បញ្ហា (The Problem)៖ ការសិក្សានេះរំលេចអំពីភាពស្មុគស្មាញ និងបញ្ហាប្រឈមក្នុងការធ្វើផែនទីគម្របដី (Land Cover Mapping) ពិសេសការជ្រើសរើសប្រភេទទិន្នន័យទូរយាន និងក្បួនដោះស្រាយចំណាត់ថ្នាក់រូបភាពដែលស័ក្តិសមដើម្បីសម្រេចបានភាពត្រឹមត្រូវខ្ពស់បំផុត។
វិធីសាស្ត្រ (The Methodology)៖ អត្ថបទនេះធ្វើការត្រួតពិនិត្យអក្សរសិល្ប៍ (Literature Review) យ៉ាងលម្អិតអំពីប្រភេទទិន្នន័យ បច្ចេកទេស និងកត្តាដែលមានឥទ្ធិពលលើប្រសិទ្ធភាពនៃការធ្វើចំណាត់ថ្នាក់រូបភាពពីចម្ងាយ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Parametric Classification Algorithms (e.g., Maximum Likelihood Classifier - MLC) ក្បួនដោះស្រាយចំណាត់ថ្នាក់ប៉ារ៉ាម៉ែត្រ (ឧ. MLC) |
មានភាពងាយស្រួលក្នុងការប្រើប្រាស់ និងមានជម្រើសច្រើននៅក្នុងកម្មវិធី GIS ទូទៅ។ ដំណើរការបានល្អនៅពេលដែលទិន្នន័យមានរបាយធម្មតា (Normal distribution)។ | ទាមទារឱ្យទិន្នន័យគោរពតាមការសន្មត់នៃរបាយធម្មតា (Normal distribution assumption)។ ងាយរងឥទ្ធិពលពីកំហុសនៅពេលប្រើជាមួយទិន្នន័យចម្រុះប្រភព (Multi-source data)។ | ភាពត្រឹមត្រូវជារួមអាចទាបជាងក្បួនដោះស្រាយមិនមែនប៉ារ៉ាម៉ែត្រពី ១០% ទៅ ២០% ប៉ុន្តែត្រូវបានកែលម្អពី ១% ទៅ ១០% នៅពេលមានការកែតម្រូវសណ្ឋានដី (Topographic correction)។ |
| Non-parametric Classification Algorithms (e.g., Support Vector Machine - SVM, Random Forest, ANN) ក្បួនដោះស្រាយចំណាត់ថ្នាក់មិនមែនប៉ារ៉ាម៉ែត្រ (ឧ. SVM, Random Forest, ANN) |
មិនតម្រូវឱ្យទិន្នន័យមានរបាយធម្មតានោះទេ ហើយអាចដោះស្រាយទិន្នន័យពហុប្រភព (Multi-modal) និងទិន្នន័យដែលបាត់បង់បានយ៉ាងល្អ។ ផ្តល់ភាពត្រឹមត្រូវខ្ពស់ជាងមុនក្នុងការបែងចែកប្រភេទគម្របដី។ | ត្រូវការពេលវេលាគណនាយូរជាង និងត្រូវការកម្លាំងកុំព្យូទ័រខ្លាំង។ ភាពត្រឹមត្រូវអាស្រ័យខ្លាំងទៅលើការកំណត់រចនាសម្ព័ន្ធ (User-defined parameters) ដូចជាប្រភេទ Kernel របស់ SVM ជាដើម។ | ផ្តល់ភាពត្រឹមត្រូវខ្ពស់ជាងមុន (កើនពី ៨៨.៨៧% ទៅ ៩៦.៩៧% សម្រាប់ SVM ពេលបន្ថែមទិន្នន័យតំបន់ជិតខាង)។ |
