បញ្ហា (The Problem)៖ រហូតមកដល់ពេលថ្មីៗនេះ ចំនួនសរុប និងការបែងចែកទីតាំងភូមិសាស្ត្រនៃឡដុតធ្យូងបុរាណ (Relict Charcoal Hearths) នៅប្រទេសប៉ូឡូញនៅមិនទាន់ត្រូវបានកត់ត្រាច្បាស់លាស់នៅឡើយ ដែលធ្វើឱ្យខ្វះទិន្នន័យគោលសម្រាប់ការសិក្សាពីផលប៉ះពាល់បរិស្ថាន និងប្រព័ន្ធអេកូឡូស៊ីព្រៃឈើជាប្រវត្តិសាស្ត្រ។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានប្រើប្រាស់បច្ចេកវិទ្យាស្កេនផ្ទៃដីពីចម្ងាយរួមបញ្ចូលជាមួយការវិភាគទិន្នន័យភូមិសាស្ត្រ ដើម្បីកំណត់អត្តសញ្ញាណ និងចាត់ថ្នាក់ទីតាំងឡដុតធ្យូងបុរាណនៅក្នុងតំបន់ព្រៃឈើ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Manual Interpretation and GIS-based feature extraction from LiDAR DTMs ការបកស្រាយដោយផ្ទាល់ និងការទាញយកលក្ខណៈពិសេសតាមរយៈ GIS ពីទិន្នន័យ DTM របស់ LiDAR |
មានភាពសុក្រឹត និងអាចជឿទុកចិត្តបានខ្ពស់ក្នុងការកំណត់រូបរាងរចនាសម្ព័ន្ធតូចៗ (ដូចជាគែមឡ និងរណ្តៅ) ដែលលាក់ខ្លួនក្រោមគម្របព្រៃឈើក្រាស់។ | ប្រើប្រាស់កម្លាំងពលកម្មច្រើន និងមិនអាចរកឃើញទីតាំងដែលរងការខូចខាតរាបស្មើ (កម្ពស់ក្រោម ០.១៥ ម៉ែត្រ) ដោយសារសកម្មភាពកសិកម្ម ឬសំណឹក។ | កំណត់អត្តសញ្ញាណ និងគូសផែនទីឡដុតធ្យូងបុរាណបានដោយជោគជ័យចំនួន ៦៣៤.៨១៥ កន្លែងទូទាំងប្រទេសប៉ូឡូញ។ |
| K-prototypes clustering algorithm ក្បួនដោះស្រាយការធ្វើចំណាត់ថ្នាក់ចង្កោម K-prototypes |
មានប្រសិទ្ធភាពខ្ពស់ក្នុងការចាត់ថ្នាក់ទិន្នន័យទំហំធំ ដែលមានលាយបញ្ចូលគ្នារវាងអថេរជាលេខ និងអថេរជាប្រភេទ (Categorical Data) ដោយមិនស៊ីកម្លាំងម៉ាស៊ីនខ្លាំង។ | ទាមទារការកំណត់ចំនួនចង្កោម (Clusters) ជាមុន និងតម្រូវឱ្យប្រើប្រាស់ការធ្វើតេស្តស្ថិតិ (ដូចជា Silhouette score) ដើម្បីរកមើលចំនួនចង្កោមដែលល្អបំផុត។ | បែងចែកទិន្នន័យឡដុតធ្យូងជា ៣ ចង្កោមធំៗយ៉ាងមានប្រសិទ្ធភាព ដោយផ្អែកលើមុខងារ តំបន់ភូមិសាស្ត្រ និងស្ថានភាពបរិស្ថានជុំវិញ។ |
| Hierarchical clustering ការធ្វើចំណាត់ថ្នាក់ចង្កោមតាមឋានានុក្រម |
