បញ្ហា (The Problem)៖ ការប៉ាន់ប្រមាណយ៉ាងច្បាស់លាស់នូវជីវម៉ាសរុក្ខជាតិលើដីនៃព្រៃឈើ (Aboveground Biomass - AGB) ទូទាំងពិភពលោក គឺមានសារៈសំខាន់ណាស់សម្រាប់ការស្វែងយល់ពីវដ្តកាបូនជាសកល ប៉ុន្តែវិធីសាស្ត្រពីមុនៗនៅមានកម្រិតដោយសារការខ្វះខាតទិន្នន័យ និងដែនកំណត់នៃឧបករណ៍សេនស័រអុបទិក។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានបង្កើតផែនទី AGB ជាសកល ដោយប្រើប្រាស់ម៉ូដែល Random Forest ដើម្បីរួមបញ្ចូលគ្នារវាងទិន្នន័យផ្កាយរណប និងទិន្នន័យវាស់វែងផ្ទាល់ពីដី។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Random Forest integrating Spaceborne LiDAR, Optical Data, and Ground Inventories ម៉ូដែល Random Forest រួមបញ្ចូលទិន្នន័យ LiDAR ពីអវកាស រូបភាពអុបទិក និងទិន្នន័យពីដី |
អាចទាញយករចនាសម្ព័ន្ធកម្ពស់ព្រៃឈើបញ្ឈរបានយ៉ាងល្អ និងដោះស្រាយបញ្ហា Saturation Effect ដែលមានក្នុងឧបករណ៍សេនស័រផ្សេងៗ។ | ទាមទារកម្លាំងកុំព្យូទ័រខ្ពស់ក្នុងការដំណើរការម៉ូដែល និងត្រូវពឹងផ្អែកលើបច្ចេកទេសពង្រីកទិន្នន័យ (Extrapolation) ដោយសារ LiDAR មិនថតជាប់គ្នាគ្រប់ទីកន្លែង។ | បង្កើតបានផែនទី AGB សកល ដែលមានដង់ស៊ីតេជាមធ្យម ២១០.០៩ Mg/ha ជាមួយនឹងកម្រិតភាពជាក់លាក់ R² ស្មើនឹង ០.៥៦ និង RMSE ៨៧.៥៣ Mg/ha។ |
| Passive Optical and Radar Imaging (e.g., Landsat, MODIS, SAR) ការប្រើប្រាស់រូបភាពអុបទិកធម្មតា និងប្រព័ន្ធរ៉ាដា (SAR) |
មានភាពងាយស្រួលក្នុងការរកទិន្នន័យ និងអាចផ្តល់រូបភាពគ្របដណ្តប់ផ្ទៃដីធំទូលាយ និងជាប់គ្នាបានយ៉ាងល្អឥតខ្ចោះ។ | មានដែនកំណត់ Saturation (មិនអាចវាស់បានពេលព្រៃក្រាស់ពេក) ដែលធ្វើឱ្យការប៉ាន់ស្មានជីវម៉ាសនៅតំបន់ព្រៃក្រាស់ទាបជាងការពិត។ | មិនអាចវាស់ជីវម៉ាសដែលលើសពីកម្រិត ១៥-១៥០ Mg/ha (សម្រាប់អុបទិក) ឬចន្លោះរហូតដល់ ៣០០ Mg/ha (សម្រាប់រ៉ាដា) បានត្រឹមត្រូវឡើយ។ |
| IPCC Tier-1 Global Biomass Carbon Map (Ruesch & Gibbs) ផែនទីកាបូនសកលដោយប្រើតម្លៃណែនាំស្តង់ដាររបស់ IPCC (វិធីសាស្ត្រ Ruesch & Gibbs) |
