បញ្ហា (The Problem)៖ ប្រទេសនេប៉ាល់ងាយរងគ្រោះខ្លាំងដោយសារការបាក់ដីដែលបង្កឡើងដោយភ្លៀងមូសុង ហើយការប្រែប្រួលអាកាសធាតុត្រូវបានព្យាករណ៍ថានឹងធ្វើឱ្យមានភ្លៀងធ្លាក់ខ្លាំងកាន់តែធ្ងន់ធ្ងរ។ ឯកសារនេះផ្ដោតទៅលើការគូសផែនទីភាពងាយរងគ្រោះដោយការបាក់ដីនាពេលអនាគត ក្រោមសេណារីយ៉ូនៃការប្រែប្រួលអាកាសធាតុផ្សេងៗគ្នា ដើម្បីជួយដល់ការត្រៀមរៀបចំទប់ទល់នឹងគ្រោះមហន្តរាយ។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានប្រើប្រាស់ក្បួនដោះស្រាយយន្តការសិក្សា (Machine Learning) ប្រភេទ XGBoost រួមជាមួយនឹងកត្តាបង្កការបាក់ដីចំនួន ១២ និងម៉ូដែលអាកាសធាតុ CMIP6 ដើម្បីបង្កើតផែនទីភាពងាយរងគ្រោះនៅស្រុក Lamjung។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| XGBoost (Extreme Gradient Boosting) ក្បួនដោះស្រាយយន្តការសិក្សាប្រភេទដើមឈើ (Tree-based Ensemble Machine Learning) |
មានសមត្ថភាពខ្ពស់ក្នុងការកាត់បន្ថយការរៀនទន្ទេញ (Overfitting) និងផ្តល់នូវភាពត្រឹមត្រូវខ្ពស់បំផុតសម្រាប់ការទស្សន៍ទាយគ្រោះធម្មជាតិ។ | ទាមទារទិន្នន័យច្រើននិងមានភាពស្មុគស្មាញក្នុងការកំណត់ប៉ារ៉ាម៉ែត្រ (Hyperparameter tuning) ជាងម៉ូដែលធម្មតា។ | សម្រេចបានភាពត្រឹមត្រូវ (Accuracy) ៩៣.៨% និងផ្ទៃក្រោមខ្សែកោង (AUC) រហូតដល់ ៩៨.១% សម្រាប់ការគូសផែនទី។ |
| Traditional ML Models (LR, SVM, RF) ម៉ូដែលយន្តការសិក្សាបែបប្រពៃណី (ដូចជា Logistic Regression, Support Vector Machine និង Random Forest ដែលបានលើកឡើងក្នុងការសិក្សាប្រៀបធៀប) |
ងាយស្រួលក្នុងការស្វែងយល់ ការអនុវត្ត និងមិនសូវត្រូវការកម្លាំងម៉ាស៊ីនកុំព្យូទ័រខ្លាំងក្នុងការដំណើរការ។ | មានដំណើរការនិងប្រសិទ្ធភាពទាបជាងបន្តិចក្នុងការចាប់យកទំនាក់ទំនងស្មុគស្មាញនៃកត្តាបង្កការបាក់ដី បើធៀបនឹង XGBoost។ | ត្រូវបានបង្ហាញតាមរយៈឯកសារយោងថា មានសមត្ថភាពទាបជាងក្នុងការទស្សន៍ទាយបើប្រៀបធៀបជាមួយវិធីសាស្ត្រ XGBoost។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ឯកសារនេះមិនបានបញ្ជាក់ពីទំហំកម្លាំងម៉ាស៊ីនជាក់លាក់ទេ ប៉ុន្តែការអនុវត្តវិធីសាស្ត្រនេះទាមទារនូវកម្មវិធីជំនាញ និងទិន្នន័យភូមិសាស្ត្ររួមបញ្ចូលគ្នាដ៏ច្រើន។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅតំបន់ជួរភ្នំហិម៉ាល័យនៃស្រុក Lamjung ប្រទេសនេប៉ាល់ ដែលជាតំបន់មានរចនាសម្ព័ន្ធភូមិសាស្ត្រផុយស្រួយ និងទទួលរងភ្លៀងមូសុងយ៉ាងខ្លាំងក្លា។ ទោះបីជាប្រទេសកម្ពុជាមិនមានភូមិសាស្ត្រភ្នំខ្ពស់ដូចនេប៉ាល់ក៏ដោយ ប៉ុន្តែទិន្នន័យនៃឥទ្ធិពលទឹកភ្លៀងមូសុងទៅលើជម្រាលដី គឺមានលក្ខណៈប្រហាក់ប្រហែលគ្នានិងមានសារៈសំខាន់ខ្លាំងសម្រាប់តំបន់ខ្ពង់រាបនៅកម្ពុជា។
វិធីសាស្ត្រនៃការរួមបញ្ចូលម៉ូដែលអាកាសធាតុជាមួយ Machine Learning នេះ មានសក្តានុពលខ្ពស់ក្នុងការយកមកអនុវត្តនៅប្រទេសកម្ពុជា ដើម្បីពង្រឹងការគ្រប់គ្រងហានិភ័យគ្រោះមហន្តរាយ។
សរុបមក ការអនុវត្តវិធីសាស្ត្រនេះនឹងផ្តល់នូវមូលដ្ឋានទិន្នន័យរឹងមាំមួយ ជួយដល់អ្នកធ្វើការសម្រេចចិត្តក្នុងការកាត់បន្ថយហានិភ័យនិងការពារអាយុជីវិតប្រជាជននៅកម្ពុជា។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| XGBoost | ក្បួនដោះស្រាយយន្តការសិក្សា (Machine Learning) ប្រភេទដើមឈើសម្រេចចិត្ត (Decision Trees) ដែលធ្វើការផ្គុំគ្នានិងរៀនពីកំហុសរបស់ម៉ូដែលមុនៗ ដើម្បីទស្សន៍ទាយលទ្ធផលបានកាន់តែច្បាស់លាស់ និងកាត់បន្ថយបញ្ហា Overfitting។ | ដូចជាក្រុមសិស្សពិភាក្សាគ្នាធ្វើលំហាត់ ដោយសិស្សម្នាក់ៗជួយកែតម្រូវកំហុសរបស់សិស្សមុនៗ រហូតទទួលបានចម្លើយត្រឹមត្រូវបំផុត។ |
| Landslide Susceptibility Mapping (LSM) | ដំណើរការនៃការប្រើប្រាស់ទិន្នន័យភូមិសាស្ត្រ អាកាសធាតុ និងប្រវត្តិបាក់ដី ដើម្បីគណនា និងបង្កើតជាផែនទីបង្ហាញពីកម្រិតហានិភ័យ ឬតំបន់ដែលងាយនឹងរងគ្រោះដោយការបាក់ដីនៅពេលអនាគត។ | ដូចជាការគូសផែនទីបង្ហាញតំបន់ដែលឧស្សាហ៍មានគ្រោះថ្នាក់ចរាចរណ៍ ដើម្បីឲ្យអ្នកដំណើរប្រុងប្រយ័ត្នពេលឆ្លងកាត់ទីនោះ។ |
| CMIP6 | គម្រោងសហការអន្តរជាតិដែលប្រមូលផ្តុំម៉ូដែលអាកាសធាតុពីជុំវិញពិភពលោក ដើម្បីព្យាករណ៍ពីការប្រែប្រួលអាកាសធាតុ ដូចជាសីតុណ្ហភាព និងបរិមាណទឹកភ្លៀងនៅទសវត្សរ៍ក្រោយៗ។ | ដូចជាការប្រមូលផ្តុំគ្រូទាយអាកាសធាតុពូកែៗមកពីជុំវិញពិភពលោក ដើម្បីទស្សន៍ទាយរួមគ្នាថាតើឆ្នាំក្រោយៗនឹងមានភ្លៀងធ្លាក់កម្រិតណា។ |
