បញ្ហា (The Problem)៖ ឯកសារនេះពិភាក្សាអំពីការអភិវឌ្ឍជាប្រវត្តិសាស្ត្រ និងបញ្ហាប្រឈមនៃវិធីសាស្ត្រក្នុងការធ្វើសារពើភណ្ឌព្រៃឈើជាតិនៅក្នុងប្រទេសហ្វាំងឡង់ ជាពិសេសការដោះស្រាយជាមួយនឹងទំនាក់ទំនងលំហ (Spatial autocorrelation) និងការរួមបញ្ចូលទិន្នន័យទំនើបសម្រាប់ប៉ាន់ស្មានតំបន់តូចៗ។
វិធីសាស្ត្រ (The Methodology)៖ អ្នកនិពន្ធបានពិនិត្យឡើងវិញនូវបច្ចេកទេសនៃការយកគំរូ (Sampling techniques) ពីអតីតកាល និងណែនាំប្រព័ន្ធសារពើភណ្ឌពហុប្រភពបច្ចុប្បន្ន ដែលរួមបញ្ចូលការវាស់វែងផ្ទាល់នៅទីវាលជាមួយរូបភាពផ្កាយរណប។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Line Surveys ការស្ទង់មតិដោយការដើរតាមខ្សែបន្ទាត់ (Line Surveys) |
ងាយស្រួលអនុវត្តនៅសម័យដំបូង និងអាចគ្របដណ្តប់ការសង្កេតលើផ្ទៃដីធំទូលាយ។ | ពឹងផ្អែកខ្លាំងលើការប៉ាន់ស្មានដោយភ្នែក (Ocular estimation) ដែលអាចលម្អៀង និងប្រើកម្លាំងពលកម្មដើរព្រៃច្រើន។ | បានប្រើប្រាស់សម្រាប់ការប៉ាន់ស្មានធនធានព្រៃឈើជាតិរបស់ហ្វាំងឡង់ប្រកបដោយជោគជ័យពីឆ្នាំ ១៩២១ ដល់ ១៩៥៣។ |
| Systematic Cluster Sampling ការយកគំរូចង្កោមជាប្រព័ន្ធ (Systematic Cluster Sampling) |
មានប្រសិទ្ធភាពខ្ពស់តាមផ្លូវស្ថិតិក្នុងការដោះស្រាយបញ្ហាទំនាក់ទំនងលំហ (Spatial correlation) និងផ្តល់ទិន្នន័យជាក់ស្តែងច្បាស់លាស់។ | ការចុះវាស់វែងផ្ទាល់នៅទីវាលទាមទារការចំណាយពេលវេលា និងថវិកាច្រើន ជាពិសេសនៅតំបន់ដាច់ស្រយាល។ | បង្កើតបានជាមូលដ្ឋានទិន្នន័យជាក់ស្តែង (Ground truth) ដ៏រឹងមាំ ដែលមានកំហុសស្ថិតិតិចតួច។ |
| Multi-source inventory (k-nn method) សារពើភណ្ឌពហុប្រភព (ប្រើវិធីសាស្ត្រ k-nn) |
ផ្តល់ព័ត៌មានលម្អិតខ្ពស់សម្រាប់តំបន់តូចៗ ជាមួយនឹងការចំណាយបន្ថែមតិចតួចបំផុត និងអាចផលិតផែនទីឌីជីថលបានលឿន។ | ការវាយតម្លៃកំហុស (Error assessment) មានភាពស្មុគស្មាញ ហើយគុណភាពទិន្នន័យពឹងផ្អែកខ្លាំងលើរូបភាពផ្កាយរណបដែលគ្មានពពកបាំង។ | ការប្រើប្រាស់ឧបករណ៍ AISA អាចកាត់បន្ថយកម្រិតកំហុស RMSE នៃការប៉ាន់ស្មានបរិមាណឈើពី ៥១% (ផ្អែកលើ Landsat TM) មកត្រឹម ៣០%។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តប្រព័ន្ធសារពើភណ្ឌពហុប្រភពនេះ ទាមទារការរួមបញ្ចូលគ្នានូវទិន្នន័យពីចម្ងាយ ធនធានកុំព្យូទ័រ និងកម្លាំងពលកម្មចុះវាស់វែងនៅទីវាល។
ការសិក្សានេះត្រូវបានអនុវត្តទាំងស្រុងនៅក្នុងប្រទេសហ្វាំងឡង់ ដែលមានប្រភេទព្រៃឈើ និងលក្ខខណ្ឌអាកាសធាតុខុសប្លែកពីតំបន់ត្រូពិច។ ទិន្នន័យភាគច្រើនផ្តោតលើព្រៃស្រល់ និងព្រៃនៅតំបន់ត្រជាក់។ នេះជារឿងសំខាន់សម្រាប់កម្ពុជា ព្រោះព្រៃឈើនៅកម្ពុជាមានភាពចម្រុះខ្ពស់ (Tropical rainforests) និងមានបញ្ហាពពកច្រើននៅរដូវវស្សា ដែលទាមទារឱ្យមានការកែតម្រូវម៉ូដែល (Model calibration) និងប្រភពទិន្នន័យបន្ថែម។