មិនតម្រូវឱ្យអ្នកស្រាវជ្រាវកំណត់ចំនួនចង្កោម (Clusters) ជាមុននោះទេ ដោយវាបង្កើតក្រុមតាមរយៈការគណនាគម្លាតរវាងទិន្នន័យដោយស្វ័យប្រវត្តិ។ | ទាមទារថាមពលកុំព្យូទ័រខ្លាំង និងមិនមានប្រសិទ្ធភាពទាល់តែសោះក្នុងការដំណើរការសំណុំទិន្នន័យដ៏ធំដែលមានទំហំរហូតដល់រាប់សែនកំណត់ត្រា។ | ត្រូវបានច្រានចោល និងមិនប្រើប្រាស់សម្រាប់ការវិភាគក្នុងសំណុំទិន្នន័យដែលមាន ៦៣៤.៨១៥ កន្លែងនេះឡើយ។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះទាមទារទិន្នន័យភូមិសាស្ត្រកម្រិតច្បាស់ខ្ពស់ កម្មវិធី GIS ឯកទេស និងធនធានកុំព្យូទ័រដែលអាចដំណើរការការវិភាគក្បួនដោះស្រាយទិន្នន័យខ្នាតធំ (Clustering) បានយ៉ាងរលូន។
ការសិក្សានេះត្រូវបានធ្វើឡើងតែនៅក្នុងតំបន់ព្រៃឈើនៃប្រទេសប៉ូឡូញប៉ុណ្ណោះ ដោយដកចេញនូវតំបន់កសិកម្មទាំងស្រុង ព្រោះសកម្មភាពភ្ជួររាស់បានបំផ្លាញរចនាសម្ព័ន្ធឡដុតចាស់ៗអស់ទៅហើយ។ ទិន្នន័យបរិស្ថានដែលប្រើប្រាស់ (ដូចជាប្រភេទដី និងព្រៃឈើ) គឺជាទិន្នន័យជាក់លាក់សម្រាប់ទ្វីបអឺរ៉ុប។ សម្រាប់ប្រទេសកម្ពុជា នេះជាចំណុចគួរយល់ដឹង ព្រោះទីតាំងបុរាណវិទ្យាភាគច្រើនអាចរងការគំរាមកំហែង និងបាត់បង់រូបរាងដោយសារការពង្រីកដីកសិកម្មដូចគ្នា។
ការរួមបញ្ចូលគ្នារវាងបច្ចេកវិទ្យា LiDAR និងក្បួនដោះស្រាយ Data Clustering នេះ គឺមានសក្តានុពលខ្លាំង និងអាចយកមកអនុវត្តយ៉ាងមានប្រសិទ្ធភាពនៅប្រទេសកម្ពុជា ពិសេសក្នុងវិស័យបុរាណវិទ្យា។
ជារួម ការអនុវត្តវិធីសាស្ត្រនេះដោយពឹងផ្អែកលើទិន្នន័យភូមិសាស្ត្រជាន់ខ្ពស់ គឺជាជំហានបន្ទាប់ដ៏សំខាន់សម្រាប់អភិវឌ្ឍជំនាញ Geoarchaeology និងការវិភាគទិន្នន័យអវកាសដើម្បីការពារបេតិកភណ្ឌកម្ពុជា។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Relict charcoal hearths (RCHs) | សំណល់ទីតាំងឡដុតធ្យូងពីបុរាណ ដែលបច្ចុប្បន្ននៅសេសសល់ជារូបរាងទួលតូចៗ ឬរណ្តៅក្នុងព្រៃ ដែលសម្បូរទៅដោយកម្ទេចធ្យូង និងកម្ទេចកំទីសរីរាង្គផ្សេងៗ។ | ដូចជាស្នាមផេះភ្នក់ភ្លើងចាស់ៗរាប់រយឆ្នាំមុន ដែលបន្សល់ទុកជាដីទួលខ្មៅៗកប់ក្នុងព្រៃ ហើយគេអាចកត់សម្គាល់ដឹងទាល់តែសង្កេតដោយយកចិត្តទុកដាក់។ |
| LiDAR | បច្ចេកវិទ្យាស្កេនផ្ទៃដីពីចម្ងាយដោយប្រើពន្លឺឡាស៊ែរ (ច្រើនបំពាក់លើកន្ត្រកយន្តហោះ ឬដ្រូន) ដើម្បីវាស់កម្ពស់សណ្ឋានដី និងអាចថតឆ្លុះទម្លុះគម្របព្រៃឈើបានយ៉ាងច្បាស់។ | ដូចជាការបាញ់ពន្លឺឡាស៊ែររាប់លានគ្រាប់ពីលើមេឃទម្លុះចន្លោះស្លឹកឈើ ដើម្បីស្ទាបស្ទង់រូបរាងដីដែលនៅខាងក្រោមឲ្យចេញជាផែនទី 3D ដ៏សុក្រឹត។ |
