បញ្ហា/ប្រធានបទ (The Problem/Topic)៖ របាយការណ៍នេះដោះស្រាយបញ្ហាខ្វះខាតទិន្នន័យច្បាស់លាស់ និងទូលំទូលាយទូទាំងពិភពលោកទាក់ទងនឹងផ្ទៃដីព្រៃឈើ ជីវម៉ាស និងស្តុកកាបូន ដែលជាកត្តារារាំងដល់ការយល់ដឹងពីកញ្ចប់ថវិកាកាបូនសកល (Global Carbon Budget)។
វិធីសាស្ត្រ (Approach)៖ របាយការណ៍នេះធ្វើការវាយតម្លៃលើបច្ចេកវិទ្យាវាស់វែងពីចម្ងាយ (Remote Sensing) បច្ចុប្បន្ន និងអនាគត (២០០៩-២០១៥) ដោយផ្តោតលើភាពត្រឹមត្រូវ គុណវិបត្តិ និងសក្តានុពលក្នុងការតាមដានព្រៃឈើ។
សេចក្តីសន្និដ្ឋានសំខាន់ៗ (Key Conclusions)៖
របាយការណ៍នេះបង្ហាញថា បច្ចេកវិទ្យាតេឡេតាមដាន (Remote Sensing) បច្ចុប្បន្នមានភាពសុក្រឹតខ្ពស់ក្នុងការវាស់វែងផ្ទៃដីព្រៃឈើ ប៉ុន្តែនៅមានកម្រិតក្នុងការប៉ាន់ស្មានកម្រិតជីវម៉ាស និងកាបូន។ ការកែលម្អភាពត្រឹមត្រូវចាំបាច់ត្រូវមានការរួមបញ្ចូលទិន្នន័យពីផ្កាយរណបប្រភេទផ្សេងៗគ្នារួមផ្សំជាមួយនឹងទិន្នន័យផ្ទៀងផ្ទាត់ផ្ទាល់ដី។
| ការរកឃើញ (Finding) | ព័ត៌មានលម្អិត (Detail) | ភស្តុតាង (Evidence) |
|---|---|---|
| ភាពសុក្រឹតនៃការគូសផែនទីផ្ទៃដីព្រៃឈើ (Forest Area Mapping Accuracy) | បច្ចេកវិទ្យាឧបករណ៍ចាប់សញ្ញាកម្រិតមធ្យម (Moderate-resolution) អាចបែងចែកតំបន់ដែលមានព្រៃ និងគ្មានព្រៃឈើបានយ៉ាងល្អ ប៉ុន្តែពិបាកក្នុងការបែងចែករវាងប្រភេទព្រៃចាស់ និងចម្ការកសិ-រុក្ខកម្ម ឬព្រៃដែលទើបដាំឡើងវិញ។ | កម្រិតភាពត្រឹមត្រូវសម្រាប់ការបែងចែកព្រៃ និងមិនមែនព្រៃឈើកម្រិតមូលដ្ឋាន មានចន្លោះពី ៨០% ទៅជាង ៩០% ប៉ុន្តែភាពត្រឹមត្រូវធ្លាក់ចុះនៅពេលព្យាយាមបែងចែកប្រភេទព្រៃលម្អិត។ |
| បញ្ហាប្រឈមក្នុងការវាស់វែងជីវម៉ាស (Challenges in Biomass Measurement) | ការវាស់វែងបរិមាណជីវម៉ាសព្រៃឈើ និងស្តុកកាបូនសកល នៅមិនទាន់មានភាពប្រាកដប្រជាទាំងស្រុងទេដោយប្រើតែរូបភាពអុបទិក។ ទិន្នន័យរ៉ាដា (SAR) ក៏ជួបប្រទះបញ្ហាឆ្អែត (Saturation) នៅពេលវាស់ព្រៃដែលមានជីវម៉ាសក្រាស់។ | រលកសញ្ញា SAR ប្រភេទ C-band និង X-band ឆ្អែតនៅកម្រិតជីវម៉ាសទាប (២៥-៥០ តោន/ហិកតា) ចំណែកឯ L-band ឆ្អែតនៅកម្រិត ៦០-១៥០ តោន/ហិកតា ទាមទារឱ្យមានការប្រើឧបករណ៍ LIDAR ដើម្បីជំនួយ។ |
