បញ្ហា (The Problem)៖ ការស្រាវជ្រាវនេះដោះស្រាយពីតម្រូវការក្នុងការបង្កើតផែនទីគម្របព្រៃឈើ និងទំហំឈើប្រកបដោយប្រសិទ្ធភាពចំណាយសម្រាប់គម្រោងអភិរក្ស និងស្ថិតិព្រៃឈើជាតិនៅក្នុងប្រទេសនេប៉ាល់ ដោយជម្នះបញ្ហាខ្វះខាតទិន្នន័យផ្ទៃដី និងបម្រែបម្រួលរដូវកាលនៃរូបភាពផ្កាយរណប។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានអនុវត្តវិធីសាស្ត្រសារពើភណ្ឌព្រៃឈើពហុប្រភព ដោយរួមបញ្ចូលទិន្នន័យរូបភាពពីផ្កាយរណប និងទិន្នន័យដែលបានវាស់វែងផ្ទាល់នៅទីវាល។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| k-Nearest Neighbors (k-NN) Estimation ការប៉ាន់ស្មានតាមវិធីសាស្ត្រអ្នកជិតខាងជិតបំផុត (k-NN) |
អាចបង្កើតផែនទីគ្របដណ្តប់ផ្ទៃដីទាំងមូល (Wall-to-wall mapping) ដោយស្វ័យប្រវត្តិ និងមានប្រសិទ្ធភាពចំណាយខ្ពស់ ដោយរួមបញ្ចូលទិន្នន័យផ្កាយរណបនិងទិន្នន័យទីវាល។ | មានទំនោរក្នុងការវាយតម្លៃទាបចំពោះតំបន់ដែលមានទំហំឈើធំ និងវាយតម្លៃខ្ពស់ចំពោះតំបន់ដែលមានទំហំឈើតូច ដោយសារឥទ្ធិពលនៃការគិតមធ្យមភាគរបស់វា។ | សម្រេចបានភាពត្រឹមត្រូវក្នុងការបែងចែកប្រភេទព្រៃឈើ (KHAT) 0.745 នៅតំបន់ Terai ខាងលិច និង 0.825 នៅតំបន់ខាងកើត ព្រមទាំងមានកំហុសមធ្យម (RMSE) 62.0% សម្រាប់ទំហំឈើ។ |
| Visual Interpretation ការបកស្រាយទិន្នន័យដោយការមើលផ្ទាល់ (Visual Interpretation) |
ផ្តល់នូវទិន្នន័យយោងដែលមានភាពត្រឹមត្រូវខ្ពស់សម្រាប់ការបណ្តុះបណ្តាលគំរូ (Model training) នៅពេលដែលទិន្នន័យពីទីវាលមានចំនួនតិចតួច។ | ទាមទារកម្លាំងពលកម្មច្រើន ចំណាយពេលយូរ និងអាចមានការភាន់ច្រឡំដោយសារស្រមោលពពក ឬភាពខុសគ្នានៃពេលវេលាថតរូបភាព។ | ផ្តល់ជាចំណុចយោងចំនួន ៧៥៣៣ ឡូតិ៍ ជាមួយនឹងភាពត្រឹមត្រូវរួម (Overall Accuracy) ប្រៀបធៀបនឹងទីវាលរហូតដល់ 93.6% (ខាងលិច) និង 94.8% (ខាងកើត)។ |
| Local Radiometric Correction (MODIS-based) ការក្រិតតម្រូវទីតាំងពន្លឺ (ដោយផ្អែកលើ MODIS) |
