បញ្ហា (The Problem)៖ អ្នកគ្រប់គ្រងចម្ការឈើចាប់អារម្មណ៍លើបច្ចេកវិទ្យា Lidar តាមអាកាសសម្រាប់ការធ្វើសារពើភ័ណ្ឌធនធានឈើ ប៉ុន្តែនៅតែមិនប្រាកដពីរបៀបអនុវត្តវាឱ្យបានល្អបំផុត។ ការសិក្សានេះវាយតម្លៃ និងប្រៀបធៀបបច្ចេកទេសវិភាគទិន្នន័យ Lidar ផ្សេងៗដើម្បីផ្តល់ការណែនាំសម្រាប់កម្មវិធីប្រតិបត្តិការនាពេលអនាគត។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានប្រើប្រាស់ទិន្នន័យ Lidar តាមអាកាសនៅលើផ្ទៃដីចម្ការស្រល់ ៥,០០០ ហិកតា ដោយប្រៀបធៀបវិធីសាស្ត្រទាញយកទិន្នន័យតាមពីរទម្រង់ចម្បង។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Area-based Analysis (ABA) - Plot polygons ការវិភាគផ្អែកលើផ្ទៃដី (Area-based Analysis) - ដោយប្រើពហុកោណដីឡូត៍ |
មានប្រសិទ្ធភាពខ្ពស់ក្នុងការវិភាគទិន្នន័យចំណុច ឬភីកសែលយ៉ាងឆាប់រហ័ស ដើម្បីទាញយកស្ថិតិអធិប្បាយក្នុងតំបន់ណាមួយ។ | មិនបានបង្ហាញពីព្រំដែនធម្មជាតិនៃដើមឈើនីមួយៗ ដែលធ្វើឱ្យពិបាកក្នុងការបកស្រាយរូបភាពផ្ទាល់ភ្នែកធៀបនឹងទិន្នន័យវាស់ផ្ទាល់។ | ម៉ូដែល Regression trees ផ្តល់តម្លៃ R-squared: កម្ពស់អតិបរមា 0.95, កម្ពស់មធ្យម 0.94, ដង់ស៊ីតេ 0.85, និងបរិមាណឈើសរុប 0.81។ |
| Object-based Image Analysis (OBIA) - Local maxima ការវិភាគរូបភាពផ្អែកលើវត្ថុ (OBIA) - ការរកចំណុចកំពូលក្នុងតំបន់ (Local maxima) |
មានភាពសាមញ្ញក្នុងការគណនា និងលឿនជាងក្បួនអាល់កូរីតបែងចែកដំបូលរុក្ខជាតិស្មុគស្មាញ (detects tree apices)។ | ងាយរងឥទ្ធិពលពីទំហំផ្ទៃស្វែងរក (search window) ធៀបនឹងទំហំដើមឈើ ដែលទាមទារការកំណត់ទំហំដោយប្រុងប្រយ័ត្នដើម្បីជៀសវាងការរាប់លើស ឬខ្វះ។ | ផ្តល់តម្លៃ R-squared: កម្ពស់អតិបរមា 0.97, ដង់ស៊ីតេ 0.88, និងអាចកំណត់ដើមឈើត្រូវគ្នាបានពី 65% ទៅ 77%។ |
| Object-based Image Analysis (OBIA) - Canopy segmentation (SMIC) ការវិភាគរូបភាពផ្អែកលើវត្ថុ (OBIA) - ការបែងចែកដំបូលរុក្ខជាតិដោយប្រើ SMIC |
