បញ្ហា (The Problem)៖ ការសិក្សានេះដោះស្រាយបញ្ហានៃការគូសផែនទីបម្រែបម្រួលលំហនៃអថេរជីវរូបវិទ្យាព្រៃឈើសំខាន់ៗ (LAI, fIPAR, និង AGB) ដែលចាំបាច់សម្រាប់ការយល់ដឹងពីផលិតកម្មបឋម និងការផ្លាស់ប្តូរកាបូននៅក្នុងប្រព័ន្ធអេកូឡូស៊ី។
វិធីសាស្ត្រ (The Methodology)៖ អ្នកស្រាវជ្រាវបានប្រើប្រាស់ទិន្នន័យផ្កាយរណប Sentinel-2 រួមផ្សំជាមួយទិន្នន័យវាល ដោយអនុវត្តក្បួនដោះស្រាយ Random Forest ដើម្បីស្វែងរកម៉ូដែលទស្សន៍ទាយដែលល្អបំផុត។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Random Forest with Spectral Variables (Model 1) ម៉ូដែល Random Forest ដោយប្រើប្រាស់តែអថេរវិសាលគម (Model 1) |
ងាយស្រួលក្នុងការទាញយកទិន្នន័យពីចំណាំងផ្លាតនៃកម្រិតពន្លឺ (Band reflectance) និងសន្ទស្សន៍រុក្ខជាតិ ដោយមានភាពសាមញ្ញក្នុងការអនុវត្ត។ | មិនបានរួមបញ្ចូលព័ត៌មានពីរចនាសម្ព័ន្ធលំហ (Spatial structure) នៃព្រៃឈើ ដែលធ្វើឱ្យភាពសុក្រឹតនៅមានកម្រិតបន្តិចធៀបនឹងម៉ូដែលរួមបញ្ចូលគ្នា។ | LAI: R²=0.92, fIPAR: R²=0.91, AGB: R²=0.91 (ផ្អែកលើទិន្នន័យបង្វឹក) |
| Random Forest with Texture Variables (Model 2) ម៉ូដែល Random Forest ដោយប្រើប្រាស់តែអថេរវាយនភាព (Model 2) |
អាចចាប់យកលក្ខណៈពិសេសនៃរចនាសម្ព័ន្ធ និងភាពរដិបរដុបនៃដំបូលព្រៃ (Canopy structure) តាមរយៈការវិភាគ GLCM បានយ៉ាងល្អ។ | ខ្វះព័ត៌មានអំពីពណ៌និងជីវសាស្ត្រគីមីរបស់ស្លឹកឈើ ដែលអាចកាត់បន្ថយសមត្ថភាពទស្សន៍ទាយលើប្រភេទព្រៃខុសៗគ្នា។ | LAI: R²=0.92, fIPAR: R²=0.92, AGB: R²=0.92 (ផ្អែកលើទិន្នន័យបង្វឹក) |
| Random Forest with Spectral & Texture Variables (Model 3) ម៉ូដែល Random Forest រួមបញ្ចូលអថេរវិសាលគមនិងវាយនភាព (Model 3) |
ផ្តល់លទ្ធផលល្អបំផុតដោយរួមបញ្ចូលទាំងព័ត៌មានពណ៌ និងរចនាសម្ព័ន្ធលំហនៃព្រៃឈើ ធ្វើឱ្យការប៉ាន់ស្មានមានភាពសុក្រឹតខ្ពស់បំផុត។ | ទាមទារកម្លាំងកុំព្យូទ័រ និងពេលវេលាច្រើនជាងមុនក្នុងការគណនាអថេររហូតដល់ ១៤២ មុននឹងធ្វើការចម្រាញ់ (Optimization)។ | LAI: R²=0.83, fIPAR: R²=0.87, AGB: R²=0.85 (ផ្អែកលើលទ្ធផលផ្ទៀងផ្ទាត់ Validation) |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះទាមទារការរួមបញ្ចូលគ្នារវាងទិន្នន័យផ្កាយរណបឥតគិតថ្លៃ និងការចុះវាស់វែងផ្ទាល់នៅទីវាល ដែលត្រូវការធនធានឧបករណ៍ និងកម្មវិធីកុំព្យូទ័រជាក់លាក់។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅក្នុងតំបន់ព្រៃបម្រុង Barkot ក្នុងប្រទេសឥណ្ឌា ដែលជាប្រភេទព្រៃល្បោះសើមតំបន់ត្រូពិក (Tropical Moist Deciduous Forest) ដុះលាយឡំដោយដើម Sal ភាគច្រើន។ ទិន្នន័យនេះឆ្លុះបញ្ចាំងពីលក្ខណៈអេកូឡូស៊ីជាក់លាក់នៃតំបន់នោះ ដែលវាមានសារៈសំខាន់ណាស់សម្រាប់កម្ពុជាក្នុងការប្រមូលទិន្នន័យទីវាលក្នុងស្រុក ដើម្បីបង្វឹកម៉ូដែលឡើងវិញឱ្យស្របតាមប្រភេទព្រៃឈើនៅកម្ពុជាមុននឹងយកទៅអនុវត្ត។
វិធីសាស្ត្រនេះមានសក្តានុពលខ្ពស់ និងអាចយកមកអនុវត្តយ៉ាងមានប្រសិទ្ធភាពសម្រាប់ការគ្រប់គ្រង និងតាមដានធនធានព្រៃឈើនៅប្រទេសកម្ពុជា។
