Original Title: REMOTE SENSING BASED VEGETATION INDICES FOR ESTIMATING ABOVE GROUND CARBON SEQUESTRATION IN ORCHARDS
Source: doi.org/10.17707/AgricultForest.62.4.21
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original paper for full scientific accuracy.

សន្ទស្សន៍រុក្ខជាតិផ្អែកលើតេឡេដេតេកស្យុង (Remote sensing) សម្រាប់ការប៉ាន់ស្មានការស្រូបយកកាបូនលើដីនៅក្នុងចម្ការ

ចំណងជើងដើម៖ REMOTE SENSING BASED VEGETATION INDICES FOR ESTIMATING ABOVE GROUND CARBON SEQUESTRATION IN ORCHARDS

អ្នកនិពន្ធ៖ Yannawut Uttaruk (Department of Biology, Mahasarakham University), Teerawong Laosuwan (Department of Physics, Mahasarakham University)

ឆ្នាំបោះពុម្ព៖ 2016, Agriculture & Forestry, Vol. 62 Issue 4

វិស័យសិក្សា៖ Environmental Science / Remote Sensing

១. សេចក្តីសង្ខេបប្រតិបត្តិ (Executive Summary)

បញ្ហា (The Problem)៖ ការសិក្សានេះដោះស្រាយបញ្ហានៃការប្រែប្រួលអាកាសធាតុ ដោយស្វែងរកវិធីសាស្ត្រងាយស្រួល និងចំណាយតិច ក្នុងការប៉ាន់ស្មានបរិមាណនៃការស្រូបយកកាបូនលើដី (Above Ground Carbon Sequestration) នៅក្នុងតំបន់ចម្ការជំនួសឱ្យការចុះអង្កេតផ្ទាល់។

វិធីសាស្ត្រ (The Methodology)៖ អ្នកស្រាវជ្រាវបានប្រើប្រាស់បច្ចេកវិទ្យាតេឡេដេតេកស្យុង (Remote Sensing) និងទិន្នន័យពីផ្កាយរណប ដើម្បីវិភាគ និងស្វែងរកទំនាក់ទំនងជាមួយទិន្នន័យវាល។

លទ្ធផលសំខាន់ៗ (The Verdict)៖

២. ការវិភាគលើប្រសិទ្ធភាព និងដែនកំណត់ (Performance & Constraints)

វិធីសាស្ត្រ (Method) គុណសម្បត្តិ (Pros) គុណវិបត្តិ (Cons) លទ្ធផលគន្លឹះ (Key Result)
Normalized Difference Vegetation Index (NDVI)
សន្ទស្សន៍ភាពខុសគ្នានៃរុក្ខជាតិ (NDVI)
ងាយស្រួលក្នុងការគណនា និងត្រូវបានប្រើប្រាស់យ៉ាងទូលំទូលាយសម្រាប់ការវាយតម្លៃកម្រិតភាពខៀវស្រងាត់ និងសុខភាពរបស់រុក្ខជាតិ។ អាចផ្តល់តម្លៃអវិជ្ជមាននៅក្នុងតំបន់ខ្លះ ដែលធ្វើឱ្យការគណនាជីវម៉ាសមានការរអាក់រអួល និងមានភាពសុក្រឹតទាបជាង TNDVI បន្តិច។ សមីការទំនាក់ទំនង y = 0.2836e^0.0373x មានមេគុណ R² = 0.872 និងប៉ាន់ស្មានការស្រូបកាបូនបាន ២៥៥.៧១២ tCO2/rai។
Transformed Normalized Difference Vegetation Index (TNDVI)
សន្ទស្សន៍ភាពខុសគ្នានៃរុក្ខជាតិកែច្នៃ (TNDVI)
កាត់បន្ថយបញ្ហាតម្លៃអវិជ្ជមានដោយការបូកបន្ថែម 0.5 និងបំពាក់ឫសការ៉េ ដែលផ្តល់ទំនាក់ទំនងស្ថិតិជាមួយទិន្នន័យវាលបានល្អជាងមុន។ ទាមទារការគណនាស៊ាំញ៉ាំជាង NDVI បន្តិច ប៉ុន្តែមិនមែនជាឧបសគ្គធំដុំនោះទេសម្រាប់កម្មវិធីកុំព្យូទ័របច្ចុប្បន្ន។ សមីការទំនាក់ទំនង y = 0.2261e^0.0388x មានមេគុណ R² = 0.877 (ខ្ពស់ជាងគេ) និងប៉ាន់ស្មានការស្រូបកាបូនបាន ២៥៥.៤០០ tCO2/rai។

ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះពឹងផ្អែកជាចម្បងលើទិន្នន័យផ្កាយរណបឥតគិតថ្លៃ និងការចុះប្រមូលទិន្នន័យវាលក្នុងកម្រិតមធ្យម ដែលជួយសន្សំសំចៃការចំណាយ និងពេលវេលាបានច្រើនធៀបនឹងការចុះអង្កេតផ្ទាល់ទាំងស្រុង។

៣. ការពិនិត្យសម្រាប់បរិបទកម្ពុជា/អាស៊ីអាគ្នេយ៍

ភាពលំអៀងនៃទិន្នន័យ (Data Bias)៖

ការសិក្សានេះត្រូវបានធ្វើឡើងនៅក្នុងតំបន់ចម្ការនៃខេត្តសកលនគរ (Sakon Nakhon) ភាគឦសានប្រទេសថៃ ដោយប្រើប្រាស់ទិន្នន័យពីផ្កាយរណប Landsat 7 ក្នុងឆ្នាំ២០១៥។ ដោយសារលក្ខខណ្ឌអាកាសធាតុ ភូមិសាស្ត្រ និងប្រភេទរុក្ខជាតិនៅតំបន់នោះមានភាពស្រដៀងគ្នាខ្លាំងនឹងប្រទេសកម្ពុជា សមីការនេះអាចមានអំណោយផលក្នុងការយកមកសាកល្បងនៅកម្ពុជា ប៉ុន្តែការអនុវត្តជាក់ស្តែងចាំបាច់ត្រូវមានការប្រមូលទិន្នន័យវាលក្នុងស្រុកបន្ថែមដើម្បីធ្វើតេស្ត និងកែតម្រូវសមីការឡើងវិញ។

លទ្ធភាពនៃការអនុវត្ត (Applicability)៖

វិធីសាស្ត្រប្រើប្រាស់តេឡេដេតេកស្យុង (Remote Sensing) នេះមានសក្តានុពលខ្ពស់ និងស័ក្តិសមបំផុតសម្រាប់ប្រទេសកម្ពុជា ក្នុងការវាយតម្លៃគម្រោងកាបូន និងគ្រប់គ្រងធនធានធម្មជាតិប្រកបដោយប្រសិទ្ធភាពចំណាយ។

ការសម្របយកបច្ចេកវិទ្យានេះមកប្រើប្រាស់ នឹងជួយឱ្យកម្ពុជាទទួលបានទិន្នន័យវិទ្យាសាស្ត្រច្បាស់លាស់ និងទាន់ពេលវេលា សម្រាប់គាំទ្រដល់ការចរចាហិរញ្ញប្បទានអាកាសធាតុនៅលើឆាកអន្តរជាតិ។

៤. ផែនការសកម្មភាពសម្រាប់និស្សិត (Actionable Roadmap)

ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖

  1. ជំហានទី១៖ សិក្សាមូលដ្ឋានគ្រឹះពី Remote Sensing និងកម្មវិធី GIS: និស្សិតគួរចាប់ផ្តើមសិក្សាពីទ្រឹស្តីចំណាំងផ្លាតនៃរលកពន្លឺ (Electromagnetic spectrum) និងរៀនប្រើប្រាស់កម្មវិធីកុំព្យូទ័រឥតគិតថ្លៃដូចជា QGIS តាមរយៈការមើលមេរៀនបង្រៀនលើ YouTube ឬវគ្គសិក្សាលើ Coursera។
  2. ជំហានទី២៖ ទាញយក និងរៀបចំទិន្នន័យផ្កាយរណប: អនុវត្តការចុះឈ្មោះ និងទាញយកទិន្នន័យផ្កាយរណបពីគេហទំព័រ USGS Earth Explorer។ គួរជ្រើសរើសទិន្នន័យ Landsat 8, Landsat 9 ឬ Sentinel-2 ដែលថ្មី និងមានគុណភាពខ្ពស់ជាង Landsat 7 រួចរៀនធ្វើការកែតម្រូវកម្រិតចំណាំងផ្លាត Top of Atmosphere (ToA) reflectance។
  3. ជំហានទី៣៖ គណនាសន្ទស្សន៍រុក្ខជាតិ (NDVI និង TNDVI): ប្រើប្រាស់មុខងារ Raster Calculator នៅក្នុង QGIS ឬសរសេរកូដ Python ដោយប្រើប្រាស់បណ្ណាល័យ GDAL ដើម្បីអនុវត្តរូបមន្តគណនា NDVI និង TNDVI ទៅលើទិន្នន័យរូបភាពផ្កាយរណបដែលបានរៀបចំរួច។
  4. ជំហានទី៤៖ ប្រមូលទិន្នន័យវាល និងធ្វើការវិភាគស្ថិតិ: ចុះធ្វើការវាស់វែងទំហំដើមឈើ (អង្កត់ផ្ចិត និងកម្ពស់) នៅតំបន់សិក្សាជាក់ស្តែងណាមួយ ដើម្បីគណនាជីវម៉ាស។ បន្ទាប់មក ប្រើប្រាស់កម្មវិធី SPSS, R ឬ Python ធ្វើការវិភាគតំរែតំរង់ (Regression Analysis) ដើម្បីស្វែងរកទំនាក់ទំនងរវាងទិន្នន័យវាល និងតម្លៃសន្ទស្សន៍ពីផ្កាយរណប។
  5. ជំហានទី៥៖ បង្កើតសមីការ និងផលិតផែនទីកាបូន: ជ្រើសរើសសមីការដែលមានតម្លៃ R² ខ្ពស់ជាងគេ (ឧ. ម៉ូដែលអិចស្ប៉ូណង់ស្យែលពី TNDVI) ហើយអនុវត្តសមីការនោះទៅលើរូបភាពផ្កាយរណបទាំងមូល តាមរយៈ QGIS ដើម្បីផលិតជាផែនទីប៉ាន់ស្មានការស្រូបយកកាបូន (Carbon Sequestration Map) ប្រចាំតំបន់។

