បញ្ហា (The Problem)៖ ការសិក្សានេះផ្តោតលើការវាស់ស្ទង់ស្តុកកាបូន និងជីវម៉ាសលើដី (AGB) ឲ្យបានច្បាស់លាស់ សម្រាប់ប្រព័ន្ធតាមដាន ធ្វើរបាយការណ៍ និងផ្ទៀងផ្ទាត់ (MRV) នៃកម្មវិធី REDD+ ដោយប្រៀបធៀបព្រៃឈើគ្រប់គ្រងដោយសហគមន៍ និងរដ្ឋ។
វិធីសាស្ត្រ (The Methodology)៖ អ្នកស្រាវជ្រាវបានប្រើប្រាស់ការវិភាគរូបភាពផ្អែកលើវត្ថុ (OBIA) ដោយរួមបញ្ចូលរូបភាពផ្កាយរណបកម្រិតច្បាស់ខ្ពស់ខ្លាំង (VHRS) ជាមួយទិន្នន័យ Lidar តាមអាកាស ដើម្បីធ្វើការប៉ាន់ស្មាន។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Integration of VHRS and Airborne LiDAR using OBIA ការរួមបញ្ចូលរូបភាពផ្កាយរណបកម្រិតច្បាស់ខ្លាំង (VHRS) និងទិន្នន័យ LiDAR តាមរយៈការវិភាគ OBIA |
មានភាពត្រឹមត្រូវខ្ពស់ក្នុងការកំណត់រាងមកុដដើមឈើ (CPA) នីមួយៗ និងកម្ពស់ដើមឈើ ហើយមិនងាយរងឥទ្ធិពលតិត្ថិភាពសញ្ញា (Signal Saturation) ក្នុងព្រៃក្រាស់ៗ។ កាត់បន្ថយទំហំនៃការចុះវាស់វែងផ្ទាល់។ | ទាមទារការចំណាយខ្ពស់ក្នុងការប្រមូលទិន្នន័យ LiDAR និង VHRS ព្រមទាំងត្រូវការអ្នកជំនាញកម្រិតខ្ពស់ និងកម្មវិធីកុំព្យូទ័រពិសេស (eCognition)។ | កម្ពស់ដើមឈើពី LiDAR ពន្យល់បាន ៧៦% នៃកម្ពស់ជាក់ស្តែង (RMSE=៣.៨៤m) ហើយភាពត្រឹមត្រូវនៃការកាត់បំបែករូបភាព (Segmentation) ទទួលបាន ៧៩%។ |
| Traditional Field Inventory ការចុះវាស់វែងនិងធ្វើសារពើភ័ណ្ឌព្រៃឈើផ្ទាល់នៅទីវាល |
ផ្តល់ទិន្នន័យជាក់ស្តែងនិងមានភាពត្រឹមត្រូវបំផុតសម្រាប់កម្រិតកွက်គំរូ (Plot-level) ដែលចាំបាច់សម្រាប់ការផ្ទៀងផ្ទាត់ និងបង្កើតម៉ូដែល។ | ចំណាយពេលយូរ ត្រូវការកម្លាំងពលកម្មច្រើន និងពិបាកអនុវត្តក្នុងតំបន់ទ្រង់ទ្រាយធំ ឬតំបន់ដែលពិបាកចូលទៅដល់។ | បានរកឃើញថា ព្រៃសហគមន៍មានដង់ស៊ីតេដើមឈើ ៣៩៧ ដើម/ហិកតា ធៀបនឹងព្រៃគ្រប់គ្រងដោយរដ្ឋដែលមានត្រឹមតែ ១២០ ដើម/ហិកតា។ |
| Medium/Coarse Resolution Optical Remote Sensing ការប្រើប្រាស់រូបភាពផ្កាយរណបអុបទិកកម្រិតមធ្យម/ទាប (ឧ. Landsat) |
ទិន្នន័យអាចរកបានដោយឥតគិតថ្លៃ គ្របដណ្តប់ផ្ទៃដីធំទូលាយ និងមានទិន្នន័យជាស៊េរីប្រវត្តិសាស្ត្រយូរអង្វែង។ | មិនអាចចាប់យករូបរាងមកុដដើមឈើនីមួយៗបាន ជួបបញ្ហាតិត្ថិភាពសញ្ញា (Data Saturation) ក្នុងតំបន់ព្រៃក្រាស់ និងមិនសូវច្បាស់លាស់សម្រាប់ការវាស់វែងជីវម៉ាសកម្រិតមូលដ្ឋាន។ | មិនស័ក្តិសមសម្រាប់ការអនុវត្តប្រព័ន្ធតាមដាន MRV នៃគម្រោង