បញ្ហា (The Problem)៖ ការប៉ាន់ស្មានបរិមាណកាបូនក្នុងប្រព័ន្ធអេកូឡូស៊ីឱ្យបានត្រឹមត្រូវគឺមានសារៈសំខាន់សម្រាប់ការប្រែប្រួលអាកាសធាតុ ប៉ុន្តែវិធីសាស្ត្រទូរអវកាសភាគច្រើនផ្តោតតែលើសមាសធាតុនីមួយៗ (ដូចជាជីវម៉ាស់លើដី ឬកាបូនក្នុងដី) ដោយឡែកពីគ្នា ដែលនាំឱ្យការគណនាមិនបានពេញលេញ។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានបង្កើត និងធ្វើសុពលភាពលើក្របខ័ណ្ឌប៉ាន់ស្មានកាបូនសរុប ដោយប្រមូលទិន្នន័យពីទីតាំងចំនួន ៣៤៧ កន្លែងនៅទូទាំង ២៨ ប្រទេស តាមរយៈការរួមបញ្ចូលគ្នានូវបច្ចេកវិទ្យាជាច្រើន។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Traditional Field Surveys ការចុះវាស់វែងផ្ទាល់នៅទីវាលជាប្រពៃណី |
ផ្តល់ភាពត្រឹមត្រូវខ្ពស់បំផុត (R²=0.95) និងជាប្រភពទិន្នន័យគោលដ៏សំខាន់សម្រាប់ផ្ទៀងផ្ទាត់។ | ទាមទារការចំណាយខ្ពស់ ($18.4/ha) ចំណាយពេលយូរ ប្រើកម្លាំងពលកម្មច្រើន និងមិនអាចគ្របដណ្តប់ផ្ទៃដីបានទូលំទូលាយ។ | គ្របដណ្តប់បានត្រឹមតែ ០.១% នៃផ្ទៃដីសរុប និងមានកម្រិតភាពញឹកញាប់នៃការវាស់វែង ៥ ឆ្នាំម្តង។ |
| Component-wise Remote Sensing ការធ្វើម៉ូដែលទូរអវកាសតាមសមាសធាតុដាច់ដោយឡែក |
ងាយស្រួលក្នុងការប៉ាន់ស្មានដាច់ដោយឡែករវាងជីវម៉ាស់លើដី (AGB) និងកាបូនក្នុងដី (SOC) និងកាត់បន្ថយការចំណាយធៀបនឹងការចុះវាស់ផ្ទាល់។ | ខ្វះការគិតគូរពីអន្តរកម្មរវាងសមាសធាតុកាបូនទាំងពីរ ដែលធ្វើឱ្យការវាយតម្លៃសរុបមិនសូវមានភាពត្រឹមត្រូវខ្ពស់។ | សម្រេចបានភាពត្រឹមត្រូវទូទៅកម្រិត R² = 0.78 និង RMSE = 31.2 Mg C ha⁻¹។ |
| Direct Multi-Sensor Modeling (Proposed) ការធ្វើម៉ូដែលរួមបញ្ចូលគ្នាដោយផ្ទាល់ដោយប្រើសេនស័រចម្រុះ |
ផ្តល់ភាពត្រឹមត្រូវខ្ពស់ជាងគេក្នុងការប៉ាន់ស្មានកាបូនសរុប អាចចាប់យកអន្តរកម្មស្មុគស្មាញ និងគ្របដណ្តប់ទីតាំងបាន ១០០% ជាប្រចាំឆ្នាំ។ | ទាមទារទិន្នន័យច្រើនប្រភេទ (Optical, Radar, Thermal) និងសមត្ថភាពកុំព្យូទ័រខ្ពស់ក្នុងការដំណើរការម៉ាស៊ីនរៀន។ | ភាពត្រឹមត្រូវខ្ពស់បំផុត