| Object-Based Image Analysis (OBIA) ការវិភាគរូបភាពផ្អែកលើវត្ថុ (OBIA) |
មានសមត្ថភាពខ្ពស់ក្នុងការកំណត់អត្តសញ្ញាណវត្ថុដែលមានទំហំតូចៗ និងមានរាងជាខ្សែ (Linear components)។ ផ្តល់លទ្ធផលល្អប្រសើរនៅពេលប្រើជាមួយរូបភាពកម្រិតច្បាស់ខ្ពស់ ដូចជា Sentinel-2។ | ទាមទារឯកសាររូបភាពធំៗ ដែលធ្វើឱ្យការប្រព័ន្ធដំណើរការ (Processing time) ត្រូវចំណាយពេលយូរជាងការវិភាគផ្អែកលើភីកសែល (Pixel-based)។ | សម្រេចបានភាពត្រឹមត្រូវប្រហែល ៨៧-៨៨% សម្រាប់ទិន្នន័យ Sentinel-2 និង Landsat 8 នៅក្នុងតំបន់ដីសើម (Wetland areas)។ |
| Traditional Ground-Based Surveys ការចុះអង្កេតប្រមូលទិន្នន័យផ្ទាល់នៅមូលដ្ឋាន (Ground-Based Data) |
ផ្តល់នូវភាពត្រឹមត្រូវជាក់ស្តែងបំផុត (Ground truth) និងអាចប្រមូលទិន្នន័យលម្អិតដែលមិនអាចមើលឃើញពីលើអាកាសបាន។ ចាំបាច់សម្រាប់ធ្វើជាទិន្នន័យផ្ទៀងផ្ទាត់ (Reference data)។ | ចំណាយថវិកា និងកម្លាំងពលកម្មច្រើន ព្រមទាំងចំណាយពេលយូរ។ ពិបាកអនុវត្តនៅក្នុងតំបន់ដែលពិបាកចូលទៅដល់ (ឧ. តំបន់ព្រៃក្រាស់ ឬភ្នំ)។ | ត្រូវបានចាត់ទុកថាជាបច្ចេកទេសដ៏ល្អបំផុតសម្រាប់វាយតម្លៃភាពត្រឹមត្រូវ ប៉ុន្តែមិនស័ក្តិសមសម្រាប់ការធ្វើផែនទីក្នុងតំបន់ទូលំទូលាយនោះទេ។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការធ្វើផែនទីគម្របដីតម្រូវឱ្យមានការរួមបញ្ចូលគ្នានៃទិន្នន័យផ្កាយរណបឥតគិតថ្លៃ (ឬបង់ប្រាក់សម្រាប់កម្រិតច្បាស់ខ្ពស់) ជំនាញផ្នែករៀបចំទិន្នន័យបឋម និងកម្លាំងម៉ាស៊ីនកុំព្យូទ័រសម្រាប់ដំណើរការក្បួនដោះស្រាយដ៏ស្មុគស្មាញ។
ឯកសារនេះគឺជាការត្រួតពិនិត្យអក្សរសិល្ប៍ (Literature Review) ដែលប្រមូលផ្តុំទិន្នន័យពីការសិក្សាជុំវិញពិភពលោក រួមមានតំបន់ត្រូពិចនៅប្រេស៊ីល ឥណ្ឌូនេស៊ី និងថៃ។ ការសិក្សាបានគូសបញ្ជាក់ថា នៅតំបន់ត្រូពិចដែលមានសំណើម វត្តមានពពកក្រាស់ជាឧបសគ្គដល់ការប្រមូលរូបភាពអុបទិក។ នេះមានសារៈសំខាន់ណាស់សម្រាប់ប្រទេសកម្ពុជា ដែលមានអាកាសធាតុស្រដៀងគ្នា និងទាមទារការប្រើប្រាស់បច្ចេកវិទ្យាបន្ថែមដូចជាប្រព័ន្ធ Radar ជាដើម។
