បញ្ហា (The Problem)៖ ឯកសារនេះដោះស្រាយបញ្ហានៃការកង្វះទិន្នន័យត្រួតពិនិត្យព្រៃឈើច្បាស់លាស់ ដោយស្នើឡើងនូវវិធីសាស្ត្រគណនាកម្រិតយោងនៃការបញ្ចេញឧស្ម័នកាបូនសម្រាប់ការអនុវត្តគម្រោង REDD+ នៅក្នុងប្រទេសនេប៉ាល់។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះប្រើប្រាស់វិធីសាស្ត្ររួមបញ្ចូលគ្នារវាងទិន្នន័យពីបច្ចេកវិទ្យា LiDAR រូបភាពផ្កាយរណប និងការចុះវាស់វែងផ្ទាល់នៅទីវាល ដើម្បីប៉ាន់ប្រមាណជីវម៉ាស និងស្តុកកាបូនព្រៃឈើប្រកបដោយភាពត្រឹមត្រូវ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| LiDAR-Assisted Multi-source Program (LAMP) កម្មវិធីប្រភពចម្រុះជំនួយដោយ LiDAR (ការរួមបញ្ចូលទិន្នន័យ LiDAR ផ្កាយរណប និងទីវាល) |
មានភាពត្រឹមត្រូវខ្ពស់ ចំណាយតិចជាងការស្កេនផ្ទៃដីទាំងមូល និងងាយស្រួលសម្រាប់ការវាស់វែង MRV នាពេលអនាគតដោយប្រើតែទិន្នន័យផ្កាយរណប។ | នៅតែទាមទារការវិនិយោគទុនដំបូងខ្ពស់សម្រាប់ការហោះហើរស្កេន LiDAR តាមប្លុកគំរូ និងការប្រមូលទិន្នន័យទីវាល។ | ទទួលបានមេគុណកម្រិត R² = 0.90 និងអត្រាកំហុស Relative RMSE ត្រឹមតែ 19.1% ប៉ុណ្ណោះ។ |
| Wall-to-wall LiDAR Mapping ការស្កេន LiDAR លើផ្ទៃដីព្រៃឈើទាំងមូល |
ផ្តល់នូវភាពត្រឹមត្រូវខ្ពស់បំផុតក្នុងការប៉ាន់ប្រមាណជីវម៉ាសនៅគ្រប់ទីតាំងទាំងអស់ដោយគ្មានការចន្លោះ។ | មានតម្លៃថ្លៃខ្លាំង និងមិនសក្តិសមសម្រាប់ការអនុវត្តលើផ្ទៃដីធំទូលាយក្នុងប្រទេសកំពុងអភិវឌ្ឍន៍។ | ជាជម្រើសដែលមានតម្លៃថ្លៃបំផុត (Extremely cost-intensive) ទោះបីជាមានភាពត្រឹមត្រូវខ្ពស់ក៏ដោយ។ |
| Conventional Field Inventory វិធីសាស្ត្រវាស់វែងតាមទីវាលបែបប្រពៃណី |
មិនទាមទារការចំណាយលើបច្ចេកវិទ្យាស្កេនឡាស៊ែរទំនើប ហើយអាចអនុវត្តបានដោយអ្នកបច្ចេកទេសព្រៃឈើទូទៅ។ | មានភាពសុក្រឹតទាប ប្រើប្រាស់ពេលវេលា និងកម្លាំងពលកម្មច្រើន ហើយពិបាកធ្វើឡើងវិញជាប្រចាំសម្រាប់ការរាយការណ៍ MRV។ | កម្រិតនៃភាពត្រឹមត្រូវទាប និងមានភាពមិនប្រាកដប្រជាខ្ពស់ក្នុងការប៉ាន់ប្រមាណលើផ្ទៃដីធំ។ |
