បញ្ហា (The Problem)៖ ការស្រាវជ្រាវនេះដោះស្រាយបញ្ហានៃការវាយតម្លៃសក្តានុពលនៃការស្តុកទុកកាបូន និងជីវម៉ាសលើដីនៅក្នុងប្រព័ន្ធអេកូឡូស៊ីព្រៃឈើផ្សេងៗគ្នា ដើម្បីគាំទ្រដល់ការអភិរក្ស និងការកាត់បន្ថយឧស្ម័នផ្ទះកញ្ចក់ពីការបាត់បង់ព្រៃឈើ។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានធ្វើការប្រៀបធៀបទិន្នន័យដែលទទួលបានពីការធ្វើសារពើភណ្ឌព្រៃឈើដោយផ្ទាល់ ជាមួយនឹងការវិភាគទិន្នន័យរូបភាពផ្កាយរណបតាមរយៈបច្ចេកវិទ្យាតេឡេតាមដាន។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Forest Inventory (Allometric Equations) ការធ្វើសារពើភណ្ឌព្រៃឈើ (ការវាស់វែងជាក់ស្តែង) |
ផ្តល់ទិន្នន័យជាក់ស្តែងមានភាពត្រឹមត្រូវខ្ពស់ និងដើរតួជាទិន្នន័យគោល (Ground truth) ដ៏សំខាន់សម្រាប់ផ្ទៀងផ្ទាត់ភាពត្រឹមត្រូវ។ | ទាមទារការចំណាយពេលវេលា ថវិកា និងកម្លាំងពលកម្មច្រើន ព្រមទាំងជួបការលំបាកក្នុងការវាស់វែងនៅតំបន់ព្រៃក្រាស់ ជម្រាលភ្នំ ឬតំបន់គ្រោះថ្នាក់។ | បានគណនារកឃើញថា ព្រៃស្រោងសើមមានមធ្យមភាគជីវម៉ាសលើដីខ្ពស់បំផុតរហូតដល់ ៣៣៦.០៧ តោន/ហិកតា។ |
| Remote Sensing (Vegetation Indices Regression) តេឡេតាមដាន (សន្ទស្សន៍រុក្ខជាតិពីផ្កាយរណប) |
អាចវាយតម្លៃសក្តានុពលព្រៃឈើលើផ្ទៃដីធំទូលាយបានយ៉ាងលឿន សន្សំសំចៃថវិកាខ្ពស់ និងអាចតាមដានការប្រែប្រួលជាប្រចាំ។ | ត្រូវការទិន្នន័យវាស់វែងជាក់ស្តែងពីទីវាលដើម្បីមកធ្វើការថ្លឹងថ្លែងម៉ូដែល និងអាចរងឥទ្ធិពលរំខានពីគម្របពពក ឬលក្ខខណ្ឌបរិយាកាស។ | បានបង្កើតសមីការតំរែតម្រង់ (Regression models) ដែលអាចទាញយកទំនាក់ទំនងយ៉ាងជិតស្និទ្ធ (ឧ. R² = 0.875 សម្រាប់ LAI ព្រៃเต็งรัง ជាមួយទិន្នន័យពន្លឺអាំងហ្វ្រារ៉េដ NIR)។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះទាមទារការរួមបញ្ចូលគ្នានូវធនធានសម្រាប់ការចុះវាស់វែងទីវាល និងផ្នែកទន់កុំព្យូទ័រសម្រាប់ការវិភាគរូបភាពពីផ្កាយរណបកម្រិតខ្ពស់។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅក្នុងឧទ្យានជាតិ Kaeng Krachan ដែលជាតំបន់ជួរភ្នំជាប់ព្រំដែនថៃ-មីយ៉ាន់ម៉ា ដែលមានព្រៃចម្រុះជាច្រើនប្រភេទ។ ទិន្នន័យជីវម៉ាស និងសន្ទស្សន៍ដែលរកឃើញនេះ គឺឆ្លុះបញ្ចាំងពីលក្ខណៈរូបសាស្ត្រព្រៃឈើក្នុងតំបន់អាស៊ីអាគ្នេយ៍ដីគោកដោយផ្ទាល់ ដែលធ្វើឲ្យវាមានភាពស៊ីសង្វាក់គ្នាយ៉ាងខ្លាំងទៅនឹងប្រព័ន្ធអេកូឡូស៊ីព្រៃឈើនៅកម្ពុជា។
វិធីសាស្ត្ររួមបញ្ចូលការវាស់វែងផ្ទាល់ និងការវិភាគរូបភាពផ្កាយរណបនេះ គឺមានភាពចាំបាច់ និងមានអត្ថប្រយោជន៍យ៉ាងធំធេងសម្រាប់ការងារអភិរក្សនៅប្រទេសកម្ពុជា។
