បញ្ហា (The Problem)៖ ឯកសារនេះដោះស្រាយបញ្ហានៃការកម្រិតទិន្នន័យ និងវិធីសាស្ត្រក្នុងការធ្វើគំរូអន្តរកម្មបរិស្ថានសម្រាប់ការផលិតកសិ-ចំណីអាហារ ជាពិសេសការពង្រឹងការវាយតម្លៃវដ្តជីវិត និងការធ្វើគំរូបម្រែបម្រួលកាបូនសរីរាង្គក្នុងដី។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះប្រើប្រាស់វិធីសាស្ត្រចម្រុះរួមមាន ការវាយតម្លៃវដ្តជីវិត ការធ្វើគំរូដំណើរការ និងបញ្ញាសិប្បនិម្មិត ដើម្បីវាយតម្លៃផលប៉ះពាល់បរិស្ថាន។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Random Forest (RF) រ៉េនដមហ្វរ៉េស (Random Forest) សម្រាប់ការប៉ាន់ស្មានជីវម៉ាស |
មានសមត្ថភាពខ្ពស់ក្នុងការដោះស្រាយទិន្នន័យស្មុគស្មាញ និងមិនមែនលីនេអ៊ែរ (Non-linear) ហើយផ្តល់លទ្ធផលសុក្រឹតជាងគេសម្រាប់ការប៉ាន់ស្មានជីវម៉ាស។ | អាចប្រឈមនឹងបញ្ហា Overfitting ប្រសិនបើសំណាកទិន្នន័យមានទំហំតូច និងពិបាកក្នុងការពន្យល់ពីរបៀបដែលវាធ្វើការវិភាគ (Black box)។ | សម្រេចបានកម្រិតសុក្រឹតភាពខ្ពស់បំផុតក្នុងការប៉ាន់ស្មានជីវម៉ាសលើដីដោយប្រើទិន្នន័យ Sentinel-2 ជាមួយនឹងកំហុស RMSE ត្រឹមតែ 810.47 kg DM/ha និង r² 0.63។ |
| Multiple Linear Regression (MLR) តំរែតំរង់លីនេអ៊ែរពហុគុណ (Multiple Linear Regression) |
ងាយស្រួលប្រើ ដំណើរការលឿន និងងាយស្រួលបកស្រាយទំនាក់ទំនងរវាងអថេរ។ | មានកម្រិតក្នុងការចាប់យកទំនាក់ទំនងស្មុគស្មាញរវាងទិន្នន័យពីផ្កាយរណប និងលក្ខណៈពិតនៃរុក្ខជាតិ។ | ទទួលបានលទ្ធផលកម្រិតមធ្យមដោយមាន RMSE ចំនួន 861.24 kg DM/ha សម្រាប់ការប៉ាន់ស្មានជីវម៉ាស។ |
| Artificial Neural Networks (ANN) បណ្ដាញសរសៃប្រសាទសិប្បនិម្មិត (ANN) ជាមួយទិន្នន័យ Hyperspectral |
ពូកែក្នុងការទាញយកលក្ខណៈពិសេសពីទិន្នន័យដែលមានទំហំធំ និងមានរលកពន្លឺច្រើន (Hyperspectral) សម្រាប់ការវិភាគដី។ | ទាមទារការកំណត់រចនាសម្ព័ន្ធស្មុគស្មាញ (ដូចជាចំនួន Neurons) និងចំណាយពេលគណនាច្រើន។ | ប៉ាន់ស្មានកម្រិតកាបូនសរីរាង្គក្នុងដី (SOM) បានយ៉ាងល្អ ដោយមានកំហុសចន្លោះពី 3.12 ទៅ 3.36 g SOM/kg នៃដី។ |
| Process-Based Modeling (RothC) ការធ្វើគំរូផ្អែកលើដំណើរការ (RothC) |