ដើរតាមព្រំដែនធម្មជាតិនៃដើមឈើ (crown edges) ដែលជួយឱ្យងាយស្រួលផ្ទៀងផ្ទាត់ និងផ្តល់ទិន្នន័យទំហំដំបូលដើមឈើនីមួយៗបានច្បាស់លាស់។ | ដំបូលរុក្ខជាតិធំៗអាចមានចន្លោះប្រហោង ដែលទាមទារការព្យាបាលរូបភាពជាមុន (CITS smoothing) ដើម្បីកាត់បន្ថយកំហុសឆ្គងពីការបែងចែក។ | ម៉ូដែលប្រើ SMIC ជាមួយ CITS smoothed CHM អនុវត្តបានល្អបំផុត ដោយកំណត់ដើមឈើត្រូវគ្នាបាន 65% ទៅ 85%។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះទាមទារការវិនិយោគខ្ពស់លើឧបករណ៍ប្រមូលទិន្នន័យពីអាកាស និងការប្រើប្រាស់កម្មវិធីកុំព្យូទ័រជំនាញសម្រាប់ការវិភាគទិន្នន័យធំៗ (Big Data)។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅក្នុងចម្ការស្រល់ (Pinus radiata) ក្នុងរដ្ឋ New South Wales ប្រទេសអូស្ត្រាលី ដែលមានសណ្ឋានដី និងទម្រង់ដំបូលរុក្ខជាតិខុសប្លែកពីប្រទេសកម្ពុជា។ សម្រាប់កម្ពុជា ប្រភេទឈើកសិ-ឧស្សាហកម្មដូចជា កៅស៊ូ ម៉ៃសាក់ ឬព្រៃត្រូពិច មានទម្រង់ដំបូលស្មុគស្មាញ និងក្រាស់ជាង ដែលធ្វើឱ្យក្បួនអាល់កូរីតទាំងនេះតម្រូវឱ្យមានការកែតម្រូវ (Calibration) សាជាថ្មី ដើម្បីរក្សាភាពត្រឹមត្រូវ។
បច្ចេកទេសវាយតម្លៃធនធានតាមរយៈប្រព័ន្ធ Lidar តាមអាកាសនេះ មានសក្តានុពលខ្ពស់ក្នុងការផ្លាស់ប្តូរមុខមាត់ការធ្វើសារពើភ័ណ្ឌព្រៃឈើ និងកសិ-ឧស្សាហកម្មនៅកម្ពុជា។
ទោះបីជាការហោះហើរ Lidar មានតម្លៃថ្លៃក៏ដោយ ក៏វាផ្តល់ទិន្នន័យអចិន្ត្រៃយ៍ដែលមានភាពជាក់លាក់ខ្ពស់ ដែលអាចប្រើប្រាស់លើសពីវិស័យព្រៃឈើ ដល់ការគ្រប់គ្រងទឹក និងហេដ្ឋារចនាសម្ព័ន្ធ។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Area-based analysis (ABA) | គឺជាវិធីសាស្ត្រវិភាគទិន្នន័យ Lidar ដែលប្រើប្រាស់ព្រំដែនដីឡូត៍សិប្បនិម្មិត (ជារង្វង់ ឬក្រឡាចត្រង្គ) ដើម្បីស្រង់យកទិន្នន័យចំណុច (point cloud) និងគណនាជាស្ថិតិអធិប្បាយ (ដូចជាកម្ពស់មធ្យម ឬកម្រិតស្តង់ដារ) នៅក្នុងតំបន់កំណត់នោះដោយមិនគិតពីដើមឈើនីមួយៗ។ | ដូចជាការបោះសំណាញ់ទៅលើហ្វូងត្រី ហើយរាប់ចំនួន និងថ្លឹងទម្ងន់ត្រីទាំងអស់ដែលមានក្នុងសំណាញ់នោះតែម្តង ដោយមិនខ្វល់ពីរូបរាងត្រីនីមួយៗ។ |
| Object-based image analysis (OBIA) | គឺជាវិធីសាស្ត្រវិភាគរូបភាពដែលបែងចែកទិន្នន័យរូបភាព Lidar ទៅជា "វត្ថុ" តូចៗដាច់ដោយឡែកពីគ្នា (ដូចជាដំបូលដើមឈើនីមួយៗ) ដើម្បីទាញយកទិន្នន័យពីរូបរាង ទំហំ និងគម្លាតរបស់វា ដែលធ្វើឱ្យវាងាយស្រួលផ្ទៀងផ្ទាត់ជាមួយទិន្នន័យវាស់ផ្ទាល់។ | ដូចជាការគូសរង្វង់ព័ទ្ធជុំវិញមុខមនុស្សម្នាក់ៗក្នុងរូបថតជុំគ្នា ដើម្បីសម្គាល់ថាអ្នកណាជាអ្នកណា រួចទើបវាយតម្លៃពីកម្ពស់ ឬទំហំរបស់ពួកគេ។ |