ទោះបីជាបរិបទភូមិសាស្ត្រខុសគ្នា ប៉ុន្តែបច្ចេកទេសសារពើភណ្ឌពហុប្រភពនេះមានតម្លៃជាយុទ្ធសាស្ត្រខ្ពស់សម្រាប់ការគ្រប់គ្រងធនធានព្រៃឈើនៅកម្ពុជា។
ការបន្សាំវិធីសាស្ត្ររបស់ហ្វាំងឡង់ នឹងជួយកម្ពុជាផ្លាស់ប្តូរពីការស្ទង់មតិព្រៃឈើបែបប្រពៃណីដែលចំណាយច្រើន ទៅជាប្រព័ន្ធតាមដានបែបឌីជីថល (Digital monitoring) ដែលមាននិរន្តរភាព និងសុក្រឹតភាព។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Spatial autocorrelation | ទំនាក់ទំនងលំហ គឺជាបាតុភូតស្ថិតិមួយដែលបង្ហាញថាទិន្នន័យឬវត្ថុដែលស្ថិតនៅទីតាំងជិតគ្នា មានលក្ខណៈស្រដៀងគ្នាខ្លាំងជាងវត្ថុដែលនៅឆ្ងាយពីគ្នា។ ក្នុងបរិបទសារពើភណ្ឌព្រៃឈើ ដើមឈើដែលដុះក្បែរគ្នាតែងមានទំហំ ប្រភេទ ឬកម្ពស់ប្រហាក់ប្រហែលគ្នា ដែលធ្វើឱ្យការគណនាកំហុសនៃការយកគំរូ (Sampling error) មានភាពស្មុគស្មាញ និងទាមទាររូបមន្តគណនាពិសេសដើម្បីកុំឱ្យមានការប៉ាន់ស្មានខុស។ | ដូចជាការសង្កេតមើលអាកាសធាតុ ទីក្រុងពីរដែលនៅជាប់គ្នាច្រើនតែមានភ្លៀងធ្លាក់ដូចគ្នា ជាងទីក្រុងពីរផ្សេងទៀតដែលនៅឆ្ងាយពីគ្នារាប់រយគីឡូម៉ែត្រ។ |
| Systematic cluster sampling | ការយកគំរូចង្កោមជាប្រព័ន្ធ គឺជាវិធីសាស្ត្ររៀបចំដីឡូត៍វាស់វែងដោយចងជាបណ្តុំ (ចង្កោម) រួចដាក់ពង្រាយពួកវាឱ្យមានគម្លាតស្មើៗគ្នា (ជាប្រព័ន្ធ) នៅលើផ្ទៃដីសរុប។ វិធីសាស្ត្រនេះជួយកាត់បន្ថយពេលវេលានិងការចំណាយក្នុងការធ្វើដំណើររបស់បុគ្គលិកព្រៃឈើពីដីឡូត៍មួយទៅដីឡូត៍មួយទៀត ព្រមទាំងធានាបាននូវការគ្របដណ្តប់ទិន្នន័យបានល្អលើផ្ទៃដីដ៏ធំ។ | ដូចជាការពិនិត្យមើលគុណភាពអង្ករក្នុងបាវ ដោយយើងចាក់ឈូសយកមួយក្តាប់ៗនៅគ្រប់ជ្រុងនិងកណ្តាលបាវដែលមានចម្ងាយស្មើៗគ្នា ដើម្បីឱ្យប្រាកដថាអង្ករល្អទាំងអស់។ |
| k-nearest neighbours (k-nn) estimation method | វិធីសាស្ត្រប៉ាន់ស្មានអ្នកជិតខាងក្បែរជាងគេ (k-nn) គឺជាក្បួនដោះស្រាយ (Algorithm) ដែលប្រើសម្រាប់ទស្សន៍ទាយព័ត៌មាននៃចំណុចមួយ (ឧទាហរណ៍ ភីកសែលរូបភាពផ្កាយរណប) ដោយស្វែងរកចំណុចចំនួន k ផ្សេងទៀតដែលមានលក្ខណៈចំណាំងផ្លាតពន្លឺស្រដៀងគ្នាខ្លាំងបំផុត ហើយមានទិន្នន័យវាស់វែងជាក់ស្តែងនៅទីវាល ដើម្បីយកមកធ្វើជាទម្ងន់ក្នុងការគណនារកតម្លៃប៉ាន់ស្មានសម្រាប់ចំណុចគោលដៅនោះ។ | ដូចជាការទស្សន៍ទាយតម្លៃផ្ទះរបស់អ្នក ដោយគ្រាន់តែមើលទៅលើតម្លៃផ្ទះចំនួន៥ (k=5) នៅជិតខាងដែលមានម៉ូដ និងទំហំស្រដៀងផ្ទះរបស់អ្នកដែរ។ |