បច្ចេកទេសបែងចែកចំណាត់ថ្នាក់មិនមែនប៉ារ៉ាម៉ែត្រ (Non-parametric algorithms) និងការប្រើប្រាស់ទិន្នន័យរួមបញ្ចូលគ្នា មានសក្តានុពលយ៉ាងធំធេងសម្រាប់ការតាមដានបរិស្ថាននៅកម្ពុជា។
ការអនុវត្តបច្ចេកទេសអភិវឌ្ឍន៍ថ្មីៗនេះ អាចជួយស្ថាប័នរដ្ឋ និងអង្គការនានានៅកម្ពុជា ទទួលបានផែនទីគម្របដីដែលទាន់សម័យ ត្រឹមត្រូវ និងសន្សំសំចៃខ្ពស់សម្រាប់រៀបចំផែនការអភិវឌ្ឍន៍ប្រកបដោយចីរភាព។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Remote Sensing (RS) | បច្ចេកវិទ្យាក្នុងការប្រមូលទិន្នន័យ និងព័ត៌មានអំពីផ្ទៃផែនដីពីចម្ងាយ (ជាទូទៅតាមរយៈឧបករណ៍បំពាក់លើផ្កាយរណប ឬយន្តហោះ) ដោយមិនមានការប៉ះផ្ទាល់ ប៉ុន្តែប្រើប្រាស់ការចាប់យកថាមពលចំណាំងផ្លាត ឬវិទ្យុសកម្មដែលភាយចេញពីផ្ទៃផែនដី។ | ដូចជាការប្រើដ្រូនថតរូបពីលើអាកាស ដើម្បីមើលទិដ្ឋភាពរួមនៃភូមិមួយដោយមិនបាច់ដើរផ្ទាល់គ្រប់ច្រកល្ហក។ |
| Support Vector Machine (SVM) | ក្បួនដោះស្រាយចំណាត់ថ្នាក់ (Classification Algorithm) ប្រភេទមិនមែនប៉ារ៉ាម៉ែត្រក្នុងវិទ្យាសាស្ត្រកុំព្យូទ័រ ដែលមានសមត្ថភាពខ្ពស់ក្នុងការខណ្ឌចែកទិន្នន័យទៅជាក្រុមៗ ដោយស្វែងរកបន្ទាត់ព្រំដែន (Hyperplane) ដ៏ល្អបំផុត ទោះបីជាទិន្នន័យនោះមានភាពស្មុគស្មាញក៏ដោយ។ | ដូចជាការគូសបន្ទាត់ព្រំដែនរវាងផ្លែប៉ោម និងផ្លែក្រូចនៅលើតុ ដោយព្យាយាមទុកគម្លាតឲ្យឆ្ងាយបំផុតពីផ្លែឈើទាំងពីរប្រភេទ ដើម្បីកុំឲ្យច្រឡំគ្នានៅពេលក្រោយ។ |
| Maximum Likelihood Classifier (MLC) | ក្បួនដោះស្រាយចំណាត់ថ្នាក់ប្រភេទប៉ារ៉ាម៉ែត្រ ដែលគណនាប្រូបាប៊ីលីតេ (Probability) នៃភីកសែលនីមួយៗនៅលើរូបភាព ថាតើវាគួរតែស្ថិតក្នុងប្រភេទគម្របដីណាមួយ ដោយផ្អែកលើការសន្មត់ថាទិន្នន័យមានរបាយធម្មតា (Normal distribution)។ | ដូចជាការទាយមុខរបររបស់មនុស្សម្នាក់ដោយមើលលើឯកសណ្ឋាន ដោយសន្មត់ថាអ្នកពាក់អាវសភាគច្រើនជាគ្រូពេទ្យ។ |
