បញ្ហា (The Problem)៖ បញ្ហាគុណភាពទឹក និងបាតុភូត Eutrophication ត្រូវការការតាមដានជាប្រចាំ ប៉ុន្តែសារធាតុចិញ្ចឹម និងអុកស៊ីហ្សែនរលាយ (DO) គឺជាធាតុដែលមិនមានសកម្មភាពអុបទិក (non-optically active) ដែលធ្វើឱ្យការប៉ាន់ប្រមាណកំហាប់របស់វាតាមរយៈរូបភាពផ្កាយរណបមានភាពស្មុគស្មាញ និងប្រឈមនឹងការលំបាក។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានធ្វើការពិនិត្យឡើងវិញជាប្រព័ន្ធនូវអត្ថបទស្រាវជ្រាវចំនួន ៦៦ ដែលប្រើប្រាស់ទិន្នន័យតេឡេតាមដាន (Remote Sensing) ដើម្បីទាញយកកំហាប់សារធាតុចិញ្ចឹម និងអុកស៊ីហ្សែនរលាយ នៅក្នុងដែនទឹក Case II។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Empirical Models (e.g., MLR, SLR) ម៉ូដែលអម្ពីរីក (ឧទាហរណ៍ ការវិភាគតម្រែតម្រង់លីនេអ៊ែរ) |
មានភាពសាមញ្ញ ងាយស្រួលក្នុងការប្រើប្រាស់ និងមិនតម្រូវឱ្យមានកម្លាំងកុំព្យូទ័រខ្លាំងក្នុងការគណនា។ | ត្រូវការទិន្នន័យវាស់ផ្ទាល់ (in situ) ក្នុងចំនួនដ៏ច្រើន ខ្វះលទ្ធភាពប្រើប្រាស់ទូទៅ (Poor generalization) និងពិបាកចាប់យកទំនាក់ទំនងដែលស្មុគស្មាញ (Non-linear) រវាងប៉ារ៉ាម៉ែត្រ។ | ផ្តល់ភាពត្រឹមត្រូវកម្រិតមធ្យម ឬទាប (R2 < 0.5 ក្នុងករណីខ្លះ) ហើយងាយរងឥទ្ធិពលពីកត្តាបរិស្ថាន។ |
| Machine Learning (e.g., SVR, XGBoost, RF) ម៉ាស៊ីនរៀន (Machine Learning) |
ផ្តល់ភាពត្រឹមត្រូវខ្ពស់ទោះបីជាមានសំណាកទិន្នន័យតិច មិនងាយជួបបញ្ហា Overfitting ដូចម៉ូដែលបណ្តាញសរសៃប្រសាទ និងអាចចាប់យកទំនាក់ទំនង Non-linear បានយ៉ាងល្អ។ | តម្រូវឱ្យមានការកែសម្រួល Hyperparameters បានត្រឹមត្រូវ និងទាមទារចំណេះដឹងផ្នែកវិទ្យាសាស្ត្រទិន្នន័យ។ | ម៉ូដែលដូចជា SVR និង XGBoost បង្ហាញភាពត្រឹមត្រូវខ្ពស់បំផុត (R2 អាចឡើងដល់ ០.៩៩) និងមានកំហុសទាប (Low RMSE) បើធៀបនឹងម៉ូដែលដទៃ។ |
| Neural Networks (e.g., BPNN, ANN, CNN) បណ្តាញសរសៃប្រសាទសិប្បនិម្មិត (Neural Networks / Deep Learning) |
មានសមត្ថភាពខ្ពស់បំផុតក្នុងការវិភាគលើទិន្នន័យធំៗ និងទិន្នន័យដែលមានវិមាត្រច្រើន (High-dimensional data) ដើម្បីស្វែងរកលំនាំស្មុគស្មាញ។ | ទាមទារទិន្នន័យហ្វឹកហាត់ (Training data) យ៉ាងច្រើនសន្ធឹកសន្ធាប់ ត្រូវការកម្លាំងកុំព្យូទ័រធំ និងងាយជួបបញ្ហា Overfitting ប្រសិនបើទិន្នន័យមានកំណត់។ | ផ្តល់ភាពត្រឹមត្រូវខ្ពស់ណាស់ ប៉ុន្តែស័ក្តិសមសម្រាប់តែការសិក្សាដែលមានទំហំសំណាកទិន្នន័យធំទូលាយ។ |
