បញ្ហា (The Problem)៖ ផលិតផលអង្កេតផែនដី MODIS VCF ត្រូវបានគេប្រើប្រាស់យ៉ាងទូលំទូលាយដើម្បីប៉ាន់ស្មានគម្របព្រៃឈើ ប៉ុន្តែភាពត្រឹមត្រូវរបស់វាមានការថយចុះនៅក្នុងតំបន់ដែលមានរុក្ខជាតិដុះស្តើង ដូចជាវាលស្មៅត្រូពិច (Tropical Savannas) ដែលនាំឱ្យមានបញ្ហាក្នុងការវាយតម្លៃម៉ូដែលអេកូឡូស៊ី និងការស្រូបយកកាបូន។
វិធីសាស្ត្រ (The Methodology)៖ អ្នកស្រាវជ្រាវបានប្រៀបធៀបទិន្នន័យពីផ្កាយរណប (MODIS VCF និង Landsat TCC) ជាមួយនឹងទិន្នន័យវាល (In situ data) ពីគម្រោង TROBIT ដោយពិចារណាលើវិសមភាពលំហ (Spatial disparity) និងការចែកចាយរបស់ដើមឈើ ដើម្បីបង្កើតជាសេណារីយ៉ូកែសម្រួល។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| MODIS VCF (Collection 6) ការប៉ាន់ស្មានគម្របព្រៃឈើដោយប្រើ MODIS VCF (ស៊េរី ៦) |
ផ្តល់ទិន្នន័យគ្របដណ្តប់ទូទាំងសកលលោកប្រចាំឆ្នាំដោយស្វ័យប្រវត្តិ ដែលមានភាពងាយស្រួលសម្រាប់ការស្រាវជ្រាវតាមដានបម្រែបម្រួលបរិស្ថាន។ | ប៉ាន់ស្មានទាបជាងការពិតយ៉ាងខ្លាំងនូវទំហំគម្របដើមឈើនៅក្នុងតំបន់វាលស្មៅត្រូពិច និងតំបន់ដែលមានរុក្ខជាតិដុះស្តើង។ វាក៏មានបញ្ហាជាមួយនឹងកម្រិតកម្ពស់ដើមឈើគោល (៥ម៉ែត្រ) ផងដែរ។ | ប៉ាន់ស្មានទំហំគម្របព្រៃឈើទាបជាងការពិតចន្លោះពី ៧% ទៅ ២៩% សម្រាប់សេណារីយ៉ូដែលមិនមានការជាន់គ្នា (Unenforced overlap)។ |
| Landsat TCC (version 4) ការប៉ាន់ស្មានគម្របព្រៃឈើដោយប្រើ Landsat TCC (ជំនាន់ទី ៤) |
មានគុណភាពបង្ហាញ (Spatial Resolution) ខ្ពស់រហូតដល់ ៣០ម៉ែត្រ ដែលអាចផ្តល់ព័ត៌មានលម្អិតជាង MODIS VCF។ | ដោយសារតែវាត្រូវបានបណ្តុះបណ្តាលដោយប្រើទិន្នន័យពី MODIS VCF វាក៏មានការចម្លងកំហុសឆ្គងនៃការប៉ាន់ស្មានទាបជាងការពិតដូចគ្នាសម្រាប់តំបន់វាលស្មៅត្រូពិច។ | ប៉ាន់ស្មានទំហំគម្របព្រៃឈើទាបជាងការពិតរហូតដល់ ៨២% នៅក្នុងតំបន់វាលស្មៅ នៅពេលដែលការជាន់គ្នានៃដំបូលឈើមិនត្រូវបានអនុវត្ត។ |
| Bayesian Inference Calibration (Proposed) វិធីសាស្ត្រកែសម្រួលដោយប្រើប្រាស់ Bayesian Inference (វិធីសាស្ត្រស្នើឡើង) |
ជួយកែលម្អភាពត្រឹមត្រូវនៃទិន្នន័យផ្កាយរណប ដោយពិចារណាលើវិសមភាពលំហ (Spatial mismatch) និងភាពជាន់គ្នានៃដំបូលឈើ (Canopy overlap)។ | ទាមទារទិន្នន័យវាលជាក់ស្តែង (In-situ data) ដែលពិបាករក និងអាចបង្កើតភាពមិនច្បាស់លាស់នៅពេលអនុវត្តលើតំបន់ដែលមិនមានទិន្នន័យវាស់វែងផ្ទាល់។ | ជួយបង្កើនអត្រាគម្របព្រៃឈើដែលបានវាយតម្លៃនៅក្នុងគ្រប់ចំណាត់ថ្នាក់នៃតំបន់វាលស្មៅ (Savanna classes) ដែលបង្ហាញថាការកែសម្រួលគឺពិតជាចាំបាច់។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះប្រើប្រាស់កម្មវិធី និងទិន្នន័យផ្កាយរណបដោយឥតគិតថ្លៃ ប៉ុន្តែទាមទារការចំណាយខ្ពស់លើការចុះប្រមូលទិន្នន័យវាល និងត្រូវការកម្លាំងកុំព្យូទ័រសម្រាប់ដំណើរការម៉ូដែលស្ថិតិ។
ទិន្នន័យវាលដែលប្រើក្នុងការសិក្សានេះត្រូវបានប្រមូលពីតំបន់អាហ្វ្រិក អូស្ត្រាលី និងអាមេរិកខាងត្បូង ដោយគ្មានទិន្នន័យពីតំបន់អាស៊ីអាគ្នេយ៍ឡើយ។ អ្នកស្រាវជ្រាវបានគូសបញ្ជាក់ថា អាស៊ីអាគ្នេយ៍គឺជាតំបន់អាទិភាពខ្ពស់ដែលត្រូវការការប្រមូលទិន្នន័យវាលបន្ថែម ដើម្បីកាត់បន្ថយភាពមិនច្បាស់លាស់នៃម៉ូដែល។ នេះមានសារៈសំខាន់ណាស់សម្រាប់ប្រទេសកម្ពុជា ព្រោះការយកទិន្នន័យពិភពលោកមកប្រើដោយមិនមានការកែសម្រួលតាមបរិបទក្នុងស្រុក អាចបណ្តាលឱ្យមានកំហុសធ្ងន់ធ្ងរក្នុងការវាយតម្លៃគម្របព្រៃឈើ។
វិធីសាស្ត្រកែសម្រួលទិន្នន័យផ្កាយរណបនេះមានសក្តានុពល និងសារៈប្រយោជន៍យ៉ាងធំធេងសម្រាប់ប្រទេសកម្ពុជា ក្នុងការសិក្សាអំពីធនធានធម្មជាតិ និងបរិស្ថានវិទ្យា។
សរុបមក ប្រសិនបើសាកលវិទ្យាល័យ ឬវិទ្យាស្ថានស្រាវជ្រាវនៅកម្ពុជាអាចប្រមូលទិន្នន័យវាលក្នុងស្រុកមកធ្វើការកែសម្រួល (Calibrate) ទិន្នន័យផ្កាយរណបតាមវិធីសាស្ត្រនេះ វានឹងជួយកែលម្អគុណភាពនៃការស្រាវជ្រាវអេកូឡូស៊ីនៅកម្ពុជាឱ្យដល់កម្រិតអន្តរជាតិ។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| MODIS Vegetation Continuous Fields (MODIS VCF) | គឺជាទិន្នន័យផ្កាយរណបប្រចាំឆ្នាំដែលផ្តល់ព័ត៌មានអំពីភាគរយនៃផ្ទៃដីដែលគ្របដណ្តប់ដោយដើមឈើនៅទូទាំងពិភពលោក ក្នុងទំហំភីកសែល ២៥០ម៉ែត្រ។ វាត្រូវបានប្រើប្រាស់យ៉ាងទូលំទូលាយដើម្បីតាមដានការប្រែប្រួលព្រៃឈើ និងបញ្ចូលទៅក្នុងម៉ូដែលអាកាសធាតុដើម្បីវាយតម្លៃអេកូឡូស៊ី។ | ដូចជាកាមេរ៉ាថតពីលើមេឃដែលប្រាប់យើងថា ក្នុងដីមួយឡូតិ៍ធំ មានដើមឈើដុះគ្របដណ្តប់ប៉ុន្មានភាគរយនៃផ្ទៃដីនោះ។ |
| Canopy Area Index (CAI) | គឺជារង្វាស់ផ្ទាល់នៅទីវាលដែលគណនាដោយយកផ្ទៃក្រឡាសរុបនៃម្លប់ដើមឈើនីមួយៗ មកចែកជាមួយនឹងទំហំផ្ទៃដីសរុប ដើម្បីរកមើលថាតើដើមឈើក្នុងតំបន់នោះមានសភាពក្រាស់ ឬស្តើងកម្រិតណា។ | ដូចជាការយកឆ័ត្រច្រើនមកត្រដាងលើដី រួចវាស់ថាតើផ្ទៃឆ័ត្រទាំងអស់នោះបាំងជិតដីអស់ប៉ុន្មានភាគរយ។ |
