាវជ្រាវ និងការប្រមូលទិន្នន័យបន្ថែម។ | ដូចជាការស្មានចំនួនគ្រាប់ស្ករគ្រាប់ក្នុងដបបិទជិតមួយ ប្រសិនបើយើងវាស់ទំហំដប និងទំហំស្ករមួយគ្រាប់បានត្រឹមត្រូវ យើងនឹងទាយចំនួនបានកាន់តែខិតជិតការពិត។ |
| Dempster-Shafer (D-S) Theory | ទ្រឹស្តីគណិតវិទ្យាសម្រាប់វាយតម្លៃ និងរួមបញ្ចូលភស្តុតាងពីប្រភពផ្សេងៗគ្នា (ដូចជាម៉ូដែលអាកាសធាតុច្រើន) ដើម្បីវាស់វែងកម្រិតនៃជំនឿ (Belief) និងភាពមិនប្រាកដប្រជា ទោះបីជាពេលខ្លះទិន្នន័យមិនពេញលេញ ឬមានភាពផ្ទុយគ្នាក៏ដោយ។ | ដូចជាចៅក្រមដែលប្រមូលសក្ខីកម្មពីសាក្សី៣នាក់ផ្សេងគ្នា ដើម្បីសន្និដ្ឋានរកការពិត ទោះបីសាក្សីខ្លះផ្តល់ព័ត៌មានមិនសូវច្បាស់ ឬខ្វះចន្លោះក៏ដោយ។ |
| Concurrent Extremes | បាតុភូតអាកាសធាតុធ្ងន់ធ្ងរពីរ ឬច្រើន (ឧទាហរណ៍ គ្រោះរាំងស្ងួត និងរលកកម្តៅ) ដែលកើតឡើងក្នុងពេលតែមួយ ឬនៅកន្លែងតែមួយព្រមគ្នា ដែលធ្វើឱ្យផលប៉ះពាល់មានភាពធ្ងន់ធ្ងរទ្វេដងទៅលើប្រព័ន្ធអេកូឡូស៊ី និងសង្គមមនុស្ស។ | ដូចជាមនុស្សម្នាក់ដែលកំពុងកើតជំងឺផ្តាសាយធ្ងន់ធ្ងរផង និងឈឺក្រពះផងក្នុងពេលតែមួយ ដែលធ្វើឱ្យរាងកាយចុះខ្សោយខ្លាំងជាងការឈឺតែម្យ៉ាង។ |
| Detection and Attribution | ដំណើរការវិភាគទិន្នន័យដើម្បីបញ្ជាក់ថា តើបម្រែបម្រួលអាកាសធាតុពិតជាកំពុងកើតឡើងខុសពីធម្មតាឬទេ (Detection) ហើយតើវាបណ្តាលមកពីកត្តាសកម្មភាពរបស់មនុស្សកម្រិតណា (Attribution) ធៀបនឹងបំរែបំរួលធម្មជាតិ។ | ដូចជាប៉ូលីសស៊ើបអង្កេតដែលរកឃើញថាមានបទល្មើសកើតឡើង (Detection) ហើយបន្ទាប់មករកភស្តុតាងដើម្បីចាប់ខ្លួនជនល្មើសដែលជាអ្នកបង្កហេតុពិតប្រាកដ (Attribution)។ |
| Stationarity | ការសន្មត់ក្នុងផ្នែកស្ថិតិជលសាស្ត្រថា ដំណើរការធម្មជាតិ (ដូចជាលំហូរទឹក ឬរបាយទឹកភ្លៀងអតិបរមា) នឹងនៅតែមានលំនាំ និងប្រូបាប៊ីលីតេនៃការកើតឡើងដដែលៗនាពេលអនាគត ដូចដែលធ្លាប់កើតមានក្នុងអតីតកាល។ ការប្រែប្រួលអាកាសធាតុបានធ្វើឱ្យការសន្មត់នេះលែងសូវត្រឹមត្រូវ (Non-stationarity)។ | ដូចជាការជឿថាផ្លូវដែលយើងធ្លាប់ជិះទៅធ្វើការរាល់ថ្ងៃចំណាយពេល២០នាទី នឹងនៅតែចំណាយ២០នាទីដដែលនៅ១០ឆ្នាំក្រោយ ដោយមិនបានគិតពីការកើនឡើងនៃចំនួនរថយន្ត និងស្ទះចរាចរណ៍នាពេលអនាគត។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