ការចំណាយលើធនធាន (Resource Cost)៖ អត្ថបទស្រាវជ្រាវនេះមិនបានបញ្ជាក់តម្លៃជាតួលេខជាក់លាក់នោះទេ ប៉ុន្តែផ្អែកលើបច្ចេកទេសដែលបានរៀបរាប់ វាទាមទារការវិនិយោគច្រើនលើកម្លាំងកុំព្យូទ័រ និងទិន្នន័យវាស់ផ្ទាល់។
ការសិក្សាដែលបានរំលឹកឡើងវិញនេះ ភាគច្រើនត្រូវបានធ្វើឡើងនៅតាមបឹង ទន្លេ និងតំបន់ឆ្នេរក្នុងប្រទេសចិន អាមេរិក អឺរ៉ុប និងឥណ្ឌា ដោយផ្តោតលើដែនទឹក Case II។ នេះមានសារៈសំខាន់សម្រាប់កម្ពុជា ពីព្រោះលក្ខខណ្ឌទឹកនៅប្រទេសទាំងនោះអាចមានលក្ខណៈខុសពីប្រព័ន្ធអេកូឡូស៊ីទឹកសាបនៅកម្ពុជា (ឧទាហរណ៍ កម្រិតភាពល្អក់នៃទឹកបឹងទន្លេសាប) ដែលតម្រូវឱ្យមានការថ្លឹងថ្លែងម៉ូដែលឡើងវិញ (Local Calibration) មុនពេលយកមកអនុវត្តជាក់ស្តែង។
បច្ចេកទេសតេឡេតាមដាន និង AI នេះមានអត្ថប្រយោជន៍យ៉ាងធំធេងសម្រាប់ប្រទេសកម្ពុជា ក្នុងការតាមដានគុណភាពទឹកលើផ្ទៃធំៗប្រកបដោយប្រសិទ្ធភាព និងចំណាយតិចជាងវិធីសាស្ត្រប្រពៃណី។
ការរួមបញ្ចូលទិន្នន័យផ្កាយរណបឥតគិតថ្លៃជាមួយម៉ូដែល Machine Learning នឹងផ្លាស់ប្តូររបៀបដែលកម្ពុជាគ្រប់គ្រងធនធានទឹក ដែលអាចកាត់បន្ថយការចំណាយថវិកាជាតិ និងឆ្លើយតបបានរហ័សទៅនឹងបញ្ហាបរិស្ថាន។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Optically Active Constituents (OACs) | សារធាតុនៅក្នុងទឹក (ដូចជាសារាយរស្មីសំយោគ ឬកករដី) ដែលមានប្រតិកម្មជាមួយនឹងពន្លឺព្រះអាទិត្យតាមរយៈការស្រូបយក (absorption) និងការចំណាំងប្លាត (scattering) ដែលធ្វើឱ្យយើងអាចមើលឃើញពណ៌របស់ទឹកប្រែប្រួល។ | ដូចជាការលាយពណ៌ទឹកថ្នាំចូលទៅក្នុងទឹកថ្លា ដែលធ្វើឱ្យទឹកប្រែពណ៌ ហើយយើងអាចសម្គាល់ដឹងតាមរយៈភ្នែកទទេ។ |
| Non-optically active constituents | សារធាតុរលាយក្នុងទឹក (ដូចជា អុកស៊ីហ្សែនរលាយ ឬសារធាតុចិញ្ចឹម អាសូត ផូស្វ័រ) ដែលមិនជះឥទ្ធិពលផ្ទាល់ដល់ចំណាំងប្លាតពន្លឺ ឬពណ៌របស់ទឹកនោះទេ ដែលធ្វើឱ្យការវាស់ស្ទង់ពួកវាតាមរយៈផ្កាយរណបមានភាពស្មុគស្មាញ និងត្រូវពឹងផ្អែកលើទំនាក់ទំនងប្រយោល (proxy relationships)។ | ដូចជាការរំលាយអំបិល ឬស្ករក្នុងទឹក ដែលយើងមិនអាចមើលដឹងថាទឹកនោះប្រៃឬផ្អែមដោយគ្រាន់តែសម្លឹងមើលពណ៌របស់វានោះទេ។ |
| Case II waters | ប្រភេទទឹកស្មុគស្មាញ (ភាគច្រើនជាទឹកសាប ទន្លេ បឹង ឬទឹកតំបន់ឆ្នេរ) ដែលលក្ខណៈអុបទិករបស់វាមិនត្រឹមតែរងឥទ្ធិពលពីសារាយប៉ុណ្ណោះទេ តែថែមទាំងកករដី និងសារធាតុសរីរាង្គរលាយផ្សេងៗទៀតដែលប្រែប្រួលដោយឯករាជ្យពីគ្នា ធ្វើឱ្យការវិភាគទិន្នន័យពីផ្កាយរណបមានភាពលំបាក។ | ដូចជាទឹកស៊ុបដែលផ្សំពីគ្រឿងទេសជាច្រើនមុខចូលគ្នា ដែលពិបាកនឹងបែងចែកថារសជាតិណាមួយចេញពីគ្រឿងទេសមួយណាឱ្យប្រាកដ បើធៀបនឹងទឹកតែសុទ្ធ។ |
