បញ្ហា (The Problem)៖ តើចម្ការស្វាយមានតួនាទីយ៉ាងដូចម្តេចខ្លះក្នុងការកាត់បន្ថយការប្រែប្រួលអាកាសធាតុសកល តាមរយៈការស្រូបយកកាបូនពីបរិយាកាស?
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានប្រើប្រាស់បច្ចេកវិទ្យាប្រព័ន្ធរ៉ាដាតាមផ្កាយរណប រួមបញ្ចូលជាមួយទិន្នន័យវាលផ្ទាល់ ដើម្បីធ្វើផែនទីប្រើប្រាស់ដីធ្លី និងប៉ាន់ប្រមាណបរិមាណកាបូនដែលបានស្តុកទុក។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Pixel-based Support Vector Machine (SVM) for Land Cover Classification ការធ្វើចំណាត់ថ្នាក់គម្របដីដោយប្រើក្បួនដោះស្រាយ Support Vector Machine (SVM) |
មានភាពត្រឹមត្រូវខ្ពស់ក្នុងការញែកតំបន់ចម្ការស្វាយចេញពីប្រភេទដីផ្សេងៗទៀត និងដំណើរការបានល្អលើរូបភាពផ្កាយរណបកម្រិតមធ្យម។ | ទាមទារការប្រមូលទិន្នន័យទីតាំងជាក់ស្តែង (Ground truth data) ច្រើនដើម្បីបង្ហាត់ម៉ូដែល និងអាចមានការភាន់ច្រឡំនៅតំបន់ព្រំប្រទល់នៃប្រភេទដីផ្សេងគ្នា។ | ទទួលបានភាពត្រឹមត្រូវទូទៅ (Overall Accuracy) ៩៦,៤០% និងមេគុណ Kappa ០,៩៤។ |
| Remote Sensing + Modified Allometric Equations (using NDVI) ការប្រើប្រាស់ប្រព័ន្ធរ៉ាដាតាមផ្កាយរណប រួមបញ្ចូលជាមួយសមីការអាឡូម៉ែត្រកែច្នៃ (ផ្អែកលើ NDVI) |
អាចប៉ាន់ប្រមាណបរិមាណជីវម៉ាស និងកាបូនលើផ្ទៃដីដ៏ធំទូលាយបានយ៉ាងលឿន ដោយមិនចាំបាច់កាប់បំផ្លាញដើមឈើ ឬចំណាយកម្លាំងពលកម្មច្រើន។ | ទាមទារការចុះវាស់ទំហំដើមឈើនៅទីវាលមួយចំនួនសិន ដើម្បីបង្កើតទំនាក់ទំនង (Regression model) រវាងទិន្នន័យផ្កាយរណប និងទំហំដើមឈើពិតប្រាកដ។ | ប៉ាន់ប្រមាណដង់ស៊ីតេកាបូនចន្លោះពី ០,១៥ ទៅ ៨ Mg C/ha និងកាបូនសរុបចំនួន ១០៣.៨៨៥,៦៨ Mg ទូទាំងតំបន់សិក្សា។ |
| Traditional Field Measurement (Destructive/Manual Sampling) ការវាស់វែងតាមបែបប្រពៃណីនៅទីវាលផ្ទាល់ |
ផ្តល់ទិន្នន័យមានភាពត្រឹមត្រូវខ្ពស់បំផុតសម្រាប់កម្រិតឡូត៍នីមួយៗ (Plot-level) ។ | ចំណាយពេលយូរ ចំណាយថវិកាច្រើន ត្រូវការកម្លាំងពលកម្មខ្លាំង និងមិនអាចអនុវត្តបានលើផ្ទៃដីរាប់ម៉ឺនហិកតាឡើយ។ | ត្រូវបានប្រើប្រាស់ត្រឹមតែចំនួន ៦១ ឡូតិ៍ប៉ុណ្ណោះ សម្រាប់ទុកជាទិន្នន័យគោលដើម្បីផ្ទៀងផ្ទាត់ជាមួយទិន្នន័យផ្កាយរណប។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះទាមទារការរួមបញ្ចូលគ្នានូវកម្មវិធីកុំព្យូទ័រឯកទេស