អនុញ្ញាតឱ្យមានការតភ្ជាប់រូបភាព Landsat TM (Mosaicking) ដែលថតនៅថ្ងៃខុសគ្នា ដោយកាត់បន្ថយភាពខុសគ្នានៃរដូវកាលនិងអាកាសធាតុ។ | ទាមទារឱ្យរូបភាពផ្កាយរណបមានពេលវេលាថតកៀកគ្នា និងត្រូវការការកំណត់ទំហំផ្ទាំងវិនដូ (Moving window) ឱ្យបានត្រឹមត្រូវដើម្បីទទួលបានលទ្ធផលល្អ។ | បង្កើតបានផ្ទាំងរូបភាព Landsat TM mosaic ដ៏រលូន ដែលជាទិន្នន័យគោលដ៏សំខាន់សម្រាប់គណនាចំណាត់ថ្នាក់ k-NN បានយ៉ាងជោគជ័យ។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះពឹងផ្អែកយ៉ាងខ្លាំងលើកម្មវិធីកូដបើកចំហ (Open Source) និងទិន្នន័យផ្កាយរណបឥតគិតថ្លៃ ដែលធ្វើឱ្យមានប្រសិទ្ធភាពចំណាយទាប ប៉ុន្តែទាមទារកម្រិតជំនាញបច្ចេកទេសកម្រិតខ្ពស់។
ការសិក្សានេះត្រូវបានអនុវត្តនៅតំបន់ Terai នៃប្រទេសនេប៉ាល់ ដែលភាគច្រើនជាតំបន់ទំនាបរាបស្មើ ដោយប្រើប្រាស់ឡូតិ៍គំរូនៅទីវាលក្នុងទំហំតូច (២១៧ ឡូតិ៍) និងមិនបានបញ្ចូលទិន្នន័យរយៈកម្ពស់ (DEM) ក្នុងការវិភាគនោះទេ។ សម្រាប់ប្រទេសកម្ពុជា ការយកមកអនុវត្តនៅតំបន់ព្រៃភ្នំដូចជាជួរភ្នំក្រវាញ ចាំបាច់ត្រូវរួមបញ្ចូលការកែតម្រូវឥទ្ធិពលសណ្ឋានដីដោយប្រើ DEM ទើបទទួលបានភាពត្រឹមត្រូវ ខណៈដែលតំបន់វាលទំនាបអាចអនុវត្តបានស្រដៀងគ្នានឹងតំបន់ Terai នេះដែរ។
វិធីសាស្ត្រនេះមានសក្តានុពលខ្ពស់និងអាចសន្សំសំចៃថវិកាបានច្រើន សម្រាប់ការធ្វើសារពើភណ្ឌព្រៃឈើថ្នាក់ជាតិនៅប្រទេសកម្ពុជា។
សរុបមក ការរួមបញ្ចូលទិន្នន័យផ្កាយរណបពហុប្រភពឥតគិតថ្លៃ ជាមួយបច្ចេកទេស Machine Learning ផ្តល់នូវដំណោះស្រាយដ៏រឹងមាំសម្រាប់តាមដានធនធានធម្មជាតិនៅកម្ពុជាប្រកបដោយនិរន្តរភាព។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| k-nearest neighbor (k-NN) | ក្បួនដោះស្រាយស្ថិតិដែលប្រើសម្រាប់ធ្វើចំណាត់ថ្នាក់ ឬការប៉ាន់ស្មាន ដោយស្វែងរកចំណុចទិន្នន័យយោងចំនួន k ដែលមានលក្ខណៈស្រដៀងគ្នា ឬនៅជិតបំផុតនៅក្នុងលំហទិន្នន័យ មកប្រៀបធៀបជាមួយទិន្នន័យគោលដៅដែលមិនទាន់ដឹង។ | ដូចជាការទាយអត្តចរិតរបស់មនុស្សម្នាក់ ដោយមើលទៅលើមិត្តភក្តិជិតស្និទ្ធបំផុតទាំង ៥ នាក់របស់គាត់។ |
| Multi-Source Forest Inventory | បច្ចេកទេសស្រាវជ្រាវដែលរួមបញ្ចូលទិន្នន័យពីប្រភពផ្សេងៗគ្នា ដូចជារូបភាពផ្កាយរណប ផែនទី និងទិន្នន័យវាស់វែងផ្ទាល់ពីទីវាល ដើម្បីប៉ាន់ស្មានទំហំនិងលក្ខណៈព្រៃឈើលើផ្ទៃដីធំទូលាយ។ | ដូចជាការធ្វើម្ហូបដោយផ្សំគ្រឿងផ្សំពីកន្លែងផ្សេងៗគ្នា (ទិន្នន័យផ្កាយរណប និងទិន្នន័យវាស់ផ្ទាល់) ដើម្បីទទួលបានលទ្ធផលដ៏ល្អឥតខ្ចោះ។ |