ការចំណាយលើធនធាន (Resource Cost)៖ វិធីសាស្ត្រ LAMP ទាមទារការវិនិយោគធនធានដំបូងប្រកបដោយបច្ចេកវិទ្យាខ្ពស់សម្រាប់ការប្រមូលទិន្នន័យពីលើអាកាស និងទីវាល ប៉ុន្តែមានតម្លៃថោកជាងការស្កេន LiDAR លើផ្ទៃដីទាំងមូល។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅក្នុងតំបន់ Terai Arc នៃប្រទេសនេប៉ាល់ ដែលភាគច្រើនជាប្រភេទព្រៃល្បោះ និងព្រៃស្រោងសើមអាកាសធាតុពាក់កណ្តាលត្រូពិច។ សម្រាប់ប្រទេសកម្ពុជា ការកំណត់ទម្ងន់ម៉ូដែលគណិតវិទ្យា (Allometric equations) អាចតម្រូវឱ្យមានការកែតម្រូវឡើងវិញ ដើម្បីឱ្យសមស្របទៅនឹងប្រព័ន្ធអេកូឡូស៊ីព្រៃឈើត្រូពិច ឬព្រៃលិចទឹកទោះបីជាវិធីសាស្ត្រ LAMP នេះនៅតែមានប្រសិទ្ធភាពក៏ដោយ។
វិធីសាស្ត្រគណនាកម្រិតយោង និង MRV នេះមានសក្តានុពលខ្លាំងណាស់សម្រាប់ការត្រួតពិនិត្យ និងអនុវត្តគម្រោង REDD+ នៅក្នុងប្រទេសកម្ពុជា។
វិធីសាស្ត្រនេះផ្តល់នូវជម្រើសដ៏មានប្រសិទ្ធភាពចំណាយសម្រាប់ស្ថាប័នរដ្ឋនិងអង្គការនានានៅកម្ពុជា ក្នុងការរៀបចំរបាយការណ៍កាត់បន្ថយការបញ្ចេញកាបូនដើម្បីទាក់ទាញមូលនិធិអន្តរជាតិជួយអភិរក្សព្រៃឈើ។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| LiDAR (Light Detecting and Ranging) | បច្ចេកវិទ្យាបញ្ជូនរលកពន្លឺឡាស៊ែរពីលើអាកាស (ដូចជាពីឧទ្ធម្ភាគចក្រ) ដើម្បីវាស់ស្ទង់ចំណាំងផ្លាត និងបង្កើតជារូបភាពត្រីមាត្រ (3D) ដែលបង្ហាញពីទម្រង់ផ្ទៃដីនិងកម្ពស់យ៉ាងច្បាស់លាស់នៃរចនាសម្ព័ន្ធព្រៃឈើ ដោយមិនចាំបាច់ចុះវាស់ផ្ទាល់គ្រប់ទីកន្លែង។ | វាដូចជាសត្វប្រចៀវដែលបញ្ចេញសំឡេងក្នុងទីងងឹតដើម្បីស្ទាបស្ទង់ទីតាំងវត្ថុខាងមុខ ប៉ុន្តែទីនេះគេប្រើពន្លឺឡាស៊ែរដើម្បីស្ទាបស្ទង់កម្ពស់និងទំហំព្រៃឈើវិញ។ |
| REDD+ | យន្តការអន្តរជាតិមួយដែលផ្តល់រង្វាន់ជាថវិកាដល់ប្រទេសកំពុងអភិវឌ្ឍន៍ ផ្អែកលើលទ្ធផលជាក់ស្តែងក្នុងការកាត់បន្ថយការបញ្ចេញឧស្ម័នផ្ទះកញ្ចក់ តាមរយៈការទប់ស្កាត់ការកាប់បំផ្លាញព្រៃឈើ ការអភិរក្ស និងការគ្រប់គ្រងព្រៃឈើប្រកបដោយនិរន្តរភាព។ | វាដូចជាកម្មវិធីផ្តល់ប្រាក់រង្វាន់លើកទឹកចិត្តដល់សហគមន៍ណាដែលឈប់កាប់ឈើ ហើយងាកមកការពារព្រៃឱ្យនៅរស់ដើម្បីជួយស្រូបយកខ្យល់ពុលពីបរិយាកាសវិញ។ |