| Shared Socio-economic Pathways (SSPs) | សេណារីយ៉ូ ឬផ្លូវជ្រើសរើសនៃការអភិវឌ្ឍសេដ្ឋកិច្ចនិងសង្គមនាពេលអនាគត ដែលត្រូវបានប្រើដើម្បីប៉ាន់ស្មានពីបរិមាណនៃការបញ្ចេញឧស្ម័នផ្ទះកញ្ចក់ និងផលប៉ះពាល់នៃការប្រែប្រួលអាកាសធាតុ (ឧទាហរណ៍ SSP245 គឺការបញ្ចេញឧស្ម័នកម្រិតមធ្យម និង SSP585 គឺកម្រិតខ្ពស់បំផុត)។ | ដូចជាការបង្កើតជម្រើសសាច់រឿងអនាគតពីរ៖ មួយគឺមនុស្សខំដាំដើមឈើនិងការពារបរិស្ថាន ហើយមួយទៀតគឺមនុស្សបន្តកាប់បំផ្លាញនិងបង្កើតការបំពុលយ៉ាងខ្លាំង។ |
| Area under the Curve (AUC) | រង្វាស់រង្វាល់មួយនៅក្នុងស្ថិតិដែលប្រើសម្រាប់វាយតម្លៃសមត្ថភាពរបស់ម៉ូដែល Machine Learning ថាតើវាអាចបែងចែកបានត្រឹមត្រូវកម្រិតណារវាងតំបន់ដែលមាន និងគ្មានការបាក់ដី។ | ដូចជាពិន្ទុប្រឡងសញ្ញាបត្ររបស់សិស្សម្នាក់អញ្ចឹង បើបានពិន្ទុ ៩៨/១០០ មានន័យថាសិស្សនោះពិតជាមានសមត្ថភាពខ្ពស់ក្នុងការឆ្លើយសំណួរបានត្រឹមត្រូវ។ |
| Digital Elevation Model (DEM) | ទិន្នន័យរូបភាពជាទម្រង់ឌីជីថលដែលតំណាងឱ្យកម្ពស់និងទម្រង់នៃផ្ទៃដី ដោយមិនរាប់បញ្ចូលដើមឈើ ឬអគារឡើយ ដែលគេប្រើវាដើម្បីគណនាកម្រិតជម្រាល និងមុខទឹកហូរ។ | ដូចជាការយកក្រណាត់ទៅគ្របលើគំនូរខ្សាច់ ដើម្បីមើលឲ្យច្បាស់ពីទម្រង់ភ្នំ ជ្រលង និងទីទួល ដោយមិនខ្វល់ពីរបស់រាយប៉ាយនៅលើនោះ។ |
| Bias Correction | ដំណើរការគណនាកែតម្រូវទិន្នន័យព្យាករណ៍អាកាសធាតុខ្នាតធំ (GCM) ឱ្យស្របទៅនឹងទិន្នន័យជាក់ស្តែងក្នុងតំបន់តូចមួយ ដើម្បីកាត់បន្ថយភាពល្អៀង ឬកំហុសឆ្គងមុននឹងយកទៅប្រើប្រាស់ក្នុងម៉ូដែល។ | ដូចជាការសារ៉េនាឡិកាដៃរបស់អ្នកដែលដើរលឿនជាងម៉ោងធម្មតា ៥នាទី ឱ្យត្រូវជាមួយនឹងម៉ោងស្តង់ដារនៅលើទូរស័ព្ទដៃវិញ។ |
| Spatial overlay analysis | បច្ចេកទេសក្នុងប្រព័ន្ធព័ត៌មានភូមិសាស្ត្រ (GIS) ដែលយកស្រទាប់ផែនទីច្រើន (ដូចជាផែនទីហានិភ័យបាក់ដី និងផែនទីផ្លូវថ្នល់) មកត្រួតស៊ីគ្នា ដើម្បីរកមើលទំនាក់ទំនង ឬតំបន់ដែលរងផលប៉ះពាល់។ | ដូចជាការយកផ្ទាំងកញ្ចក់ថ្លាដែលគូសគំនូសផ្សេងៗគ្នា (មួយគូសតំបន់គ្រោះថ្នាក់ មួយគូសផ្លូវ) មកដាក់ត្រួតលើគ្នា ដើម្បីមើលថាផ្លូវណាខ្លះឆ្លងកាត់តំបន់គ្រោះថ្នាក់។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