| Spatial Resolution | ទំហំនៃផ្ទៃដីពិតប្រាកដដែលតំណាងដោយភីកសែល (Pixel) មួយនៅលើរូបភាពផ្កាយរណប។ កម្រិតច្បាស់ខ្ពស់ (High Spatial Resolution) មានន័យថាភីកសែលនីមួយៗតំណាងឲ្យផ្ទៃដីតូច (ឧ. ១ម៉ែត្រការ៉េ) ដែលធ្វើឲ្យរូបភាពអាចបង្ហាញព័ត៌មានបានកាន់តែលម្អិត។ | ដូចជាទំហំនៃក្រឡាអុកតូចៗនៅលើផ្ទាំងគំនូរ បើក្រឡាកាន់តែតូច យើងអាចគូររូបភាពបានកាន់តែលម្អិត និងច្បាស់ល្អ។ |
| Object-Based Image Analysis (OBIA) | បច្ចេកទេសវិភាគរូបភាពពីចម្ងាយដោយមិនផ្តោតលើភីកសែលនីមួយៗដាច់ពីគ្នា តែធ្វើការប្រមូលផ្តុំភីកសែលដែលមានលក្ខណៈស្រដៀងគ្នា (ពណ៌ រូបរាង វាយនភាព) ទៅជាក្រុម ឬជា "វត្ថុ" (Objects) មុននឹងធ្វើចំណាត់ថ្នាក់។ | ជំនួសឲ្យការផ្តោតមើលពណ៌នៃគ្រាប់ខ្សាច់នីមួយៗ វាប្រៀបដូចជាការមើលរូបរាងទាំងមូលនៃដុំថ្មមួយដុំ ដើម្បីដឹងថាវាជាអ្វី។ |
| Non-parametric classification algorithms | ប្រភេទក្បួនដោះស្រាយវាយតម្លៃចំណាត់ថ្នាក់ ដែលមិនទាមទារឲ្យទិន្នន័យគោរពតាមការសន្មត់នៃទម្រង់ស្ថិតិជាក់លាក់ណាមួយ (មិនសន្មត់ថាទិន្នន័យមានរបាយធម្មតា) ដែលធ្វើឲ្យវាអាចបត់បែន និងមានភាពត្រឹមត្រូវខ្ពស់ជាមួយទិន្នន័យចម្រុះប្រភព។ | ដូចជាចុងភៅពូកែដែលអាចចម្អិនម្ហូបឆ្ងាញ់ៗបានដោយប្រើគ្រឿងផ្សំអ្វីក៏ដោយដែលមានស្រាប់ក្នុងទូទឹកកក ដោយមិនចាំបាច់មានសៀវភៅរូបមន្តធ្វើម្ហូប។ |
| Topographic correction | ដំណើរការផ្នែកទន់ក្នុងការកែតម្រូវទិន្នន័យរូបភាពផ្កាយរណប ដើម្បីលុបបំបាត់ឥទ្ធិពលនៃស្រមោល និងការប្រែប្រួលចំណាំងផ្លាត ដែលបណ្តាលមកពីភាពរដិបរដុបនៃសណ្ឋានដី (ដូចជាជ្រលងភ្នំ ឬជម្រាលភ្នំ)។ | ដូចជាការប្រើកម្មវិធីកាត់តរូបភាព (Edit) ដើម្បីបំភ្លឺផ្ទៃមុខមនុស្សដែលថតរូបបញ្ច្រាសពន្លឺព្រះអាទិត្យឲ្យមើលឃើញច្បាស់មកវិញ។ |
| Feature Extraction | ដំណើរការនៃការបំប្លែង និងទាញយកលក្ខណៈពិសេសរបស់ទិន្នន័យរូបភាពពីទម្រង់ដើមទៅជាទម្រង់ថ្មី ដើម្បីទាញយកតែព័ត៌មានដែលចាំបាច់បំផុតក្នុងការវិភាគ និងកាត់បន្ថយទិន្នន័យដែលគ្មានប្រយោជន៍ (Noise)។ | ដូចជាការកិនចម្រាញ់យកតែទឹកផ្លែឈើ និងវីតាមីនសុទ្ធចេញពីផ្លែឈើ ដោយច្រោះចោលនូវកាកសំណល់ ដើម្បីឲ្យងាយស្រួលបរិភោគ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