ការបំពាក់បំប៉នជំនាញតេឡេតាមដានដល់និស្សិតកម្ពុជា គឺជាគន្លឹះឆ្ពោះទៅរកការគ្រប់គ្រងធនធានធម្មជាតិប្រកបដោយតម្លាភាព និងប្រសិទ្ធភាពខ្ពស់ ឆ្លើយតបទៅនឹងគោលដៅកាត់បន្ថយឧស្ម័នផ្ទះកញ្ចក់ជាសកល។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Above-Ground Biomass (AGB) | បរិមាណទម្ងន់ស្ងួតសរុបរបស់រុក្ខជាតិមានជីវិតទាំងអស់ដែលនៅលេចចេញពីលើដី (រួមមានដើម មែក និងស្លឹក) ដោយមិនរាប់បញ្ចូលឫសក្រោមដី ត្រូវបានប្រើដើម្បីវាយតម្លៃបរិមាណសាច់ឈើ និងកាបូនដែលព្រៃស្តុកទុក។ | ប្រៀបដូចជាការថ្លឹងទម្ងន់ផ្នែកខាងលើរបស់ដើមឈើទាំងអស់ក្នុងព្រៃ (ដោយបិតជាតិទឹកចេញ) ដើម្បីដឹងថាព្រៃនោះមានសាច់ឈើសរុបប៉ុន្មាន។ |
| Leaf Area Index (LAI) | សន្ទស្សន៍ដែលវាស់ទំហំផ្ទៃស្លឹករុក្ខជាតិសរុបធៀបនឹងទំហំផ្ទៃដីខាងក្រោម។ វាជួយឲ្យអ្នកស្រាវជ្រាវវាយតម្លៃពីសមត្ថភាពធ្វើរស្មីសំយោគ លទ្ធភាពស្រូបយកកាបូន និងការលូតលាស់របស់ប្រព័ន្ធអេកូឡូស៊ីព្រៃឈើ។ | ដូចជាការវាស់ទំហំតង់ដំបូលដែលលាតសន្ធឹងគ្របពីលើដីអញ្ចឹងដែរ បើដំបូល(ស្លឹក)កាន់តែធំ និងក្រាស់ ម្លប់កាន់តែច្រើន។ |
| Carbon Sequestration | ដំណើរការដែលរុក្ខជាតិស្រូបយកឧស្ម័នកាបូនឌីអុកស៊ីត (CO2) ពីបរិយាកាសតាមរយៈរស្មីសំយោគ ហើយរក្សាទុកវាក្នុងទម្រង់ជាសាច់ឈើ (ជីវម៉ាស) ដែលដើរតួនាទីយ៉ាងសំខាន់ក្នុងការជួយកាត់បន្ថយការកើនឡើងកម្ដៅផែនដី។ | ដូចជាម៉ាស៊ីនបូមធូលីដែលបូមយកឧស្ម័នពុលកាបូនពីខ្យល់អាកាស មកលាក់ទុកក្នុងដើមឈើដើម្បីធ្វើឲ្យផែនដីត្រជាក់។ |
| Remote Sensing | បច្ចេកវិទ្យាប្រមូលទិន្នន័យពីផ្ទៃផែនដីដោយមិនចាំបាច់ចុះទៅប៉ះផ្ទាល់ តាមរយៈការប្រើប្រាស់ឧបករណ៍ចាប់សញ្ញា (Sensors) បំពាក់លើផ្កាយរណប ឬយន្តហោះ ដែលចាប់យករលកចំណាំងផ្លាតពន្លឺពីវត្ថុផ្សេងៗដើម្បីយកមកវិភាគ។ | ដូចជាការពិនិត្យមើលរូបរាង និងសុខភាពព្រៃឈើពីលើមេឃ ដោយប្រើម៉ាស៊ីនថតកម្រិតខ្ពស់ ទោះជានៅឆ្ងាយរាប់រយគីឡូម៉ែត្រក៏ដោយ។ |
| Allometric equations | រូបមន្តគណិតវិទ្យាដែលប្រើសម្រាប់ប៉ាន់ស្មានទម្ងន់ ទំហំ ឬជីវម៉ាសរបស់ដើមឈើទាំងមូល ដោយពឹងផ្អែកលើការវាស់វែងត្រឹមតែមុខកាត់ដើម (DBH) និងកម្ពស់ដើមឈើ ដោយមិនចាំបាច់កាប់រំលំដើមឈើដើម្បីថ្លឹងនោះទេ។ | ដូចជាការទាយទម្ងន់មនុស្សម្នាក់ដោយគ្រាន់តែវាស់កម្ពស់ និងទំហំចង្កេះរបស់គេ តាមរយៈរូបមន្តដែលគេបានស្រាវជ្រាវទុកជាមុន។ |
| Vegetation Index | សន្ទស្សន៍រុក្ខជាតិ (ដូចជា NDVI) គឺជាការប្រើប្រាស់រូបមន្តគណិតវិទ្យាទៅលើតម្លៃចំណាំងផ្លាតនៃពន្លឺ (ពន្លឺមើលឃើញ និងពន្លឺអាំងហ្វ្រារ៉េដ) ពីរូបភាពផ្កាយរណប ដើម្បីគូសផែនទីនិងវាយតម្លៃកម្រិតភាពបៃតង ភាពក្រាស់ និងសុខភាពរបស់រុក្ខជាតិ។ | ដូចជាឧបករណ៍ពិនិត្យសុខភាពដែលប្រាប់យើងថា ព្រៃឈើនៅតំបន់ណាមួយមានសភាពបៃតងស្រស់ល្អ ឬកំពុងតែរេចរឹល។ |
| Important Value Index (IVI) | សន្ទស្សន៍តម្លៃសំខាន់ គឺជារង្វាស់ដែលគណនាចេញពីកម្រិតដង់ស៊ីតេ ភាពញឹកញាប់ និងភាពលេចធ្លោរបស់រុក្ខជាតិ ដើម្បីបង្ហាញពីឥទ្ធិពល និងភាពជោគជ័យនៃប្រភេទរុក្ខជាតិណាមួយនៅក្នុងសហគមន៍ព្រៃឈើ។ | ដូចជាការដាក់ពិន្ទុរង្វាន់ដល់សិស្ស ដើម្បីរកមើលថាប្រភេទដើមឈើណាដែលជាសិស្សលេចធ្លោ និងមានឥទ្ធិពលជាងគេប្រចាំសហគមន៍ព្រៃឈើ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
