បញ្ហា (The Problem)៖ ការប្រែប្រួលអាកាសធាតុ កំណើននៃការប្រើប្រាស់ និងការបំពុលបានធ្វើឱ្យប៉ះពាល់យ៉ាងធ្ងន់ធ្ងរដល់គុណភាពទឹកបឹង ខណៈដែលវិធីសាស្ត្រវាស់វែងដោយផ្ទាល់ (in situ) មានការចំណាយខ្ពស់និងចំណាយពេលយូរ ដែលទាមទារនូវប្រព័ន្ធត្រួតពិនិត្យដែលមានប្រសិទ្ធភាពជាងមុន។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានធ្វើការវិភាគគន្ថនិទ្ទេសយ៉ាងទូលំទូលាយលើឯកសារស្រាវជ្រាវពីឆ្នាំ ១៩៧៧ ដល់ ២០២៣ ដើម្បីវាយតម្លៃវិធីសាស្ត្រ និងឧបករណ៍ចាប់សញ្ញាពីចម្ងាយ (Remote Sensing) ក្នុងការតាមដានគុណភាពទឹក។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Empirical Methods វិធីសាស្ត្រជាក់ស្តែង (ផ្អែកលើទិន្នន័យស្ថិតិ និងការអង្កេត) |
មានភាពសាមញ្ញ មិនត្រូវការកម្លាំងកុំព្យូទ័រខ្លាំង និងអាចសម្របតាមលក្ខណៈពិសេសនៃផ្ទៃទឹកនីមួយៗ។ | ខ្វះយន្តការរូបវិទ្យាជាក់លាក់ សុពលភាពតាមពេលវេលាមានកម្រិត និងពឹងផ្អែកខ្លាំងលើទិន្នន័យវាស់វែងផ្ទាល់ (in situ)។ | មានប្រសិទ្ធភាពបំផុតសម្រាប់ការទាញយកសីតុណ្ហភាពទឹក (WT) ដោយមាន R² = 0.84 ព្រមទាំងប្រើជាទូទៅសម្រាប់កម្រិតល្អក់ (Turbidity)។ |
| Semi-Analytical Methods វិធីសាស្ត្រវិភាគពាក់កណ្តាល (រួមបញ្ចូលរូបវិទ្យា និងស្ថិតិ) |
ផ្អែកលើលក្ខណៈអុបទិកនៃទឹកនិងបរិយាកាស ដែលធ្វើឲ្យវាអាចប្រើប្រាស់បានទូលំទូលាយលើលំហ និងពេលវេលា។ | ការអភិវឌ្ឍម៉ូដែលមានភាពស្មុគស្មាញ ទាមទារចំណេះដឹងលើការកែតម្រូវបរិយាកាស (Atmospheric correction) និងការវាស់វែងជាក់ស្តែងច្រើន។ | ត្រូវបានអនុវត្តយ៉ាងជោគជ័យក្នុងទ្រង់ទ្រាយធំ សម្រាប់ការទាញយកប៉ារ៉ាម៉ែត្រ ក្លរ៉ូហ្វីល-អា (chl-α) និងភាពថ្លានៃទឹក (SDD)។ |
| Machine Learning (ML) / Neural Networks (NN) ការរៀនដោយម៉ាស៊ីន និងបណ្តាញសរសៃប្រសាទ |