| Remote sensing reflectance (Rrs) | រង្វាស់នៃបរិមាណពន្លឺព្រះអាទិត្យដែលជះចូលទៅក្នុងទឹក ហើយផ្លាតត្រលប់មកវិញឆ្លងកាត់ផ្ទៃទឹកចូលទៅក្នុងលំហអាកាស ដែលសេនស័រផ្កាយរណបអាចចាប់យកបាន ដើម្បីយកមកវិភាគពីគុណភាពទឹក។ | ដូចជាការប្រើកញ្ចក់ឆ្លុះពន្លឺព្រះអាទិត្យទៅលើជញ្ជាំង ហើយយើងវាស់កម្រិតពន្លឺដែលជញ្ជាំងនោះចំណាំងប្លាតត្រលប់មកភ្នែកយើងវិញ។ |
| Eutrophication | បាតុភូតនៃការកើនឡើងជ្រុលនៃសារធាតុចិញ្ចឹម (ជាពិសេស អាសូត និងផូស្វ័រ) នៅក្នុងប្រភពទឹក ដែលជំរុញឱ្យរុក្ខជាតិទឹក ឬសារាយលូតលាស់លឿនខុសធម្មតា បណ្តាលឱ្យកាត់បន្ថយកម្រិតអុកស៊ីហ្សែនរលាយនៅពេលពួកវាស្លាប់និងរលួយ។ | ដូចជាការដាក់ជីលើសកម្រិតទៅលើដី ដែលធ្វើឱ្យស្មៅចង្រៃដុះលូតលាស់លឿនពេក រហូតដណ្តើមដង្ហើម និងទីធ្លារបស់រុក្ខជាតិផ្សេងៗទៀត។ |
| Inherent Optical Properties (IOPs) | លក្ខណៈសម្បត្តិអុបទិកធម្មជាតិរបស់ទឹក និងសារធាតុនៅក្នុងទឹក (ដូចជាមេគុណស្រូបយក និងមេគុណចំណាំងប្លាតពន្លឺ) ដែលមិនពឹងផ្អែកទៅលើបរិមាណពន្លឺព្រះអាទិត្យពីខាងក្រៅនោះទេ។ | ដូចជាពណ៌ស្បែកធម្មជាតិរបស់មនុស្ស ដែលនៅតែជាពណ៌នោះដដែល ទោះបីជាស្ថិតនៅក្រោមពន្លឺថ្ងៃខ្លាំង ឬក្នុងទីងងឹតក៏ដោយ។ |
| Empirical Models | ម៉ូដែលគណិតវិទ្យាដែលត្រូវបានបង្កើតឡើងដោយផ្អែកលើការស្វែងរកទំនាក់ទំនងស្ថិតិរវាងទិន្នន័យជាក់ស្តែង (ឧទាហរណ៍ ការវាស់កំហាប់ទឹកផ្ទាល់ និងពណ៌ទឹកពីផ្កាយរណប) ជាជាងការពឹងផ្អែកលើទ្រឹស្តីរូបវិទ្យាសុទ្ធសាធអំពីពន្លឺ។ | ដូចជាការសង្កេតឃើញថា "រាល់ពេលមេឃស្រទុំ ភ្លៀងតែងតែធ្លាក់" ហើយយើងទាញការសន្និដ្ឋាននេះមកធ្វើជាច្បាប់ទស្សន៍ទាយ ដោយមិនចាំបាច់ដឹងពីដំណើរការរំហួតទឹកតាមបែបវិទ្យាសាស្ត្រ។ |
| Overfitting | បញ្ហានៅក្នុង Machine Learning នៅពេលដែលម៉ូដែលរៀនចងចាំទិន្នន័យហ្វឹកហាត់ (Training data) ច្បាស់ជ្រុល រហូតដល់វាចាប់យកទាំងចន្លោះប្រហោង និងទិន្នន័យរំខាន (Noise) ដែលធ្វើឱ្យវាបរាជ័យឬមានកំហុសខ្ពស់ក្នុងការទស្សន៍ទាយទិន្នន័យថ្មីៗផ្សេងទៀត។ | ដូចសិស្សដែលទន្ទេញចាំមាត់នូវចម្លើយលំហាត់ក្នុងសៀវភៅដោយមិនយល់ពីរបៀបគណនា ពេលប្រឡងចេញលំហាត់ថ្មីខុសលេខបន្តិច ក៏ធ្វើមិនចេះឬធ្វើខុស។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