REDD+ ដែលទាមទារភាពសុក្រឹតខ្ពស់នៅកម្រិតមូលដ្ឋានឡើយ (យោងតាមការពិភាក្សាក្នុងឯកសារ)។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តវិធីសាស្ត្រនេះទាមទារការវិនិយោគហិរញ្ញវត្ថុខ្ពស់លើការទិញទិន្នន័យរូបភាព និងឧបករណ៍បច្ចេកវិទ្យាទំនើបៗ។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅក្នុងតំបន់ព្រៃល្បោះសើម (Subtropical broadleaved forest) នៃទីជម្រាល Kayerkhola ខេត្ត Chitwan ប្រទេសនេប៉ាល់ ដែលភាគច្រើនគ្របដណ្តប់ដោយដើមច្បោះ (Shorea robusta)។ សមីការ Allometric និងទំនាក់ទំនងរវាងមកុដដើមឈើទៅនឹងជីវម៉ាស គឺមានលក្ខណៈជាក់លាក់ទៅតាមប្រភេទពូជឈើ និងស្ថានភាពភូមិសាស្ត្រ។ ដូច្នេះ ការយកមកអនុវត្តនៅកម្ពុជាទាមទារឲ្យមានការកែសម្រួល (Calibration) ទៅតាមប្រភេទព្រៃឈើក្នុងស្រុក។
វិធីសាស្ត្រប្រើប្រាស់ VHRS និង LiDAR នេះមានសក្តានុពលខ្ពស់សម្រាប់ប្រទេសកម្ពុជា ពិសេសក្នុងការគាំទ្រគម្រោង REDD+ ដែលទាមទារស្តង់ដារកម្រិតខ្ពស់ (Tier 3) សម្រាប់ការចូលទីផ្សារកាបូន។
ថ្វីត្បិតតែការទិញទិន្នន័យ LiDAR និងរូបភាពកម្រិតច្បាស់ខ្លាំងមានតម្លៃថ្លៃ ប៉ុន្តែវាផ្តល់នូវទិន្នន័យដែលអាចទុកចិត្តបានខ្ពស់ (MRV System) ដែលជាគន្លឹះសំខាន់សម្រាប់កម្ពុជាក្នុងការទាញយកប្រយោជន៍ពីហិរញ្ញប្បទានអាកាសធាតុពិភពលោក។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Above ground biomass | ទម្ងន់សរុបនៃរុក្ខជាតិមានជីវិតទាំងអស់ដែលដុះនៅលើយន្តនីវ៉ូដី (រួមមាន ដើម មែក និងស្លឹក) ក្នុងតំបន់មួយ ដែលជួយតំណាងឱ្យបរិមាណកាបូនសរុបដែលព្រៃឈើអាចស្រូបទុកបាន ដើម្បីប្រើក្នុងការគណនាឥណទានកាបូន។ | ដូចជាការថ្លឹងទម្ងន់ផ្នែកខាងលើរបស់ដើមឈើទាំងអស់បញ្ជូលគ្នា ដើម្បីចង់ដឹងថាតើព្រៃនោះផ្ទុកសារធាតុសរីរាង្គទំហំប៉ុនណា។ |
| Airborne LiDAR | បច្ចេកវិទ្យាប្រមូលទិន្នន័យពីចម្ងាយដោយការបាញ់ពន្លឺឡាស៊ែរពីយន្តហោះមកលើផ្ទៃដី ដើម្បីវាស់ចម្ងាយ និងបង្កើតជារូបភាពត្រីមាត្រ (3D) ដែលអាចប្រាប់ពីកម្ពស់ និងរចនាសម្ព័ន្ធស្រទាប់ព្រៃឈើយ៉ាងច្បាស់លាស់។ | ដូចជាសត្វប្រចៀវបញ្ចេញសំឡេងដើម្បីស្ទាបស្ទង់ទីតាំងវត្ថុក្នុងទីងងឹតដែរ ប៉ុន្តែបច្ចេកវិទ្យានេះប្រើប្រាស់ពន្លឺឡាស៊ែរពីយន្តហោះដើម្បីវាស់កម្ពស់ដើមឈើវិញ។ |