ទិន្នន័យផ្កាយរណប (ដែលអាចរកបានដោយឥតគិតថ្លៃ) និងឧបករណ៍វាស់ស្ទង់ផ្ទាល់នៅទីវាលដែលចំណាយថវិកាមិនសូវច្រើន។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅស្រុក Shibganj ប្រទេសបង់ក្លាដែស ដែលជាតំបន់ដាំស្វាយដ៏ធំ ដោយប្រើទិន្នន័យផ្កាយរណប និងការវាស់វែងផ្ទាល់នៅទីតាំងចំនួន ៦១ ឡូតិ៍។ ទោះបីជាប្រភេទពូជស្វាយ លក្ខណៈដី និងអាកាសធាតុអាចមានភាពខុសគ្នាបន្តិចបន្តួចពីតំបន់អាស៊ីអាគ្នេយ៍ក៏ដោយ ក៏វិធីសាស្ត្រនេះមានតម្លៃខ្លាំងសម្រាប់ប្រទេសកម្ពុជា ព្រោះយើងអាចអនុវត្តវាដើម្បីវាយតម្លៃការស្តុកកាបូនក្នុងវិស័យកសិកម្ម ដើម្បីត្រៀមខ្លួនចូលរួមក្នុងទីផ្សារឥណទានកាបូន (Carbon Credits) ដោយចំណាយតិច។
វិធីសាស្ត្ររួមបញ្ចូលប្រព័ន្ធរ៉ាដាតាមផ្កាយរណប (Remote Sensing) និងការវាស់វែងផ្ទាល់នេះ គឺពិតជាមានសក្តានុពលខ្ពស់សម្រាប់អនុវត្តនៅក្នុងបរិបទប្រទេសកម្ពុជា។
សរុបមក ការប្រើប្រាស់ទិន្នន័យផ្កាយរណបឥតគិតថ្លៃផ្សំជាមួយទិន្នន័យវាលកម្រិតតិចតួច គឺជាដំណោះស្រាយដ៏មានប្រសិទ្ធភាព និងសន្សំសំចៃ ដែលនិស្សិត និងអ្នកស្រាវជ្រាវកម្ពុជាគួរយកទៅអនុវត្តផ្ទាល់។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Carbon Sequestration | ដំណើរការដែលរុក្ខជាតិ និងដីស្រូបយកឧស្ម័នកាបូនិក (CO2) ពីបរិយាកាសតាមរយៈរស្មីសំយោគ ហើយរក្សាទុកវាក្នុងទម្រង់ជាជីវម៉ាសដើម្បីកាត់បន្ថយការឡើងកម្តៅផែនដី។ | វាប្រៀបដូចជាការប្រើម៉ាស៊ីនបូមធូលីដើម្បីបូមយកផ្សែងពុលពីលើអាកាស មកលាក់ទុកក្នុងឃ្លាំង (ដើមឈើ) អញ្ចឹងដែរ។ |
| Remote Sensing | បច្ចេកវិទ្យាក្នុងការប្រមូលទិន្នន័យ ឬព័ត៌មានពីផ្ទៃផែនដី ដោយមិនបាច់ចុះទៅផ្ទាល់ តាមរយៈការប្រើប្រាស់កាមេរ៉ា ឬឧបករណ៍ចាប់សញ្ញាដែលបំពាក់លើផ្កាយរណប យន្តហោះ ឬដ្រូន។ | ដូចជាការដែលយើងឈរលើអាគារខ្ពស់ ឬប្រើកែវយឹត ដើម្បីមើល និងវាយតម្លៃទំហំដីឡូតិ៍ដោយមិនបាច់ដើរវាស់ផ្ទាល់ដី។ |
| Normalized Difference Vegetation Index (NDVI) | សន្ទស្សន៍គណិតវិទ្យាដែលប្រើទិន្នន័យពន្លឺ (ពន្លឺមើលឃើញ និងពន្លឺអ៊ីនហ្វ្រារ៉េដ) ពីផ្កាយរណប ដើម្បីវាយតម្លៃកម្រិតភាពបៃតង សុខភាព និងដង់ស៊ីតេនៃរុក្ខជាតិនៅលើផ្ទៃដី។ | ដូចជាវ៉ែនតាវេទមន្តដែលប្រាប់យើងថាតំបន់ណាមានដើមឈើដុះក្រាស់ (ពណ៌បៃតងចាស់) និងតំបន់ណាគ្មានដើមឈើ (ពណ៌ក្រហម ឬស)។ |