| Digital Terrain Model (DTM) | ទម្រង់ទិន្នន័យភូមិសាស្ត្រឌីជីថលដែលបង្ហាញពីកម្ពស់និងរូបរាងនៃផ្ទៃដីសុទ្ធសាធ ដោយដកចេញនូវរាល់សំណង់ អគារ ឬរុក្ខជាតិដែលដុះនៅលើនោះ។ | ដូចជាការយកសំបកផែនដីមកសម្រាតខោអាវ (កាត់ដើមឈើនិងផ្ទះចេញ) ដើម្បីមើលរូបរាង និងសណ្ឋានដីទទេស្អាត។ |
| K-prototypes clustering | ក្បួនដោះស្រាយតាមបែបម៉ាស៊ីនរៀន (Machine Learning) ដែលប្រើសម្រាប់បែងចែកទិន្នន័យចម្រុះជាក្រុមៗ ដោយផ្សំបញ្ចូលគ្នារវាងទិន្នន័យជាលេខ (ឧ. កម្ពស់ តម្លៃ) និងទិន្នន័យជាប្រភេទ (ឧ. ប្រភេទដី ឈ្មោះរុក្ខជាតិ) ក្នុងពេលតែមួយ។ | ដូចជាអ្នករៀបចំសៀវភៅក្នុងបណ្ណាល័យដ៏ឆ្លាតវៃ ដែលមិនត្រឹមតែចេះរៀបតាមកម្រាស់ទំព័រ (លេខ) ប៉ុណ្ណោះទេ តែថែមទាំងចេះរៀបតាមប្រភេទរឿង (អក្សរ) ចូលជាក្រុមតែមួយបានយ៉ាងល្អ។ |
| Technosols | ចំណាត់ថ្នាក់ប្រភេទដីដែលត្រូវបានកែប្រែ ឬលាយឡំឡើងដោយសារសកម្មភាពមនុស្សផ្ទាល់តាំងពីអតីតកាល ដូចជាដីដែលមានស្រទាប់កម្ទេចធ្យូង ផេះ ឬសំណល់រ៉ែ ដែលផ្លាស់ប្តូរលក្ខណៈដើមនៃដីធម្មជាតិ។ | ដូចជាដីចាក់សំរាម ឬដីដែលសល់ពីការដុតកម្ទេចវត្ថុអ្វីមួយ ដែលលែងមានលក្ខណៈដើមពីធម្មជាតិទៀតហើយ។ |
| Geoarchaeology | មុខវិជ្ជាវិទ្យាសាស្ត្រដែលច្របាច់បញ្ចូលគ្នារវាងភូមិសាស្ត្រ (ការសិក្សាពីដីនិងបរិស្ថាន) និងបុរាណវិទ្យា ដើម្បីស្វែងយល់ពីប្រវត្តិសាស្រ្ត និងឥទ្ធិពលនៃការរស់នៅរបស់មនុស្សជាន់មុនលើទីតាំងណាមួយ។ | ដូចជាការធ្វើជាអ្នកស៊ើបអង្កេតឧក្រិដ្ឋកម្ម (CSI) លើដីនិងថ្ម ដើម្បីទាញរកតម្រុយថាតើមនុស្សជំនាន់មុនធ្លាប់បានធ្វើអ្វីខ្លះនៅទីនោះ។ |
| Colluviation | ដំណើរការនៃការហូរចាក់បង្គរនៃកម្ទេចកំទីដីនិងថ្មនៅតាមជើងភ្នំ ឬតំបន់ជម្រាលដោយសារទំនាញផែនដី និងការហូរច្រោះ ដែលជាហេតុធ្វើឱ្យរចនាសម្ព័ន្ធឡដុតធ្យូងបុរាណអាចត្រូវកប់បាត់មិនអាចមើលឃើញ។ | ដូចជាការដែលយើងទុករបស់របរចោលនៅជើងទួល ហើយយូរៗទៅដីនិងខ្សាច់ពីលើទួលក៏ហូរមកកប់របស់នោះជិតឈឹង។ |
| Silhouette coefficient | រង្វាស់ស្ថិតិដែលប្រើដើម្បីវាយតម្លៃគុណភាពនៃការបែងចែកក្រុមទិន្នន័យ (Clustering) ដោយប្រៀបធៀបគម្លាតទិន្នន័យក្នុងក្រុមតែមួយ និងគម្លាតរវាងក្រុមផ្សេងគ្នា (ពិន្ទុកាន់តែខ្ពស់ មានន័យថាការបែងចែកក្រុមបានកាន់តែច្បាស់ល្អ)។ | រង្វាស់នេះប្រៀបដូចជាការដាក់ពិន្ទុថា តើសិស្សក្នុងក្រុមតែមួយមានលក្ខណៈដូចគ្នាស៊ីសង្វាក់កម្រិតណា ហើយពួកគេមានភាពខុសប្លែកពីសិស្សក្រុមដទៃច្បាស់លាស់កម្រិតណា។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