ជារួម ការប្រើប្រាស់ទិន្នន័យផ្កាយរណបឥតគិតថ្លៃរួមជាមួយក្បួនដោះស្រាយ Machine Learning គឺជាដំណោះស្រាយដែលមានតម្លៃសមរម្យ ចំណេញពេលវេលា និងមានប្រសិទ្ធភាពខ្ពស់សម្រាប់ការគូសផែនទីធនធានព្រៃឈើនៅកម្ពុជា។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Leaf Area Index (LAI) | ជារង្វាស់ទំហំផ្ទៃស្លឹកឈើពណ៌បៃតងសរុបធៀបនឹងផ្ទៃដីមួយឯកតាខាងក្រោម។ វាជួយបញ្ជាក់ពីបរិមាណស្លឹកដែលធ្វើរស្មីសំយោគ ផ្លាស់ប្តូរឧស្ម័ន និងស្រូបយកពន្លឺនៅក្នុងប្រព័ន្ធអេកូឡូស៊ីព្រៃឈើ។ | ប្រៀបដូចជាការវាស់ថាតើមានដំបូលស្លឹកឈើក្រាស់ប៉ុនណាសម្រាប់បាំងពន្លឺថ្ងៃនៅលើផ្ទៃដីមួយម៉ែត្រការ៉េ។ |
| Aboveground Biomass (AGB) | ជាម៉ាស ឬទម្ងន់សរុបនៃផ្នែករុក្ខជាតិដែលមានជីវិតទាំងអស់នៅពីលើដី (ដូចជាតួដើម មែក និងស្លឹក) ដែលគិតជាទម្ងន់ស្ងួត។ វាត្រូវបានប្រើដើម្បីវាយតម្លៃបរិមាណកាបូនដែលព្រៃឈើអាចស្តុកទុកបាន។ | ដូចជាការថ្លឹងទម្ងន់ដើមឈើ មែក និងស្លឹកទាំងអស់នៅក្នុងព្រៃ ដើម្បីដឹងថាវាធំធាត់ និងស្តុកកាបូនបានកម្រិតណា។ |
| fIPAR | តំណាងឱ្យប្រភាគនៃពន្លឺព្រះអាទិត្យ (ក្នុងកម្រិតរលកដែលអាចធ្វើរស្មីសំយោគបាន) ដែលត្រូវបានស្រូប ឬស្ទាក់ជាប់ដោយដំបូលព្រៃឈើ មុនពេលវាធ្លាក់ដល់ដី។ | ប្រៀបដូចជាការគណនាថាតើឆ័ត្រមួយអាចបាំងតំណក់ទឹកភ្លៀងបានប៉ុន្មានភាគរយមិនឲ្យធ្លាក់ដល់ដីអញ្ចឹងដែរ (គ្រាន់តែជំនួសទឹកភ្លៀងដោយពន្លឺ)។ |
| Random Forest (RF) algorithm | ជាក្បួនដោះស្រាយរៀនដោយម៉ាស៊ីន (Machine Learning) ដែលបង្កើត "ដើមឈើសម្រេចចិត្ត" (Decision Trees) ជាច្រើនបញ្ចូលគ្នា ដើម្បីធ្វើការទស្សន៍ទាយលទ្ធផលឱ្យបានកាន់តែសុក្រឹត និងកាត់បន្ថយកំហុសឆ្គង។ | ដូចជាការសួរមតិពីមនុស្ស១០០នាក់ (ដើមឈើ១០០) ដើម្បីសម្រេចចិត្តលើរឿងមួយ ជាជាងជឿលើការសម្រេចចិត្តរបស់មនុស្សតែម្នាក់។ |
| Grey Level Co-Occurrence Matrix(GLCM) | ជាវិធីសាស្ត្រស្ថិតិប្រើក្នុងរូបភាពផ្កាយរណប ដើម្បីវិភាគពី "វាយនភាព" (Texture) ឬភាពរដិបរដុបនៃផ្ទៃដំបូលព្រៃ ដោយពិនិត្យមើលទំនាក់ទំនងនៃកម្រិតពណ៌របស់ភីកសែល (Pixels) ដែលនៅក្បែរៗគ្នា។ | ប្រៀបដូចជាការស្ទាបក្រណាត់មួយផ្ទាំង ដើម្បីដឹងថាវាគ្រើម ឬរលោង ដោយមិនបាច់មើលពណ៌របស់វា។ |
| Spectral Variables | ជាទិន្នន័យអថេរដែលទាញចេញពីចំណាំងផ្លាតនៃពន្លឺលើផ្ទៃផែនដី តាមរយៈកម្រិតរលកពន្លឺផ្សេងៗគ្នា (Bands) របស់សេនស័រផ្កាយរណប រួមទាំងការគណនាជាសន្ទស្សន៍រុក្ខជាតិ។ | ដូចជាការប្រើប្រាស់កាមេរ៉ាដែលអាចចាប់យកពណ៌ ឬពន្លឺដែលភ្នែកមនុស្សមើលមិនឃើញ ដើម្បីស្គាល់ពីលក្ខណៈ និងសុខភាពរុក្ខជាតិ។ |
| RMSE | កំហុសមធ្យមការ៉េ (Root Mean Square Error) ជារង្វាស់គណិតវិទ្យាដែលបង្ហាញពីកម្រិតនៃភាពខុសគ្នា (កំហុស) រវាងតម្លៃដែលម៉ូដែលបានទស្សន៍ទាយ និងតម្លៃពិតប្រាកដដែលបានវាស់ផ្ទាល់នៅទីវាល។ តម្លៃ RMSE កាន់តែតូច បង្ហាញថាម៉ូដែលកាន់តែសុក្រឹត។ | ដូចជាការវាស់ថាតើព្រួញដែលយើងបាញ់ទៅនោះ ឃ្លាតពីចំណុចកណ្តាលនៃផ្ទាំងស៊ីបជាមធ្យមប៉ុន្មានសង់ទីម៉ែត្រ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