៥. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស ការពន្យល់ជាខេមរភាសា (Khmer Explanation) និយមន័យសាមញ្ញ (Simple Definition)
Remote sensing បច្ចេកវិទ្យាក្នុងការប្រមូលព័ត៌មានពីចម្ងាយ (ជាធម្មតាតាមរយៈផ្កាយរណប ឬយន្តហោះ) អំពីផ្ទៃដីដោយមិនបាច់ចុះទៅប៉ះផ្ទាល់ ដោយវាស់ស្ទង់រលកពន្លឺដែលជះត្រឡប់មកវិញពីវត្ថុផ្សេងៗ។ ដូចជាការថតរូបពីលើអាកាសដើម្បីមើលទិដ្ឋភាពរួមនៃផ្ទៃដី និងដឹងពីស្ថានភាពដើមឈើ ដោយមិនបាច់ដើរទៅពិនិត្យមើលគ្រប់កន្លែង។
Carbon sequestration ដំណើរការនៃប្រព័ន្ធអេកូឡូស៊ីក្នុងការចាប់យក និងរក្សាទុកឧស្ម័នកាបូនឌីអុកស៊ីត (CO2) ពីបរិយាកាសទៅក្នុងរុក្ខជាតិ (តាមរយៈរស្មីសំយោគ) ដី ឬមហាសមុទ្រ ដើម្បីជួយកាត់បន្ថយការឡើងកម្តៅផែនដី។ ដូចជាម៉ាស៊ីនបូមធូលីដែលបូមយកសារធាតុពុល (កាបូន) ពីក្នុងខ្យល់ ទៅកប់ទុកក្នុងគល់ឈើ មែកឈើ ឬឫសឈើ ដើម្បីឱ្យខ្យល់បរិសុទ្ធឡើងវិញ។
Normalized Difference Vegetation Index (NDVI) សូចនាករគណិតវិទ្យាដែលប្រើទិន្នន័យចំណាំងផ្លាតនៃពន្លឺពណ៌ក្រហម និងពន្លឺអាំងប្រាក្រហមជិត (Near-Infrared) ពីផ្កាយរណប ដើម្បីវាយតម្លៃកម្រិតភាពខៀវស្រងាត់ និងសុខភាពរបស់រុក្ខជាតិនៅលើផ្ទៃដី។ ដូចជាឧបករណ៍ស្កេនសុខភាពពីលើមេឃ ដែលប្រាប់យើងថា តើដើមឈើនៅតំបន់នោះមានសុខភាពល្អ និងដុះក្រាស់ប៉ុនណា តាមរយៈពណ៌ដែលវាជះត្រឡប់មក។
Transformed Normalized Difference Vegetation Index (TNDVI) ការកែច្នៃរូបមន្ត NDVI ដើម ដោយបូកបន្ថែមតម្លៃ 0.5 រួចបំពាក់ឫសការ៉េ ដើម្បីបំបាត់តម្លៃអវិជ្ជមាន ដែលវិធីនេះជួយឱ្យការវាស់ស្ទង់ជីវម៉ាសពណ៌បៃតងមានភាពសុក្រឹត និងអាចជឿទុកចិត្តបានជាងមុន។ ដូចជាការយកជញ្ជីងថ្លឹង (NDVI) មកសារ៉េកែតម្រូវកុំឱ្យមានលេខជាប់អវិជ្ជមាន ដើម្បីឱ្យលទ្ធផលថ្លឹងដើមឈើកាន់តែច្បាស់លាស់។
Top of Atmosphere (ToA) Reflectance ការគណនាកែតម្រូវទិន្នន័យរូបភាពពីផ្កាយរណប ដើម្បីកាត់បន្ថយការរំខាននានាពីបរិយាកាសផែនដី (ដូចជាពពក ចំហាយទឹក ឬធូលី) ដើម្បីបានពន្លឺចំណាំងផ្លាតពិតប្រាកដចេញពីរុក្ខជាតិ។ ដូចជាការជូតកញ្ចក់វ៉ែនតាឱ្យស្អាតមុននឹងមើលទេសភាព ដើម្បីកុំឱ្យធូលីនៅលើកញ្ចក់ធ្វើឱ្យយើងមើលឃើញពណ៌ដើមឈើខុសពីការពិត។
Fractional cover សមាមាត្រនៃផ្ទៃដីដែលត្រូវបានគ្របដណ្ដប់ដោយស្លឹកឈើ ឬរុក្ខជាតិ (Canopy) ធៀបនឹងផ្ទៃដីសរុបនៅក្នុងភីកសែល (Pixel) នីមួយៗនៃរូបភាពផ្កាយរណប។ ដូចជាការសម្លឹងមើលពីលើដំបូលផ្ទះចុះមកក្រោម ហើយគណនាថាតើមានស្លឹកឈើប៉ុន្មានភាគរយដែលបាំងដីនៅខាងក្រោម។
Biomass ទម្ងន់ ឬបរិមាណសរុបនៃសារពាង្គកាយមានជីវិត (ដូចជាដើមឈើ មែក ស្លឹក និងឫស) នៅក្នុងតំបន់ណាមួយ ដែលជាកន្លែងស្តុកទុកកាបូនយ៉ាងសំខាន់សម្រាប់ជួយបរិស្ថាន។ ដូចជាការថ្លឹងទម្ងន់សរុបនៃសាច់ ឈើ និងស្លឹករបស់រុក្ខជាតិទាំងអស់នៅក្នុងចម្ការបញ្ចូលគ្នា។

៦. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