| Multi-source inventory | សារពើភណ្ឌពហុប្រភព គឺជាប្រព័ន្ធវាយតម្លៃធនធានដែលមិនពឹងផ្អែកតែលើការដើរវាស់វែងផ្ទាល់នៅទីវាលតែមួយមុខនោះទេ ប៉ុន្តែវាធ្វើការរួមបញ្ចូលទិន្នន័យពីប្រភពជាច្រើនក្នុងពេលតែមួយ ដូចជារូបភាពផ្កាយរណប ផែនទីឌីជីថល គំរូកម្ពស់ដី និងទិន្នន័យទីវាល។ ប្រព័ន្ធនេះអាចបង្កើតជាផែនទីព្រៃឈើឌីជីថល និងផ្តល់តួលេខប៉ាន់ស្មានដែលមានភាពច្បាស់លាស់ខ្ពស់សម្រាប់តំបន់តូចៗ ដោយចំណាយថវិកាតិច។ | ដូចជាការសរសេរព័ត៌មានមួយ ដោយអ្នកកាសែតប្រមូលប្រភពពីការសម្ភាសន៍ផ្ទាល់ផង មើលវីដេអូកាមេរ៉ាសុវត្ថិភាពផង និងស្តាប់សាក្សីផង ដើម្បីទទួលបានសាច់រឿងដែលសុក្រឹតបំផុត។ |
| Relascope sampling | ការយកគំរូតាមឧបករណ៍រ៉េឡាស្កូប (ត្រូវបានស្គាល់ថាជា PPS-sample) គឺជាវិធីសាស្ត្រជ្រើសរើសដើមឈើដើម្បីធ្វើការវាស់វែង ដោយផ្អែកលើទំហំមុខកាត់របស់វា (Basal area)។ ជំនួសឱ្យការរាប់គ្រប់ដើមឈើទាំងអស់ក្នុងរង្វង់ដីឡូត៍ គេប្រើឧបករណ៍នេះដើម្បីឆ្លុះមើលដើមឈើ ដោយដើមឈើណាដែលមានទំហំធំ និងបំពេញតាមមុំថេរនៃឧបករណ៍ ទើបត្រូវបានរាប់បញ្ចូល ធ្វើឱ្យការវាស់វែងផ្តោតលើដើមឈើដែលមានសក្តានុពលសេដ្ឋកិច្ចខ្ពស់។ | ដូចជាការថតរូបជុំគ្នា អ្នកដែលមានរាងធំនិងខ្ពស់នឹងងាយត្រូវបានគេមើលឃើញ និងទាក់ទាញចំណាប់អារម្មណ៍ជាងអ្នកតូចទាប ទោះបីឈរនៅចម្ងាយដូចគ្នាក៏ដោយ។ |
| Air-borne imaging spectrometers | ឧបករណ៍ថតរូបភាពវាស់វិសាលគមពីលើអាកាស គឺជាឧបករណ៍បច្ចេកវិទ្យាខ្ពស់ដែលបំពាក់លើយន្តហោះ ឬដ្រូន ដើម្បីចាប់យករូបភាពនិងពន្លឺចំណាំងផ្លាតរាប់រយស្រទាប់ (Spectral bands) ពីផ្ទៃដីក្នុងទំហំកម្រិតម៉ែត្រ។ វាមានសមត្ថភាពអាចញែកដឹងពីប្រភេទដើមឈើនីមួយៗ និងសូម្បីតែអាចចាប់សញ្ញាដំបូងនៃជំងឺ ឬភាពតានតឹងរបស់រុក្ខជាតិបានយ៉ាងច្បាស់។ | ដូចជាការថតកាំរស្មីអ៊ិច (X-ray) ឬស្កែន MRI នៅក្នុងមន្ទីរពេទ្យ ដែលអាចឱ្យគ្រូពេទ្យមើលឃើញលម្អិតពីសរីរាង្គខាងក្នុងរបស់អ្នកជំងឺដែលភ្នែកទទេមើលមិនឃើញ។ |
| Cross validation | ការផ្ទៀងផ្ទាត់ខ្វែង គឺជាបច្ចេកទេសស្ថិតិសម្រាប់វាយតម្លៃភាពត្រឹមត្រូវនៃម៉ូដែលទស្សន៍ទាយ ដោយលាក់ទិន្នន័យពិតប្រាកដមួយចំនួនចេញនៅពេលកំពុងបង្ហាត់ម៉ូដែល រួចយកម៉ូដែលនោះមកទស្សន៍ទាយលើទិន្នន័យដែលបានលាក់នោះវិញ ដើម្បីវាស់ស្ទង់ថាតើម៉ូដែលនោះបង្កើតកំហុស (Error) កម្រិតណាពេលជួបប្រទះទិន្នន័យថ្មី។ | ដូចជាការធ្វើតេស្តសិស្សមុនប្រឡង ដោយគ្រូដកលំហាត់មួយចំនួនចេញពីសៀវភៅមេរៀន យកមកធ្វើជាវិញ្ញាសា ដើម្បីសាកល្បងថាតើសិស្សពិតជាចេះមែនឬគ្រាន់តែទន្ទេញចាំមាត់។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