ពូកែក្នុងការដោះស្រាយទំនាក់ទំនងមិនលីនេអ៊ែរស្មុគស្មាញ និងអាចគ្រប់គ្រងប៉ារ៉ាម៉ែត្រច្រើនក្នុងពេលតែមួយបានយ៉ាងល្អ។ | ត្រូវការសំណុំទិន្នន័យបណ្តុះបណ្តាល (Training dataset) ធំ ទាមទារថាមពលកុំព្យូទ័រខ្ពស់ និងអាចមានហានិភ័យនៃដំណោះស្រាយដែលមិនអាចពន្យល់បាន (Black-box)។ | ទទួលបានភាពត្រឹមត្រូវខ្ពស់បំផុត ដោយមេគុណទំនាក់ទំនង R² > 0.98 សម្រាប់ការទាញយកទិន្នន័យក្លរ៉ូហ្វីល-អា និងកម្រិតល្អក់ យកឈ្នះលើម៉ូដែលតំរែតំរង់ធម្មតា។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តការត្រួតពិនិត្យគុណភាពទឹកតាមរយៈទូរកម្មសញ្ញា (Remote Sensing) និងម៉ូដែលសិក្សាដោយម៉ាស៊ីន (Machine Learning) ទាមទារទាំងការវិនិយោគលើផ្នែកបច្ចេកវិទ្យា កម្លាំងកុំព្យូទ័រ និងការប្រមូលទិន្នន័យវាស់ផ្ទាល់នៅមូលដ្ឋានយ៉ាងសកម្ម។
ការសិក្សាភាគច្រើនដែលបានលើកឡើងនៅក្នុងឯកសារនេះ ត្រូវបានធ្វើឡើងនៅសហរដ្ឋអាមេរិក ចិន និងតំបន់អឺរ៉ុប។ លក្ខណៈអុបទិកនៃបឹង (ឧទាហរណ៍៖ បឹងរាក់មានរុក្ខជាតិច្រើន ឬសីតុណ្ហភាពខុសគ្នា) គឺប្រែប្រួលទៅតាមតំបន់ភូមិសាស្ត្រ ដែលនេះមានន័យថាម៉ូដែលដែលបានបង្កើតរួច ត្រូវតែធ្វើតេស្ត និងថ្លឹងថ្លែងឡើងវិញ (Calibration) ជាមួយទិន្នន័យជាក់ស្តែងមុននឹងយកមកអនុវត្តនៅប្រទេសកម្ពុជា។
វិធីសាស្ត្រនេះមានសក្តានុពល និងសារៈសំខាន់ខ្លាំងណាស់ក្នុងការជួយស្ថាប័នពាក់ព័ន្ធនៅកម្ពុជា ដើម្បីត្រួតពិនិត្យធនធានទឹកដែលកំពុងរងការគំរាមកំហែងពីការអភិវឌ្ឍន៍ និងការប្រែប្រួលអាកាសធាតុប្រកបដោយប្រសិទ្ធភាពចំណាយ។
ការរួមបញ្ចូលរូបភាពផ្កាយរណបឥតគិតថ្លៃរួមជាមួយម៉ូដែល Machine Learning នឹងផ្តល់នូវប្រព័ន្ធដោះស្រាយបញ្ហាគុណភាពទឹកទាន់ពេលវេលា និងកាត់បន្ថយចំណាយប្រតិបត្តិការយ៉ាងច្រើនសម្រាប់ប្រទេសកម្ពុជា។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Optically active parameters | ប៉ារ៉ាម៉ែត្រគុណភាពទឹកដែលមានលក្ខណៈសកម្មអុបទិក គឺជាសារធាតុនៅក្នុងទឹក (ដូចជាក្លរ៉ូហ្វីល កម្ទេចកំទី ឬសារធាតុសរីរាង្គរលាយ) ដែលមានប្រតិកម្មជាមួយពន្លឺព្រះអាទិត្យ ដោយការស្រូបយក ឬចំណាំងផ្លាតពន្លឺនោះ ដែលធ្វើឲ្យឧបករណ៍ចាប់សញ្ញាពីផ្កាយរណបអាចចាប់យកទិន្នន័យកំហាប់របស់វាបាន។ | ដូចជាការបន្តក់ទឹកថ្នាំពណ៌ចូលក្នុងកែវទឹក ដែលធ្វើឲ្យទឹកនោះប្តូរពណ៌ ហើយយើងអាចមើលដឹងថាមានទឹកថ្នាំកម្រិតណាដោយគ្រាន់តែសម្លឹងមើលផ្ទៃទឹកពីលើ។ |