ងាយស្រួលអនុវត្តសម្រាប់គោលនយោបាយអាកាសធាតុ ដោយផ្អែកលើការកំណត់តម្លៃទូទៅតាមតំបន់អេកូឡូស៊ីមានស្រាប់។ | មិនមានភាពច្បាស់លាស់ក្នុងតំបន់ជាក់លាក់ (Spatial Variance) ដោយប៉ាន់ស្មានខ្ពស់ពេកនៅតំបន់ត្រូពិច និងទាបពេកនៅតំបន់អឺរ៉ុប។ | មានការលម្អៀងខ្ពស់ (មធ្យម ៧១ Mg/ha ខុសពីការវាស់ស្ទង់ជាក់ស្តែងនៅអាមេរិកខាងជើង) និងប៉ាន់ស្មានខ្ពស់លើសលុបនៅតំបន់ព្រៃអាម៉ាហ្សូន។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះទាមទារធនធានកុំព្យូទ័រយ៉ាងធំធេង និងពេលវេលាយូរ (រហូតដល់១សប្តាហ៍ក្នុងមួយជុំនៃការរត់ម៉ូដែល) ព្រមទាំងទិន្នន័យផ្កាយរណប និងទិន្នន័យវាស់ផ្ទាល់ពីដីទំហំធំ ដើម្បីបង្កើតការប៉ាន់ស្មានសកលដ៏សុក្រឹតនេះ។
ទោះបីជាការសិក្សានេះប្រមូលទិន្នន័យជាង ៤០០០ កន្លែងទូទាំងពិភពលោកក៏ដោយ ប៉ុន្តែទីតាំងភាគច្រើនប្រមូលផ្តុំនៅអាមេរិកខាងជើង តំបន់អាម៉ាហ្សូន និងអឺរ៉ុប ខណៈតំបន់អាស៊ីអាគ្នេយ៍មានតិចតួច។ នេះមានន័យថា លទ្ធផលប៉ាន់ស្មានទូទៅសម្រាប់ប្រទេសកម្ពុជាអាចមានភាពលម្អៀង (Uncertainty ខ្ពស់លើសពី 50 Mg/ha ក្នុងតំបន់អាស៊ីអាគ្នេយ៍) ដោយសារខ្វះទិន្នន័យប្លង់ព្រៃឈើក្នុងស្រុកដើម្បីធ្វើការបណ្តុះបណ្តាលម៉ូដែលឱ្យបានច្បាស់លាស់។
ទោះបីជាមានបញ្ហាខ្វះទិន្នន័យពីមុនក៏ដោយ វិធីសាស្ត្រក្នុងការស្រាវជ្រាវនេះមានសក្តានុពលខ្ពស់និងផ្តល់អត្ថប្រយោជន៍យ៉ាងខ្លាំងសម្រាប់ប្រទេសកម្ពុជា ក្នុងការគ្រប់គ្រងធនធានព្រៃឈើជាតិ។
ជារួម ការនាំយកវិធីសាស្ត្របញ្ចូលគ្នា (LiDAR + Optical + Machine Learning) នេះមកកែច្នៃជាមួយទិន្នន័យក្នុងស្រុក នឹងជួយលើកកម្ពស់សមត្ថភាពកម្ពុជាយ៉ាងខ្លាំង ក្នុងការអនុវត្តសកម្មភាពប្រែប្រួលអាកាសធាតុប្រកបដោយតម្លាភាព។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Aboveground biomass (AGB) | បរិមាណសរុបនៃរូបធាតុមានជីវិតរបស់រុក្ខជាតិ (គិតជាទម្ងន់ស្ងួត) ដែលឋិតនៅផ្នែកខាងលើនៃផ្ទៃដី។ ការវាស់វែងនេះត្រូវបានប្រើប្រាស់ដើម្បីដឹងពីបរិមាណស្តុកកាបូននៅក្នុងព្រៃឈើ។ | ដូចជាការថ្លឹងទម្ងន់សរុបនៃមែក ស្លឹក និងដើមឈើទាំងអស់នៅក្នុងចម្ការមួយ (ដោយមិនគិតពីឫស) ដើម្បីដឹងថាមានឈើប៉ុន្មានតោន។ |
| Spaceborne LiDAR | បច្ចេកវិទ្យាបញ្ចេញពន្លឺឡាស៊ែរពីឧបករណ៍សេនស័រលើផ្កាយរណបក្នុងអវកាសមកកាន់ផែនដី ដើម្បីវាស់ចម្ងាយ និងបង្កើតជារូបភាពរចនាសម្ព័ន្ធបញ្ឈររបស់ព្រៃឈើ ឬសណ្ឋានដី។ | ដូចជាសត្វប្រចៀវបញ្ចេញសំឡេងអេកូពីលើមេឃមកដីដើម្បីស្ទាបស្ទង់កម្ពស់ដើមឈើ ប៉ុន្តែបច្ចេកវិទ្យានេះប្រើពន្លឺឡាស៊ែរជំនួសវិញ។ |