| relative calibration | ដំណើរការកែតម្រូវតម្លៃពន្លឺនិងពណ៌នៃរូបភាពផ្កាយរណប ដើម្បីលុបបំបាត់ភាពខុសគ្នាដែលបណ្តាលមកពីបរិយាកាស ឬពេលវេលាថតខុសគ្នា ធ្វើឱ្យរូបភាពអាចយកមកប្រៀបធៀប ឬតភ្ជាប់គ្នាបានដោយរលូន។ | ដូចជាការកែពណ៌រូបថតដែលថតនៅពេលព្រឹក និងពេលល្ងាច ឱ្យមានពន្លឺប្រហាក់ប្រហែលគ្នា ដើម្បីយកមកតភ្ជាប់គ្នាជារូបភាពតែមួយដ៏ធំ។ |
| nonlinear, mixed-effects (NLME) modeling | គំរូស្ថិតិគណិតវិទ្យាដែលប្រើសម្រាប់ទស្សន៍ទាយទិន្នន័យ (ដូចជាកម្ពស់ដើមឈើ) ដោយពិចារណាទាំងកត្តាថេរ (ទំហំមុខកាត់ដើមឈើ) និងកត្តាប្រែប្រួលដោយចៃដន្យ (ទីតាំងដី ឬប្រភេទឈើ) ក្នុងទម្រង់ជាខ្សែរកោងមិនត្រង់។ | ដូចជាការទាយកម្ពស់ក្មេងម្នាក់ដោយផ្អែកលើអាយុរបស់គេ (កត្តាថេរ) និងកត្តាតំណពូជរបស់គ្រួសារគេ (កត្តាប្រែប្រួល)។ |
| Kappa statistic (KHAT) | រង្វាស់ស្ថិតិដែលប្រើសម្រាប់វាយតម្លៃកម្រិតភាពត្រឹមត្រូវនៃចំណាត់ថ្នាក់ (ឧទាហរណ៍៖ ផែនទីព្រៃឈើ) ដោយវាបានដកចេញនូវភាពត្រឹមត្រូវដែលអាចកើតឡើងដោយការចៃដន្យ (សំណាង) ចេញពីការវាយតម្លៃរួចជាស្រេច។ | ដូចជាការប្រឡងដែលគ្រូកាត់ពិន្ទុសម្រាប់សំណួរដែលសិស្សចេះតែគូសទាយស្មាន ដើម្បីដឹងប្រាកដថាសិស្សពិតជាចេះមែន ឬគ្រាន់តែសំណាង។ |
| Root Mean Square Errors (RMSEs) | រង្វាស់ដែលបង្ហាញពីកម្រិតនៃភាពខុសគ្នារវាងតម្លៃដែលម៉ូដែលកុំព្យូទ័របានទស្សន៍ទាយ និងតម្លៃពិតប្រាកដដែលបានវាស់វែងផ្ទាល់នៅទីវាល។ តម្លៃ RMSE កាន់តែតូច បង្ហាញថាម៉ូដែលកាន់តែមានភាពសុក្រឹត។ | ដូចជាការវាស់ចម្ងាយនៃគ្រាប់ព្រួញដែលបាញ់ខុសពីចំណុចកណ្តាលទីដៅ។ បើព្រួញភាគច្រើននៅក្បែរចំណុចកណ្តាល នោះកំហុស (RMSE) គឺមានកម្រិតទាប។ |
| cross-validation | បច្ចេកទេសសាកល្បងភាពត្រឹមត្រូវនៃគំរូទស្សន៍ទាយ ដោយយកទិន្នន័យមួយផ្នែកតូចទៅធ្វើតេស្តវាយតម្លៃ ខណៈទិន្នន័យភាគច្រើនត្រូវបានប្រើសម្រាប់បង្រៀនម៉ូដែលនោះ។ | ដូចជាការរៀនធ្វើម្ហូបដោយដួសភ្លក់តែមួយស្លាបព្រា (ផ្នែកតូច) ដើម្បីដឹងថាសម្លមួយឆ្នាំងនោះ (ទិន្នន័យរួម) ឆ្ងាញ់ឬអត់។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