អាចវាយតម្លៃបម្រែបម្រួលកាបូនក្នុងដីបានយ៉ាងលម្អិតតាមតំបន់ ពេលវេលា និងប្រភេទដំណាំ ដោយផ្អែកលើដំណើរការជីវគីមីពិតប្រាកដ។ | ទាមទារទិន្នន័យបញ្ចូលច្រើនសន្ធឹកសន្ធាប់ដូចជា អាកាសធាតុ ប្រភេទដី សំណល់ដំណាំ និងការគ្រប់គ្រងដី។ | អាចបង្កើតកត្តាវាយតម្លៃ (Characterization Factors) ចំនួនជាង 5 លាន សម្រាប់តំបន់ចំនួន 17,000 និង 81 ប្រភេទដីកសិកម្មទូទាំងសកលលោក។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះទាមទារធនធានកុំព្យូទ័រ និងទិន្នន័យកម្រិតខ្ពស់ ដោយសារការប្រើប្រាស់គំរូទំហំធំ កម្មវិធីឯកទេស និងការវិភាគទិន្នន័យពីផ្កាយរណប។
ការសិក្សានេះត្រូវបានធ្វើឡើងភាគច្រើនដោយប្រើទិន្នន័យពីប្រទេសព័រទុយហ្គាល់ (តំបន់ Alentejo និង Azores) និងទិន្នន័យដីនៅតំបន់អឺរ៉ុប ដែលមានអាកាសធាតុប្រភេទមេឌីទែរ៉ាណេ និងសីតុណ្ហភាពត្រជាក់។ កត្តានេះជះឥទ្ធិពលដល់ការអនុវត្តនៅកម្ពុជា ដោយសារកម្ពុជាមានអាកាសធាតុត្រូពិចមូសុង ប្រភេទដីខុសគ្នា និងប្រព័ន្ធកសិកម្មដែលពឹងផ្អែកលើស្រូវជាចម្បង។ ដូច្នេះ ប៉ារ៉ាម៉ែត្រគំរូមិនអាចយកមកប្រើដោយផ្ទាល់បានទេ តែវិធីសាស្ត្រនៃការសិក្សាអាចយកមកអនុវត្តបាន។
វិធីសាស្ត្រនៃការប្រើប្រាស់ផ្កាយរណបរួមជាមួយ Machine Learning និងការធ្វើគំរូដំណើរការបរិស្ថាន មានសក្តានុពលខ្ពស់សម្រាប់អនុវត្តនៅកម្ពុជា ប្រសិនបើត្រូវបានកែសម្រួលជាមួយនឹងទិន្នន័យក្នុងស្រុក។
សរុបមក ការរួមបញ្ចូលបច្ចេកវិទ្យាផ្កាយរណប បញ្ញាសិប្បនិម្មិត និងការធ្វើគំរូបរិស្ថាន គឺជាឧបករណ៍ដ៏មានអានុភាព ដែលអាចជួយប្រទេសកម្ពុជាក្នុងការធ្វើផែនការកសិកម្មទំនើប និងការទប់ទល់នឹងការប្រែប្រួលអាកាសធាតុប្រកបដោយប្រសិទ្ធភាព។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Life Cycle Assessment (LCA) | គឺជាវិធីសាស្ត្រវាយតម្លៃផលប៉ះពាល់បរិស្ថាននៃផលិតផលណាមួយ ចាប់តាំងពីការទាញយកវត្ថុធាតុដើម ការផលិត ការប្រើប្រាស់ រហូតដល់ការបោះចោល ដើម្បីកំណត់ថាតើផលិតផលនោះបញ្ចេញឧស្ម័នផ្ទះកញ្ចក់សរុបចំនួនប៉ុន្មាន។ | ដូចជាការកត់ត្រាចំណាយប្រាក់តាំងពីចាប់ផ្តើមទិញទំនិញ ថ្លៃថែទាំ រហូតដល់ពេលលក់វាចោលវិញ ដើម្បីដឹងថាត្រូវខាតលុយសរុបប៉ុន្មាន។ |
| Process-based modelling | គឺជាការប្រើប្រាស់រូបមន្តគណិតវិទ្យាដែលផ្អែកលើច្បាប់រូបវិទ្យា គីមី ឬជីវវិទ្យាពិតៗ ដើម្បីបង្កើតជាគំរូក្លែងធ្វើ (Simulate) និងទស្សន៍ទាយពីដំណើរការនៃប្រព័ន្ធណាមួយ ដូចជាការកកើតកាបូនក្នុងដីក្រោមអាកាសធាតុជាក់លាក់។ | ដូចជាការសរសេរកូដបញ្ចូលក្នុងវីដេអូហ្គេម ដើម្បីធ្វើឱ្យតួអង្គ ឬបរិស្ថានក្នុងហ្គេមមានប្រតិកម្មទៅនឹងអាកាសធាតុដូចពិភពលោកពិត។ |