| ប្រសិទ្ធភាពនៃការបូកបញ្ចូលទិន្នន័យ (Remote Sensing Data Fusion) | ការរួមបញ្ចូលគ្នារវាងប្រព័ន្ធចាប់សញ្ញាផ្សេងៗគ្នា ដូចជាប្រព័ន្ធអុបទិក និងរ៉ាដា (Optical-SAR) ឬបញ្ចូលជាមួយប្រព័ន្ធព័ត៌មានភូមិសាស្ត្រ (GIS) បង្កើនភាពត្រឹមត្រូវយ៉ាងខ្លាំងក្នុងការវាយតម្លៃរចនាសម្ព័ន្ធព្រៃឈើ។ | ការសិក្សានៅតំបន់អាម៉ាហ្សូនបង្ហាញថា ការប្រើរូបភាពរួមបញ្ចូលគ្នាបង្កើនភាពត្រឹមត្រូវនៃការចាត់ថ្នាក់ដល់ ៩០% បើធៀបនឹងការប្រើតែ SAR (៧៦%) ឬការប្រើ Landsat (៧៧%) តែឯង។ |
| ភាពចាំបាច់នៃទិន្នន័យផ្ទៀងផ្ទាត់ផ្ទាល់ដី (Necessity of Ground-Truthing) | ការប៉ាន់ស្មានស្តុកកាបូនពីផ្កាយរណបអាចដំណើរការទៅបានលុះត្រាតែមានទិន្នន័យស្តង់ដារពីការវាស់វែងព្រៃឈើផ្ទាល់ (Forest Inventory) ដើម្បីយកមកទាក់ទងគ្នាតាមរូបមន្ត Allometric។ | ទិន្នន័យពី LIDAR ឬ SAR ទាមទារឱ្យមានការសហការជាមួយទិន្នន័យវាស់ផ្ទាល់ដី (Ground-truth data) ដែលទោះបីជាមានតម្លៃថ្លៃ ក៏នៅតែជាកត្តាស្នូលមិនអាចខ្វះបាន។ |
ផ្អែកលើការស្រាវជ្រាវ របាយការណ៍នេះបានផ្តល់ជាអនុសាសន៍គន្លឹះដើម្បីពង្រឹងប្រសិទ្ធភាពនៃការវាស់វែង និងត្រួតពិនិត្យព្រៃឈើកម្រិតថ្នាក់ជាតិ និងសកល។
| គោលដៅ (Target) | សកម្មភាព (Action) | អាទិភាព (Priority) |
|---|---|---|
| ស្ថាប័នរដ្ឋាភិបាលពាក់ព័ន្ធ (Government Institutions) | ត្រូវបង្កើតបណ្តាញប្រមូលនិងចងក្រងទិន្នន័យផ្ទៀងផ្ទាត់ផ្ទាល់ដី (Ground-truth Data) ឱ្យមានស្តង់ដាររួម ដើម្បីធ្វើជាទិន្នន័យយោងសម្រាប់ការកែតម្រូវក្បួនដោះស្រាយ (Algorithms) របស់រូបភាពផ្កាយរណប។ | ខ្ពស់ (High) |
| អ្នកស្រាវជ្រាវ និងអ្នកវិភាគទិន្នន័យ (Researchers and Data Analysts) | គួរប្រើប្រាស់បច្ចេកទេសសមាហរណកម្មទិន្នន័យ (Data Fusion) ដោយរួមបញ្ចូលរូបភាពពីប្រព័ន្ធអុបទិក (Optical) និងរ៉ាដាសកម្ម (Active SAR/LIDAR) ដើម្បីដោះស្រាយបញ្ហាពពកបាំងនិងបង្កើនភាពត្រឹមត្រូវ។ | ខ្ពស់ (High) |
| អ្នកចងក្រងនិងរាយការណ៍ជាតិ (National Reporters and Policymakers) | អនុវត្តតាមគោលការណ៍អភិរក្សនិយម (Conservative Principles) របស់ IPCC ក្នុងការប៉ាន់ស្មានស្តុកកាបូន ក្នុងករណីមានភាពមិនប្រាកដប្រជាខ្ពស់ ដើម្បីជៀសវាងការវាយតម្លៃខ្ពស់លើសការពិត (Overestimation) សម្រាប់ការជួញដូរកាបូន។ | មធ្យម (Medium) |