R² = 0.87 (កើនឡើង ២៣%) និងកាត់បន្ថយចំណាយសល់ $12.3/ha បើធៀបនឹងវិធីសាស្ត្រវាស់ផ្ទាល់។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តវិធីសាស្ត្រនេះទាមទារឱ្យមានការវិនិយោគកម្រិតខ្ពស់លើហេដ្ឋារចនាសម្ព័ន្ធទិន្នន័យ កម្លាំងម៉ាស៊ីនកុំព្យូទ័រ និងធនធានមនុស្សដែលមានជំនាញឯកទេស។
ការសិក្សានេះប្រមូលទិន្នន័យពី ៣៤៧ ទីតាំងនៅទូទាំងពិភពលោក ប៉ុន្តែតំបន់អាស៊ីត្រូពិច (Tropical Asia) មានទិន្នន័យផ្ទៀងផ្ទាត់តែ ៣១ ទីតាំងប៉ុណ្ណោះ និងមានកម្រិតភាពមិនប្រាកដប្រជាខ្ពស់ (Model Uncertainty 35.2 ± 13.8)។ ម្យ៉ាងទៀត បញ្ហាពពកច្រើននៅតំបន់ត្រូពិច គឺជាឧបសគ្គសម្រាប់សេនស័រអុបទិក។ នេះជារឿងសំខាន់សម្រាប់ប្រទេសកម្ពុជា ព្រោះយើងស្ថិតក្នុងតំបន់ត្រូពិចដែលមានព្រៃក្រាស់ស្មុគស្មាញ និងពពកច្រើន ដែលតម្រូវឱ្យមានការផ្ទៀងផ្ទាត់ទិន្នន័យក្នុងស្រុកបន្ថែម និងពឹងផ្អែកខ្លាំងលើទិន្នន័យ Radar ជាជាង Optical។
វិធីសាស្រ្តប្រើប្រាស់សេនស័រចម្រុះនេះមានសក្តានុពលខ្លាំង និងមានប្រយោជន៍ខ្ពស់សម្រាប់ប្រទេសកម្ពុជា ក្នុងការគ្រប់គ្រងធនធានធម្មជាតិប្រកបដោយនិរន្តរភាព និងទីផ្សារកាបូន។
ជារួម បច្ចេកវិទ្យានេះនឹងជួយរាជរដ្ឋាភិបាល និងស្ថាប័នពាក់ព័ន្ធនៅកម្ពុជា សន្សំសំចៃថវិកាបានដល់ទៅ ៦៧% និងមានសមត្ថភាពពេញលេញក្នុងការតាមដានបម្រែបម្រួលកាបូនប្រចាំឆ្នាំនៅទូទាំងប្រទេស។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Multi-sensor fusion | ដំណើរការនៃការយកទិន្នន័យពីប្រភពសេនស័រផ្សេងៗគ្នា (ដូចជាកាមេរ៉ាអុបទិក រ៉ាដា និងសេនស័រកម្តៅ) មកច្របាច់បញ្ចូលគ្នាដោយប្រើកុំព្យូទ័រ ដើម្បីបង្កើតទិន្នន័យមួយដែលមានភាពច្បាស់លាស់ និងពេញលេញជាងការប្រើសេនស័រតែមួយដាច់ដោយឡែក។ | ដូចជាការពឹងផ្អែកលើភ្នែកសម្រាប់មើល ត្រចៀកសម្រាប់ស្តាប់ និងច្រមុះសម្រាប់ហិតក្លិនក្នុងពេលតែមួយ ដើម្បីវាយតម្លៃស្ថានភាពជុំវិញខ្លួនឱ្យបានច្បាស់។ |