| Soil Organic Carbon (SOC) | គឺជាបរិមាណកាបូនដែលផ្ទុកនៅក្នុងសារធាតុសរីរាង្គក្នុងដី (ដូចជាស្លឹកឈើងាប់ ឬកាកសំណល់សត្វ) ដែលការរក្សាកាបូនក្នុងដីនេះជួយកាត់បន្ថយឧស្ម័នផ្ទះកញ្ចក់ក្នុងបរិយាកាស និងធ្វើឱ្យដីមានជីជាតិ។ | ដូចជាការសន្សំប្រាក់ក្នុងធនាគារអញ្ចឹង ពេលដីមានកាបូនកាន់តែច្រើន វាប្រៀបដូចជាដីមានទ្រព្យសម្បត្តិកាន់តែច្រើន ដែលធ្វើឱ្យដំណាំលូតលាស់បានល្អ។ |
| Enteric fermentation | គឺជាដំណើរការរំលាយអាហារនៅក្នុងក្រពះរបស់សត្វទំពារអៀង (ដូចជាគោ និងចៀម) ដែលបង្កើតជាឧស្ម័នមេតាន រួចបញ្ចេញមកក្រៅតាមរយៈការភើ ដែលនេះជាមូលហេតុចម្បងមួយនៃការឡើងកម្ដៅផែនដី។ | ប្រៀបបាននឹងដំណើរការបិទស្រាដែលមេដំបែស៊ីជាតិស្កររួចបញ្ចេញពពុះឧស្ម័ន ក្រពះគោក៏មានបាក់តេរីដែលបញ្ចេញឧស្ម័នមេតានពេលវារំលាយស្មៅដូចគ្នា។ |
| Hyperspectral imaging | គឺជាបច្ចេកវិទ្យាថតរូបភាពដែលចាប់យករលកពន្លឺរាប់រយពណ៌ (លើសពីអ្វីដែលភ្នែកមនុស្សអាចមើលឃើញ) ដើម្បីវិភាគរកសមាសធាតុគីមី ឬលក្ខណៈលម្អិតនៃវត្ថុមួយ ដូចជាការវាស់បរិមាណកាបូនក្នុងដីពីចម្ងាយជាដើម។ | ដូចជាការប្រើម៉ាស៊ីនស្កេនកាំរស្មីអ៊ិច (X-ray) នៅមន្ទីរពេទ្យ ដើម្បីមើលធ្លុះដល់ឆ្អឹងខាងក្នុង ជាជាងការមើលតែស្បែកពីខាងក្រៅដោយភ្នែកទទេ។ |
| Random Forest | គឺជាក្បួនដោះស្រាយ (Algorithm) ក្នុងបញ្ញាសិប្បនិម្មិត ដែលបង្កើតជាមែកធាងការសម្រេចចិត្ត (Decision Trees) ជាច្រើនបញ្ចូលគ្នា ដើម្បីទាញយកលទ្ធផលមធ្យមភាគមួយក្នុងការទស្សន៍ទាយទិន្នន័យឱ្យកាន់តែមានភាពសុក្រឹតខ្ពស់។ | ដូចជាការសួរសំណួរទៅកាន់មនុស្ស ១០០ នាក់ រួចយកចម្លើយភាគច្រើនបំផុតមកធ្វើជាការសម្រេចចិត្តចុងក្រោយ ជាជាងជឿលើមនុស្សតែម្នាក់។ |
| Remote sensing | គឺជាការប្រមូលទិន្នន័យពីរូបភាពលើផ្ទៃផែនដី ដោយប្រើឧបករណ៍ចាប់សញ្ញាពីចម្ងាយ (ដូចជាផ្កាយរណប ឬដ្រូន) ដោយមិនចាំបាច់ចុះទៅប៉ះផ្ទាល់ ដើម្បីវាស់ស្ទង់ទំហំព្រៃឈើ បរិមាណជីវម៉ាស ឬផលដំណាំកសិកម្ម។ | ដូចជាគ្រូពេទ្យប្រើទែម៉ូម៉ែត្របាញ់កម្ដៅលើថ្ងាស ដើម្បីវាស់កម្ដៅអ្នកជំងឺដោយមិនចាំបាច់យកដៃទៅស្ទាបស្បែកផ្ទាល់។ |
| Eutrophication | គឺជាបាតុភូតដែលទឹកសំបូរទៅដោយសារធាតុចិញ្ចឹមជ្រុល (ជាពិសេសនីត្រូហ្សែន និងផូស្វ័រ ដែលហូរទម្លាក់ពីជីកសិកម្ម) ដែលធ្វើឱ្យសារាយដុះច្រើន បឺតយកអុកស៊ីសែនពីក្នុងទឹក និងសម្លាប់ពពួកមច្ឆាជាតិ។ | ដូចជាការដាក់ជីច្រើនជ្រុលលើដើមផ្កា ដែលធ្វើឱ្យស្មៅចង្រៃដុះលឿនជាង និងដណ្ដើមសារធាតុចិញ្ចឹមរហូតដល់ដើមផ្កាងាប់។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