| ទីភ្នាក់ងារលំហអាកាស និងស្ថាប័នអន្តរជាតិ (Space Agencies and International Bodies) | ត្រូវធានានិរន្តរភាពនៃការផ្តល់ទិន្នន័យផ្កាយរណបកម្រិតមធ្យម (Moderate-resolution) ដោយឥតគិតថ្លៃដូចជា Landsat ដើម្បីគាំទ្រដល់ការត្រួតពិនិត្យការផ្លាស់ប្តូរគម្របព្រៃឈើរយៈពេលវែងជាសកល។ | ខ្ពស់ (High) |
របាយការណ៍នេះមានសារៈសំខាន់ខ្លាំងសម្រាប់ប្រទេសកម្ពុជា ក្នុងការអភិវឌ្ឍប្រព័ន្ធតាមដានព្រៃឈើជាតិ (National Forest Monitoring System - NFMS) ដើម្បីគាំទ្រដល់គម្រោង REDD+។ កម្ពុជាអាចទាញយកអត្ថប្រយោជន៍ពីបច្ចេកវិទ្យាផ្កាយរណប ដើម្បីដោះស្រាយបញ្ហាប្រឈមក្នុងការចុះល្បាតព្រៃឈើនៅតំបន់ដាច់ស្រយាល។
ការវិនិយោគលើការបណ្តុះបណ្តាលជំនាញតេឡេតាមដាន (Remote Sensing) និងការចុះប្រមូលទិន្នន័យវាស់វែងព្រៃឈើជាប្រព័ន្ធ នឹងជួយឱ្យកម្ពុជាអាចគ្រប់គ្រងធនធានធម្មជាតិបានទាន់ពេលវេលា និងធានាបាននូវការវាយតម្លៃកាបូនដែលមានតម្លាភាពសម្រាប់ទីផ្សារអន្តរជាតិ។
ដើម្បីអនុវត្តតាមអនុសាសន៍នៃរបាយការណ៍នេះ គួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Remote Sensing | ការប្រមូលទិន្នន័យពីចម្ងាយតាមរយៈឧបករណ៍ចាប់សញ្ញាលើផ្កាយរណប ឬយន្តហោះ ដើម្បីតាមដានការប្រែប្រួលគម្របព្រៃឈើ និងវាយតម្លៃធនធានធម្មជាតិ ដែលជាឧបករណ៍ដ៏ចាំបាច់បំផុតក្នុងការរៀបចំប្រព័ន្ធត្រួតពិនិត្យ និងវាយតម្លៃ (MRV) សម្រាប់គម្រោងកាបូន REDD+។ | ដូចជាការប្រើប្រាស់កាមេរ៉ាថតរូបពីលើអាកាសដើម្បីមើលទិដ្ឋភាពរួម និងសង្កេតមើលការប្រែប្រួលនៃផ្ទៃដីដ៏ធំដោយមិនចាំបាច់ចុះដើរដោយផ្ទាល់។ |
| Synthetic Aperture Radar (SAR) | ប្រព័ន្ធឧបករណ៍ចាប់សញ្ញាសកម្មដែលប្រើប្រាស់រលកម៉ៃក្រូវេវដើម្បីបាញ់ឆ្លុះពពក ឬអ័ព្ទ ចុះទៅវាស់វែងរចនាសម្ព័ន្ធ និងបរិមាណឈើ ដែលមានសារៈសំខាន់ខ្លាំងសម្រាប់ប្រព័ន្ធតាមដានព្រៃឈើក្នុងតំបន់ត្រូពិកដែលជារឿយៗមានពពកគ្របដណ្តប់ក្រាស់។ | ដូចជាសត្វប្រចៀវដែលបញ្ចេញរលកសំឡេងដើម្បីស្វែងរកផ្លូវ និងចំណីក្នុងទីងងឹត ដោយប្រព័ន្ធនេះអាចមើលធ្លុះពពកក្រាស់ៗបានយ៉ាងងាយស្រួលទោះបីជាមានភ្លៀងធ្លាក់ក៏ដោយ។ |