| MRV (Measuring, Reporting and Verification) | ប្រព័ន្ធស្តង់ដារមួយដែលទាមទារឱ្យមានការវាស់វែងបរិមាណកាបូនព្រៃឈើបានត្រឹមត្រូវ ការរាយការណ៍តាមប្រព័ន្ធច្បាស់លាស់ និងការផ្ទៀងផ្ទាត់ដោយភាគីទីបី ដើម្បីធានាថាកម្រិតនៃការកាត់បន្ថយឧស្ម័នកាបូនគឺពិតប្រាកដមុននឹងទូទាត់ប្រាក់កម្រៃ។ | វាដូចជាសៀវភៅកត់ត្រាការងារប្រចាំខែ ដែលត្រូវឆ្លងកាត់ការត្រួតពិនិត្យ និងយល់ព្រមពីសវនករឯករាជ្យ មុនពេលដែលថៅកែព្រមបើកប្រាក់ខែឱ្យអ្នក។ |
| Above-Ground Biomass (AGB) | រង្វាស់ទម្ងន់សរុបនៃផ្នែកទាំងអស់របស់រុក្ខជាតិរស់នៅដែលមានទីតាំងនៅខាងលើផ្ទៃដីរួមមាន គល់ ដើម មែក និងស្លឹក។ វាត្រូវបានប្រើប្រាស់ជាទិន្នន័យគោលដើម្បីគណនាបរិមាណកាបូនដែលផ្ទុកដោយដើមឈើទាំងនោះ។ | គឺការប៉ាន់ស្មានថ្លឹងទម្ងន់ផ្នែកខាងលើនៃដើមឈើទាំងមូល ដើម្បីដឹងថាដើមឈើនោះមានសាច់ឈើ និងកាបូនផ្ទុកនៅទីនោះច្រើនប៉ុនណា។ |
| Forest Reference Level (RL) | កម្រិតមូលដ្ឋានជាប្រវត្តិសាស្ត្រនៃការបញ្ចេញឧស្ម័នកាបូនពីវិស័យព្រៃឈើក្នុងចន្លោះពេលណាមួយ ដែលត្រូវបានបង្កើតឡើងដើម្បីយកមកធ្វើជាបន្ទាត់ខ្នាតវាស់ធៀប ថាតើអនាគតប្រទេសមួយអាចបន្ថយការបញ្ចេញកាបូនបានកម្រិតណាពីបន្ទាត់មូលដ្ឋាននោះ។ | វាដូចជាការថ្លឹងគីឡូមុនពេលចាប់ផ្តើមហាត់ប្រាណ ដើម្បីទុកជាឯកសារយោងសម្រាប់ប្រៀបធៀបនៅខែក្រោយ ថាតើអ្នកស្រកទម្ងន់បានប៉ុន្មានគីឡូ។ |
| Spectral Mixture Analysis | ក្បួនដោះស្រាយរូបមន្តកុំព្យូទ័រ (Algorithm) ដែលបំបែកតម្លៃចំណាំងផ្លាតពន្លឺក្នុងមួយភីកសែល (Pixel) ពីរូបភាពផ្កាយរណប ដើម្បីកំណត់សមាមាត្រនៃប្រភេទវត្ថុផ្សេងៗក្នុងភីកសែលនោះ ដូចជាចំណែករុក្ខជាតិបៃតង មែកឈើងាប់ និងដីទទេ ជាដើម។ | វាដូចជាការភ្លក់ទឹកស៊ុបមួយស្លាបព្រា រួចព្យាយាមបំបែករសជាតិដើម្បីទាយថាតើក្នុងទឹកស៊ុបនោះមានលាយអំបិល ស្ករ និងម្សៅស៊ុប ក្នុងបរិមាណប៉ុន្មានភាគរយរៀងៗខ្លួន។ |
| Sparse Bayesian method | វិធីសាស្ត្រគណនាស្ថិតិម៉ូដែលកម្រិតខ្ពស់ដែលយកទិន្នន័យហ្វ្រេកង់កម្ពស់ពី LiDAR មកវិភាគតភ្ជាប់ជាមួយទិន្នន័យវាស់វែងព្រៃឈើផ្ទាល់ ដើម្បីប៉ាន់ប្រមាណបរិមាណជីវម៉ាសព្រៃឈើសរុប ដោយបន្សាបភាពលំអៀង និងផ្តល់លទ្ធផលប្រកបដោយភាពបត់បែននិងភាពជាក់លាក់ខ្ពស់។ | វាដូចជារូបមន្តទស្សន៍ទាយដ៏ឆ្លាតវៃដែលអាចប្រមូលយកតម្រុយនិងទិន្នន័យតិចតួចមកផ្គុំគ្នា ដើម្បីប៉ាន់ស្មានទាញរកចម្លើយរួមមួយដែលត្រឹមត្រូវបំផុត។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