| Saturation effect | គឺជាដែនកំណត់នៃឧបករណ៍សេនស័រផ្កាយរណប (ជាពិសេសកាមេរ៉ាអុបទិក និងរ៉ាដា) ដែលមិនអាចចាប់យកទិន្នន័យបន្ថែមបាននៅពេលព្រៃឈើមានកម្រិតក្រាស់ ឬមានជីវម៉ាសខ្ពស់ពេក ដែលធ្វើឱ្យការប៉ាន់ស្មានកាបូនទាបជាងការពិត។ | ដូចជាភ្នែករបស់យើងពេលសម្លឹងមើលទៅក្នុងព្រៃងងឹតក្រាស់ គឺយើងឃើញតែស្លឹកខាងក្រៅ មិនអាចដឹងថាមានដើមឈើធំប៉ុនណាលាក់នៅខាងក្នុងឡើយ។ |
| Full-waveform parameters | ទម្រង់ទិន្នន័យរលកសញ្ញាឡាស៊ែរពេញលេញដែលបានជះត្រលប់មកវិញ ដោយបង្ហាញពីការប៉ះទង្គិចជាដំណាក់កាលៗតាំងពីចុងព្រៃឈើ រហូតដល់ផ្ទៃដី ដែលជួយឱ្យគេដឹងពីកម្ពស់និងភាពស្មុគស្មាញនៃស្រទាប់ព្រៃ។ | ដូចជាការថតកាំរស្មីអ៊ិច (X-ray) ដែលបង្ហាញរចនាសម្ព័ន្ធពីស្រទាប់ស្បែករហូតដល់ឆ្អឹងខាងក្នុងរាងកាយ។ |
| Random Forest | ជាក្បួនដោះស្រាយផ្នែកបញ្ញាសិប្បនិម្មិត (Machine Learning) ដែលបង្កើតកូនដើមឈើសម្រេចចិត្ត (Decision Trees) ជាច្រើនបញ្ចូលគ្នា ដើម្បីធ្វើការទស្សន៍ទាយលទ្ធផល (ដូចជាបរិមាណជីវម៉ាស) ឱ្យកាន់តែមានភាពត្រឹមត្រូវខ្ពស់។ | ដូចជាការសួរសំណួរទៅកាន់ក្រុមអ្នកជំនាញ១០០នាក់ផ្សេងៗគ្នា រួចយកចម្លើយទាំងអស់នោះមកបូកបញ្ចូលគ្នាដើម្បីរកចម្លើយរួមមួយដែលត្រឹមត្រូវបំផុត។ |
| Extrapolation | ជាដំណើរការគណិតវិទ្យា ឬស្ថិតិ ក្នុងការទស្សន៍ទាយ ឬពង្រីកទិន្នន័យទៅកាន់តំបន់ផ្សេងទៀតដែលគ្មានការវាស់វែងផ្ទាល់ ដោយផ្អែកលើនិន្នាការនៃទិន្នន័យដែលគេមានស្រាប់។ | ដូចជាការភ្លក់សម្លរមួយស្លាបព្រា រួចសន្និដ្ឋានថាម្ហូបមួយឆ្នាំងនោះមានរសជាតិដូចគ្នា។ |
| Monte-Carlo simulation | ជាវិធីសាស្ត្រស្ថិតិដែលប្រើប្រាស់ការសាកល្បងដោយចៃដន្យរាប់ពាន់ដង ដើម្បីប៉ាន់ស្មានពីអត្រាប្រូបាប៊ីលីតេនៃលទ្ធផល ឬដើម្បីវាស់វែងកម្រិតភាពមិនប្រាកដប្រជា (Uncertainty) នៅក្នុងប្រព័ន្ធគណនាស្មុគស្មាញ។ | ដូចជាការបោះកាក់រាប់ម៉ឺនដង ដើម្បីស្វែងរកតួលេខជាក់លាក់នៃឱកាសដែលកាក់នោះនឹងចេញខាងក្បាល ឬខាងបន្ទះ។ |
| Fuzzy Numerical (FN) index | សន្ទស្សន៍កម្រិតលេខសម្រាប់វាស់វែងកម្រិតភាពស្រដៀងគ្នារវាងផែនទីពីរ ដោយប្រៀបធៀបតម្លៃភីកសែល (Pixel) នៅតាមតំបន់នីមួយៗ ដើម្បីបញ្ជាក់ថាផែនទីទាំងពីរមានភាពស៊ីសង្វាក់គ្នាកម្រិតណា។ | ដូចជាការយកផ្ទាំងរូបភាពពីរផ្ទាំងមកត្រួតស៊ីគ្នាលើពន្លឺភ្លើង ដើម្បីមើលថាតើចំណុចពណ៌នីមួយៗដូចគ្នាបេះបិទកម្រិតណា។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