| Chlorophyll-α (chl-α) | ក្លរ៉ូហ្វីល-អា គឺជាសារធាតុពណ៌បៃតងដែលមាននៅក្នុងរុក្ខជាតិ និងភូតគាមសមុទ្រ (Phytoplankton) ក្នុងទឹក ដែលគេវាស់វែងដើម្បីដឹងពីកម្រិតនៃពពួកសារាយ និងជីវជាតិបំប៉ននៅក្នុងបឹង។ ការកើនឡើងកំហាប់សារធាតុនេះខុសប្រក្រតីអាចបង្កជាបាតុភូតការរីកដុះដាលសារាយ (Algal blooms) ដែលបញ្ចេញជាតិពុលចូលក្នុងទឹក។ | ប្រៀបដូចជាទែម៉ូម៉ែត្រវាស់សុខភាពរបស់បឹង បើផ្ទៃទឹកមានពណ៌បៃតងខ្លាំងពេក មានន័យថាបឹងនោះកំពុងឈឺ ដោយសារមានសារាយច្រើនពេកទាញយកអុកស៊ីហ្សែនអស់ពីក្នុងទឹក។ |
| Secchi Disk Depth (SDD) | ជម្រៅថាសសេកគី (Secchi Disk Depth) ជារង្វាស់នៃភាពថ្លា ឬភាពមើលធ្លុះនៃទឹក ដោយផ្អែកលើជម្រៅអតិបរមាដែលគេទម្លាក់ថាសពណ៌សនិងខ្មៅចូលទៅក្នុងទឹកហើយភ្នែកនៅតែអាចមើលឃើញ។ នៅក្នុងបច្ចេកវិទ្យាទូរកម្មសញ្ញា (Remote Sensing) គេប្រើប្រាស់ក្បួនគណនាពីផ្កាយរណបដើម្បីប៉ាន់ស្មានជម្រៅនេះ ដោយមិនបាច់ចុះទៅវាស់ផ្ទាល់។ | ដូចជាការសម្លឹងមើលកាក់ដែលធ្លាក់ក្នុងអាងទឹក ទឹកកាន់តែថ្លា យើងកាន់តែអាចមើលឃើញកាក់នោះនៅជម្រៅកាន់តែជ្រៅ។ |
| Atmospheric correction | ការកែតម្រូវបរិយាកាស គឺជាដំណើរការគណនាក្នុងការកាត់ចេញនូវកំហុសទិន្នន័យ (Noise) ដែលបង្កឡើងដោយចំណាំងផ្លាតនៃចំហាយទឹក ធូលី ឬពពកក្នុងបរិយាកាស មុននឹងទិន្នន័យពន្លឺឆ្លុះពីផ្ទៃទឹកទៅដល់កាមេរ៉ាផ្កាយរណប ដើម្បីធានាថារូបភាពដែលបានមកឆ្លុះបញ្ចាំងពីស្ថានភាពទឹកពិតប្រាកដ។ | ដូចជាការជូតសម្អាតកញ្ចក់វ៉ែនតាដែលប្រឡាក់ធូលី ឬមានផ្សែង ដើម្បីឲ្យយើងអាចមើលឃើញទេសភាពខាងក្រៅបានច្បាស់ល្អ និងមានពណ៌ពិត។ |