| Above Ground Biomass (AGB) | ទម្ងន់សរុបនៃផ្នែករស់ទាំងអស់របស់រុក្ខជាតិដែលស្ថិតនៅពីលើផ្ទៃដី រួមមាន គល់ ដើម មែក និងស្លឹក ដែលត្រូវបានប្រើសម្រាប់គណនាបរិមាណកាបូនដែលដើមឈើនោះអាចស្តុកទុកបាន។ | ប្រៀបដូចជាការថ្លឹងទម្ងន់របស់មនុស្សម្នាក់ដោយមិនគិតពីស្បែកជើងដែលគាត់ពាក់ ដើម្បីដឹងថាគាត់មានសាច់ប៉ុន្មានគីឡូយ៉ាងដូច្នោះដែរ។ |
| Allometric Equations | សមីការគណិតវិទ្យាដែលបង្កើតឡើងដើម្បីប៉ាន់ប្រមាណទំហំ ឬទម្ងន់ជីវម៉ាសរបស់ដើមឈើ (AGB) ដោយពឹងផ្អែកលើទិន្នន័យងាយវាស់ដូចជា អង្កត់ផ្ចិតគល់ឈើ (DBH) និងកម្ពស់ដើម។ | ដូចជាការទាយទម្ងន់របស់មនុស្សម្នាក់ ដោយគ្រាន់តែវាស់ទំហំចង្កេះ និងកម្ពស់របស់គាត់ ដោយមិនបាច់ឱ្យគាត់ឡើងជញ្ជីងថ្លឹងផ្ទាល់។ |
| Diameter at Breast Height (DBH) | រង្វាស់ស្តង់ដារអន្តរជាតិសម្រាប់វាស់ទំហំ (អង្កត់ផ្ចិត) នៃគល់ឈើ ដែលជាទូទៅគេវាស់នៅកម្ពស់ ១,៣ ម៉ែត្រ ពីផ្ទៃដី ដើម្បីយកទៅប្រើក្នុងសមីការអាឡូម៉ែត្រ។ | ដូចជាការវាស់ទំហំចង្កេះរបស់ដើមឈើនៅត្រឹមកម្ពស់ដើមទ្រូងមនុស្សពេញវ័យ។ |
| Support Vector Machine (SVM) | ក្បួនដោះស្រាយ (Algorithm) នៃបញ្ញាសិប្បនិម្មិត (Machine Learning) ដែលប្រើសម្រាប់បែងចែកចំណាត់ថ្នាក់ទិន្នន័យ ដូចជាការបំបែកចំណុចលើរូបភាពផ្កាយរណបឱ្យដឹងថា មួយណាជាដីចម្ការស្វាយ មួយណាជាផ្ទះ ឬទីធ្លាទឹក។ | ប្រៀបដូចជាការបង្ហាត់ក្មេងម្នាក់ឱ្យស្គាល់រាងផ្លែប៉ោម និងផ្លែក្រូច រួចគេអាចយកផ្លែឈើមួយគំនរធំមកញែកជា២ក្រុមដោយស្វ័យប្រវត្តិ។ |
| Kappa Coefficient | រង្វាស់ស្ថិតិដែលប្រើសម្រាប់វាយតម្លៃកម្រិតនៃភាពត្រឹមត្រូវនៃចំណាត់ថ្នាក់លើផែនទី ថាតើលទ្ធផលដែលកុំព្យូទ័រទាយត្រូវគ្នាជាមួយទិន្នន័យពិតកម្រិតណា ដោយបានដកចេញនូវភាគរយនៃការទាយត្រូវដោយចៃដន្យ (Random Chance) ។ | ប្រៀបដូចជាការដាក់ពិន្ទុឱ្យគ្រូទាយ ដើម្បីបញ្ជាក់ថាគាត់ទាយត្រូវដោយសារតែមានក្បួនខ្នាតច្បាស់លាស់ មិនមែនត្រូវដោយសារការចេះតែស្មានៗនោះទេ។ |
| Atmospheric Correction | ដំណើរការកែសម្រួលទិន្នន័យរូបភាពផ្កាយរណប ដើម្បីលុបបំបាត់ការរំខាន ឬភាពព្រិលដែលបណ្តាលមកពីចំហាយទឹក ធូលី ឬពពកនៅក្នុងបរិយាកាស មុននឹងយកទិន្នន័យនោះទៅគណនាសន្ទស្សន៍បន្ត។ | ប្រៀបដូចជាការជូតសម្អាតកញ្ចក់វ៉ែនតាដែលប្រឡាក់ធូលី ដើម្បីឱ្យយើងមើលឃើញទេសភាពច្បាស់ពណ៌ធម្មជាតិដើមរបស់វា។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