| LIDAR (Light Detection and Ranging) | បច្ចេកវិទ្យាឧបករណ៍ចាប់សញ្ញាសកម្មដែលប្រើកាំរស្មីឡាស៊ែរដើម្បីវាស់កម្ពស់ដើមឈើ ទម្រង់ដំបូលព្រៃ និងសណ្ឋានដីខាងក្រោមបានយ៉ាងសុក្រឹតបំផុត ដែលផ្តល់ជាទិន្នន័យគោលដ៏រឹងមាំសម្រាប់វាយតម្លៃកម្រិតជីវម៉ាសកាបូនក្នុងគោលនយោបាយទីផ្សារកាបូន។ | ដូចជាការប្រើឧបករណ៍បាញ់ឡាស៊ែរវាស់ចម្ងាយដើម្បីស្វែងយល់ពីកម្ពស់ពិតប្រាកដរបស់ដើមឈើនីមួយៗរាប់លានដើមព្រមគ្នាក្នុងពេលតែមួយ និងវាស់វែងកម្ពស់ភ្នំឬជ្រលងផងដែរ។ |
| Biomass | បរិមាណទម្ងន់សរុបនៃសារពាង្គកាយរស់ (ដូចជា ដើមឈើ មែក ស្លឹក និងឫស) នៅក្នុងតំបន់គោលដៅណាមួយ ដែលជាទិន្នន័យចម្បងក្នុងការគណនាបំប្លែងទៅជាបរិមាណស្តុកកាបូន (Carbon stocks) ដើម្បីទទួលបានឥណទានកាបូនសម្រាប់ការជួញដូរ។ | ដូចជាការថ្លឹងទម្ងន់ដើមឈើទាំងអស់នៅក្នុងព្រៃមួយដោយមិនបាច់កាប់ ដើម្បីដឹងថាព្រៃនោះមានតម្លៃប៉ុន្មានសម្រាប់ការស្រូបយកឧស្ម័នពុលពីបរិយាកាស។ |
| Ground-truthing | ការចុះប្រមូលទិន្នន័យព្រៃឈើផ្ទាល់នៅតាមទីតាំងជាក់ស្តែង (ដូចជាការវាស់ទំហំដើមឈើដោយផ្ទាល់) ដើម្បីយកមកផ្ទៀងផ្ទាត់ និងកែតម្រូវភាពត្រឹមត្រូវនៃទិន្នន័យដែលទទួលបានពីផ្កាយរណប មុននឹងចេញជារបាយការណ៍ជាតិជាផ្លូវការ។ | ដូចជាការដែលយើងចុះទៅមើលទីតាំងផ្ទាល់ភ្នែក ដើម្បីបញ្ជាក់ថាផែនទី GPS លើទូរស័ព្ទដៃបង្ហាញផ្លូវត្រឹមត្រូវតាមទិដ្ឋភាពជាក់ស្តែងឬអត់។ |
| Spatial Resolution | កម្រិតភាពលម្អិតនៃរូបភាពតេឡេតាមដាន (គិតជាម៉ែត្រក្នុងមួយភីកសែល) ដែលកំណត់សមត្ថភាពក្នុងការវិភាគបែងចែកឱ្យដាច់រវាងតំបន់ដីព្រៃឈើពិតប្រាកដ និងតំបន់ចម្ការដំណាំកសិកម្ម ជួយឱ្យការបង្កើតផែនទីជាតិមានភាពសុក្រឹតខ្ពស់។ | ដូចជាទំហំមេហ្គាភីកសែល (Megapixel) របស់កាមេរ៉ាទូរស័ព្ទ ដែលរូបភាពកាន់តែមាន Resolution ខ្ពស់ គឺកាន់តែអាចពង្រីកមើលឃើញវត្ថុតូចៗបានច្បាស់។ |
| Data Fusion | ដំណើរការបច្ចេកទេសក្នុងការច្របាច់បញ្ចូលគ្នានូវទិន្នន័យពីប្រភពផ្សេងៗគ្នា (ឧទាហរណ៍ ការរួមបញ្ចូលរូបភាពពីផ្កាយរណបអុបទិក រ៉ាដា និងផែនទីបរិស្ថាន GIS) ដើម្បីលុបបំបាត់ចន្លោះខ្វះខាត និងបង្កើនភាពត្រឹមត្រូវខ្ពស់ក្នុងការវាស់វែងព្រៃឈើ។ | ដូចជាការសួរព័ត៌មានពីសាក្សីបីនាក់ផ្សេងគ្នា ហើយយកមកផ្គុំគ្នា ដើម្បីរកឱ្យឃើញនូវការពិតតែមួយដែលច្បាស់លាស់ និងអាចទុកចិត្តបានបំផុត។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