| Landsat Tree Canopy Cover (TCC) | គឺជាទិន្នន័យវាយតម្លៃគម្របព្រៃឈើពីផ្កាយរណប Landsat ដែលមានភាពច្បាស់លាស់ខ្ពស់រហូតដល់ ៣០ម៉ែត្រ ប៉ុន្តែវាត្រូវបានបង្កើតឡើងដោយរៀនសូត្រពីទិន្នន័យ MODIS VCF ហេតុនេះវាអាចចម្លងកំហុសពីគ្នាបានយ៉ាងងាយស្រួលប្រសិនបើមានការវាយតម្លៃខុសពីដើម។ | ដូចជាផែនទីដែលគូរឡើងវិញឱ្យមានភាពច្បាស់ជាងមុន ប៉ុន្តែនៅតែពឹងផ្អែកលើព័ត៌មានពីផែនទីចាស់ដដែល ដើម្បីគូរវាឡើង។ |
| Enforced clumping | គឺជាការបង្កើតសេណារីយ៉ូក្នុងម៉ូដែលដើម្បីដោះស្រាយបញ្ហាទំហំខុសគ្នារវាងភីកសែលផ្កាយរណប និងទំហំដីវាស់វែងផ្ទាល់ ដោយសន្មត់បង្ខំថាដើមឈើទាំងអស់ដុះផ្តុំគ្នានៅម្ខាងនៃភីកសែល ដើម្បីមើលពីរបៀបដែលភាពលម្អៀងនៃលំហប៉ះពាល់ដល់ការវាស់វែង។ | ដូចជាការសន្មត់ថាមនុស្សក្នុងបន្ទប់មួយមិនបានឈររាយប៉ាយទេ គឺឈរប្រជ្រៀតគ្នាផ្តុំនៅជ្រុងម្ខាងនៃបន្ទប់។ |
| Enforced overlap | គឺជាការគណនាក្នុងម៉ូដែលដែលសន្មត់ថា ដំបូលដើមឈើជាច្រើនបានដុះត្រួតស៊ីគ្នា (ជាន់គ្នា) យ៉ាងខ្លាំង ដែលធ្វើឱ្យការមើលពីលើអាកាសឃើញទំហំគម្របឈើខុសពីការបូកបញ្ចូលទំហំដំបូលដើមនីមួយៗផ្ទាល់។ | ដូចជាការដាក់ចានត្រួតលើគ្នា ទោះបីជាមានចានច្រើនក៏ដោយ ក៏យើងមើលពីលើឃើញតែទំហំប៉ុនចានមួយ ឬធំជាងបន្តិចប៉ុណ្ណោះ។ |
| Bayesian inference | គឺជាវិធីសាស្ត្រស្ថិតិដែលប្រើប្រាស់ទិន្នន័យថ្មី (ទិន្នន័យវាស់ផ្ទាល់នៅទីវាល) ដើម្បីយកទៅកែតម្រូវ និងប៉ាន់ស្មានកម្រិតលម្អៀងនៃទិន្នន័យចាស់ (ទិន្នន័យផ្កាយរណប) ឱ្យកាន់តែមានភាពត្រឹមត្រូវខ្ពស់ ដោយធ្វើការវាស់ស្ទង់ភាពប្រាកដប្រជានៃការព្យាករណ៍។ | ដូចជាការទាយអាយុរបស់មនុស្សម្នាក់ រួចយើងប្តូរការទាយនោះឱ្យកាន់តែច្បាស់នៅពេលយើងរកឃើញព័ត៌មានបន្ថែមថាគាត់រៀនចប់ឆ្នាំណា។ |
| Gap correction factor (GCF) | គឺជាមេគុណ (ក្នុងឯកសារនេះប្រើតម្លៃ ០.៨) ដែលគេគុណនឹងទំហំដំបូលឈើ ដើម្បីដកចេញនូវចន្លោះប្រហោងតូចៗរវាងស្លឹកឈើ និងមែកឈើ ដើម្បីឱ្យការវាស់វែងគម្របដំបូលឈើកាន់តែឆ្លុះបញ្ចាំងពីការពិតដែលផ្កាយរណបចាប់បាន។ | ដូចជាការវាស់ទំហំសំណាញ់ដោយគិតតែពីសរសៃចំណង ដោយមិនរាប់បញ្ចូលប្រហោងចន្លោះខ្យល់នៃសំណាញ់នោះទេ។ |
| Allometric relationships | គឺជារូបមន្តគណិតវិទ្យាដែលប្រើសម្រាប់ទាញរកទំនាក់ទំនងរវាងផ្នែកផ្សេងៗរបស់រុក្ខជាតិ ឧទាហរណ៍ ការប្រើទំហំមុខកាត់គល់ឈើ (DBH) ដើម្បីទាយរកទំហំនៃរង្វង់ដំបូលមែកឈើខាងលើដោយមិនបាច់ឡើងវាស់ផ្ទាល់។ | ដូចជាការទាយរកកម្ពស់របស់មនុស្សម្នាក់ ដោយគ្រាន់តែវាស់ប្រវែងបាតជើងរបស់គាត់។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