| Semi-Analytical Methods | វិធីសាស្ត្រវិភាគពាក់កណ្តាល គឺជាបច្ចេកទេសបង្កើតម៉ូដែលដែលរួមបញ្ចូលគ្នារវាងទ្រឹស្តីរូបវិទ្យា (ការបញ្ជូន និងស្រូបពន្លឺក្នុងទឹក) និងការវិភាគទិន្នន័យស្ថិតិ ដើម្បីទាញយកទិន្នន័យគុណភាពទឹកពីរូបភាពផ្កាយរណប។ វិធីសាស្ត្រនេះមានភាពស្មុគស្មាញ ប៉ុន្តែអាចយកទៅអនុវត្តបានទូលំទូលាយលើផ្ទៃទឹកខុសៗគ្នា។ | ដូចជាការចម្អិនម្ហូបដោយប្រើទាំងរូបមន្តទ្រឹស្តីពីសៀវភៅ និងការភ្លក់ផ្ទាល់មាត់កែច្នៃជាក់ស្តែង ដើម្បីធានាថារសជាតិចេញមកឆ្ងាញ់គ្រប់ពេល។ |
| In situ measurements | ការវាស់វែងនៅទីតាំងផ្ទាល់ គឺជាសកម្មភាពចុះទៅប្រមូលទិន្នន័យ ឬយកសំណាកទឹកដោយផ្ទាល់នៅតាមទីតាំងបឹង ឬទន្លេ ដើម្បីយកមកបណ្តុះបណ្តាល (Train) ឬផ្ទៀងផ្ទាត់ (Validate) ភាពត្រឹមត្រូវនៃម៉ូដែលទិន្នន័យដែលចាប់យកបានពីផ្កាយរណប។ | ដូចជាការចុះទៅពិនិត្យមើល និងស្ទាបទំនិញផ្ទាល់ដៃនៅហាង មុននឹងសម្រេចចិត្តទិញតាមរូបភាពនៅលើអនឡាញ ដើម្បីបញ្ជាក់ថាវាពិតជាដូចគ្នាមែន។ |
| Hyperspectral sensors | ឧបករណ៍ចាប់សញ្ញាអុបទិកកម្រិតខ្ពស់ (Hyperspectral sensors) ដែលបំពាក់លើផ្កាយរណប ឬយន្តហោះ អាចចាប់យករូបភាពក្នុងរលកពន្លឺតូចៗរាប់រយតម្រួតគ្នា (Bands) ដែលអនុញ្ញាតឲ្យអ្នកវិទ្យាសាស្ត្របែងចែកលក្ខណៈនៃសារធាតុគីមី ឬជីវសាស្ត្រក្នុងទឹកបានយ៉ាងល្អិតល្អន់បំផុត បើធៀបនឹងកាមេរ៉ាពហុវិសាលគម (Multispectral) ធម្មតា។ | ប្រៀបដូចជាកាសស្តាប់តន្ត្រីកម្រិតខ្ពស់ ដែលអាចធ្វើឲ្យអ្នកស្តាប់ឮសំឡេងឧបករណ៍តន្ត្រីគ្រប់ប្រភេទដាច់ពីគ្នាច្បាស់ៗ មិនមែនឮត្រឹមតែសំឡេងជុំគ្នាមួយដុំៗនោះទេ។ |
| Artificial Neural Networks (ANN) | បណ្តាញសរសៃប្រសាទសិប្បនិម្មិត គឺជាទម្រង់នៃក្បួនដោះស្រាយការរៀនដោយម៉ាស៊ីន (Machine Learning Algorithm) ដែលធ្វើការត្រាប់តាមរចនាសម្ព័ន្ធខួរក្បាលមនុស្ស ដើម្បីរៀនស្វែងរកទំនាក់ទំនងមិនលីនេអ៊ែរដ៏ស្មុគស្មាញរវាងបណ្តុំទិន្នន័យរូបភាពផ្កាយរណប និងទិន្នន័យវាស់វែងទឹកជាក់ស្តែង។ | ប្រៀបដូចជាការបង្រៀនកូនក្មេងឲ្យស្គាល់សត្វឆ្កែ ដោយបង្ហាញរូបភាពសត្វឆ្កែច្រើនប្រភេទរាប់ពាន់ដង រហូតដល់ខួរក្បាលគេអាចចំណាំនិងទាយត្រូវ ទោះបីជាឃើញពូជឆ្កែថ្មីដែលមិនធ្លាប់ឃើញពីមុនក៏ដោយ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