| Canopy Height Model (CHM) | គឺជាម៉ូដែលទិន្នន័យ 3D តំណាងឱ្យកម្ពស់សុទ្ធរបស់រុក្ខជាតិ (ដំបូលព្រៃឈើ) ដែលបានមកពីការយកកម្ពស់សរុបនៃផ្ទៃខាងលើ (Vegetation Elevation Model) ដកជាមួយនឹងកម្ពស់ផ្ទៃដីខាងក្រោម (Digital Terrain Model)។ | ដូចជាការវាស់កម្ពស់ក្មេងដែលកំពុងឈរលើកៅអី ដោយយកកម្ពស់សរុបពីក្បាលដល់ដី ដកនឹងកម្ពស់កៅអីចេញ ដើម្បីបានកម្ពស់ពិតរបស់ក្មេងនោះ។ |
| local maxima | គឺជាក្បួនអាល់កូរីតសម្រាប់រកទីតាំងដើមឈើ ដោយស្វែងរកចំណុច ឬភីកសែលដែលមានកម្ពស់ខ្ពស់បំផុត (តំណាងឱ្យចុងកំពូលដើមឈើ) នៅក្នុងរង្វង់ ឬផ្ទៃស្វែងរកណាមួយ (search window) ដែលបានកំណត់។ | ដូចជាការឈរមើលពីលើអាកាសចុះមកក្រោម ហើយរាប់តែចំណុចកំពូលនៃឆ័ត្រនីមួយៗ ដើម្បីដឹងថាតើមានមនុស្សប៉ុន្មាននាក់កំពុងកាន់ឆ័ត្រដើរនៅខាងក្រោម។ |
| rumple index | គឺជារង្វាស់នៃភាពស្មុគស្មាញ និងភាពគគ្រើមនៃដំបូលរុក្ខជាតិ ដែលគណនាដោយយកក្រឡាផ្ទៃពិតនៃដំបូលរុក្ខជាតិ (canopy surface area) មកចែកជាមួយនឹងក្រឡាផ្ទៃដីរាបស្មើខាងក្រោម (ground area)។ វាជួយប្រាប់ពីភាពក្រាស់ ឬរដិបរដុបនៃទម្រង់ព្រៃឈើ។ | ដូចជាការប្រៀបធៀបក្រណាត់ដែលជ្រីវជ្រួញ (មានក្រឡាផ្ទៃធំជាង) ទៅនឹងក្រណាត់ដែលរាបស្មើ ធៀបនឹងទំហំផ្ទៃតុតែមួយដែលវាគ្របដណ្តប់។ |
| Spatially and Morphologically Isolated Crest (SMIC) | គឺជាដំណើរការបែងចែករូបភាពដំបូលព្រៃឈើ (segmentation) ដែលប្រើប្រាស់ក្បួនចម្រោះ (filters) ដើម្បីកំណត់ព្រំដែនដំបូលដើមឈើដែលមានរាងប៉ោងឡើងលើ ជួយញែកដើមឈើនីមួយៗចេញពីគ្នាទោះបីជាវាដុះកៀកគ្នាក៏ដោយ។ | ដូចជាការប្រើពុម្ពដើម្បីកាត់នំខេកធំមួយ ទៅជានំខេកតូចៗនីមួយៗតាមទម្រង់កំពូលប៉ោងរបស់វា។ |
| discrete return lidar | ជាប្រភេទប្រព័ន្ធ Lidar ដែលបញ្ចេញពន្លឺឡាស៊ែរ និងកត់ត្រាការចំណាំងផ្លាតត្រឡប់មកវិញជាចំណុចដាច់ៗពីគ្នា (ឧទាហរណ៍ ចំណាំងផ្លាតទី១ប៉ះស្លឹក ទី២ប៉ះមែក និងចុងក្រោយប៉ះដី) ដែលអនុញ្ញាតឱ្យមើលឃើញរចនាសម្ព័ន្ធខាងក្នុងនៃដំបូលព្រៃឈើ។ | ដូចជាការបោះកូនបាល់តូចៗជាច្រើនចូលក្នុងគុម្ពោតព្រៃ ខ្លះទង្គិចស្លឹកហើយលោតមកវិញ ខ្លះទៀតធ្លាក់ដល់ដីទើបលោតមកវិញ ដែលអនុញ្ញាតឱ្យយើងដឹងពីជម្រៅរបស់គុម្ពោតព្រៃនោះ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