| Synthetic Aperture Radar | ប្រព័ន្ធរ៉ាដាផ្កាយរណបសកម្មដែលបញ្ចេញរលកសញ្ញា (Microwave) អាចឆ្លងកាត់ពពក និងស្លឹកឈើ ដើម្បីវាស់ស្ទង់ទម្រង់ដើមឈើ និងបរិមាណជីវម៉ាសផ្ទៃដី ដោយមិនរងឥទ្ធិពលពីលក្ខខណ្ឌអាកាសធាតុឬពេលយប់ឡើយ។ | ដូចជាម៉ាស៊ីនថតកាំរស្មីអ៊ិច (X-ray) ដែលអាចឆ្លុះមើលរចនាសម្ព័ន្ធដើមឈើពីលើលំហ ទោះបីជាមានពពកក្រាស់បាំង ឬមេឃងងឹតក៏ដោយ។ |
| Object based image analysis | វិធីសាស្ត្រវិភាគរូបភាពផ្កាយរណបដោយផ្តុំភីកសែល (Pixels) ដែលមានលក្ខណៈដូចគ្នាជាក្រុមៗ ដើម្បីបង្កើតជាវត្ថុមានន័យ (ឧទាហរណ៍៖ រូបរាងមកុដដើមឈើនីមួយៗ) ជាជាងការវិភាគលើភីកសែលនីមួយៗដាច់ពីគ្នា ដែលជួយឱ្យការកំណត់ប្រភេទព្រៃមានភាពត្រឹមត្រូវខ្ពស់។ | ដូចជាការផ្គុំរូបកាត់ (Jigsaw puzzle) ដែលយើងមើលរូបរាងទាំងមូលនៃដុំនីមួយៗ ជាជាងមើលត្រឹមតែចំណុចពណ៌តូចៗដាច់ដោយឡែកពីគ្នា។ |
| Allometric equations | សមីការគណិតវិទ្យាដែលគេប្រើដើម្បីប៉ាន់ស្មានទម្ងន់ជីវម៉ាសរបស់ដើមឈើទាំងមូល ដោយគ្រាន់តែបញ្ចូលទិន្នន័យនៃការវាស់វែងជាក់ស្តែងដែលងាយស្រួលរក ដូចជាទំហំមុខកាត់ដើមឈើកម្ពស់ដើមទ្រូង (DBH) និងកម្ពស់ដើមជាដើម។ | ដូចជារូបមន្តដែលគ្រូពេទ្យប្រើដើម្បីស្មានទម្ងន់ក្មេង តាមរយៈការយកកម្ពស់ និងទំហំចង្កេះរបស់គេមកគណនាដោយមិនចាំបាច់ដាក់លើជញ្ជីង។ |
| Canopy projected area | ទំហំផ្ទៃដីសរុបដែលត្រូវបានគ្របដណ្តប់ដោយស្រមោលបញ្ឈរនៃមកុដដើមឈើ (ស្លឹក និងមែក) ដែលទិន្នន័យនេះជួយដល់ការទស្សន៍ទាយដង់ស៊ីតេ និងជីវម៉ាសរបស់ដើមឈើតាមរយៈរូបភាពពីលំហ។ | ដូចជារង្វង់ស្រមោលនៃឆ័ត្រមួយដែលធ្លាក់មកលើដីនៅពេលដែលព្រះអាទិត្យចាំងចំពីលើក្បាល។ |
| Normalized Difference Vegetation Index | សន្ទស្សន៍រង្វាស់ពីផ្កាយរណបដែលប្រើប្រាស់កម្រិតចំណាំងផ្លាតនៃពន្លឺក្រហម និងពន្លឺអ៊ីនហ្វ្រាក្រហម (NIR) ដើម្បីវាយតម្លៃពីកម្រិតភាពបៃតង សុខភាព និងដង់ស៊ីតេរបស់រុក្ខជាតិនៅក្នុងតំបន់ណាមួយ។ | ដូចជាទែម៉ូម៉ែត្រសម្រាប់វាស់កម្រិតសុខភាពរបស់ព្រៃឈើ ដោយមើលថាវាមានពណ៌បៃតងស្រស់កម្រិតណា។ |
| REDD+ | យន្តការអន្តរជាតិមួយដែលបង្កើតឡើងដើម្បីផ្តល់អត្ថប្រយោជន៍ហិរញ្ញវត្ថុដល់ប្រទេសកំពុងអភិវឌ្ឍន៍ ជាថ្នូរនឹងការកាត់បន្ថយការបញ្ចេញកាបូន តាមរយៈការទប់ស្កាត់ការកាប់បំផ្លាញព្រៃឈើ ការធ្វើឱ្យខូចគុណភាពព្រៃឈើ និងការលើកកម្ពស់ការគ្រប់គ្រងព្រៃឈើប្រកបដោយនិរន្តរភាព។ | ដូចជាប្រព័ន្ធផ្តល់ប្រាក់រង្វាន់លើកទឹកចិត្តដល់ប្រទេសដែលខិតខំថែរក្សាព្រៃឈើរបស់ខ្លួនកុំឱ្យបាត់បង់ ដើម្បីជួយការពារបរិស្ថានផែនដីទាំងមូល។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