| Above-ground biomass (AGB) | ទម្ងន់សរុបនៃផ្នែកទាំងអស់របស់រុក្ខជាតិដែលមានជីវិត (ដូចជា ដើម មែក ស្លឹក) ដែលស្ថិតនៅពីលើផ្ទៃដី។ វាត្រូវបានប្រើដើម្បីប៉ាន់ស្មានបរិមាណកាបូនដែលព្រៃឈើស្រូបយកពីបរិយាកាស និងរក្សាទុកក្នុងខ្លួនវា។ | ប្រៀបដូចជាការថ្លឹងទម្ងន់ផ្នែកខាងលើដីនៃដើមឈើទាំងអស់នៅក្នុងព្រៃ ដើម្បីដឹងថាវាមានទំហំធំប៉ុនណា និងផ្ទុកជាតិកាបូនប៉ុន្មាន។ |
| Soil organic carbon (SOC) | បរិមាណកាបូនដែលផ្ទុកនៅក្នុងដី កើតចេញពីរុក្ខជាតិ ឬសត្វដែលងាប់រលួយហើយបំប្លែងខ្លួនទៅជាសារធាតុសរីរាង្គ។ វាជាកន្លែងផ្ទុកកាបូនដ៏ធំបំផុតនៅក្នុងប្រព័ន្ធអេកូឡូស៊ី។ | ដូចជាធនាគារក្រោមដីដែលទទួលកក់កាកសំណល់រុក្ខជាតិនិងសត្វរលួយ ហើយបំប្លែងវាទៅជាជីជាតិ ព្រមទាំងស្តុកទុកជាតិកាបូនមិនឱ្យភាយទៅបរិយាកាស។ |
| Synthetic aperture radar (SAR) | បច្ចេកវិទ្យារ៉ាដាដែលបាញ់រលកសញ្ញាអគ្គិសនីម៉ាញេទិកទៅកាន់ផែនដី និងចាប់យកសញ្ញាដែលត្រលប់មកវិញ។ វាមានសមត្ថភាពឆ្លុះទម្លុះពពក ភ្លៀង និងគម្របព្រៃឈើ ដើម្បីវាស់ស្ទង់រចនាសម្ព័ន្ធដើមឈើនៅពីក្រោម។ | ដូចជាសត្វប្រចៀវដែលបញ្ចេញរលកសំឡេងដើម្បីដឹងពីទីតាំងនិងរូបរាងរបស់វត្ថុក្នុងទីងងឹត ឬកាត់តាមព្រៃក្រាស់ដោយមិនបាច់ប្រើពន្លឺ។ |
| LiDAR | ប្រព័ន្ធសេនស័រ (ភាគច្រើនបំពាក់លើដ្រូន ឬយន្តហោះ) ដែលបាញ់កាំរស្មីឡាស៊ែរទៅកាន់ដី និងវាស់ល្បឿននៃពន្លឺដែលជះត្រលប់មកវិញ ដើម្បីស្កេនបង្កើតជារូបភាពត្រីវិមាត្រ (3D) នៃរចនាសម្ព័ន្ធព្រៃឈើ និងសណ្ឋានដី។ | ដូចជាការបាញ់កាំរស្មីឡាស៊ែរវាស់ចម្ងាយរាប់លានដងក្នុងមួយវិនាទី ដើម្បីគូរជារូបភាព 3D នៃដើមឈើ និងដី។ |
| Random Forest | ក្បួនដោះស្រាយនៃម៉ាស៊ីនរៀន (Machine Learning Algorithm) ដែលបង្កើត "ដើមឈើសម្រេចចិត្ត" (Decision Trees) ច្រើនរាប់ពាន់ ហើយប្រមូលយកចម្លើយភាគច្រើនដើម្បីធ្វើការទស្សន៍ទាយ ឬចាត់ថ្នាក់ទិន្នន័យឱ្យបានត្រឹមត្រូវបំផុត។ | ដូចជាការសួរសំណួរទៅកាន់មនុស្សជំនាញ ១០០ នាក់ ហើយយកចម្លើយដែលភាគច្រើនឯកភាពគ្នា ដើម្បីធានាថាការសម្រេចចិត្តនោះត្រឹមត្រូវ។ |
| Deep Neural Networks (DNN) | ទម្រង់ស្មុគស្មាញនៃបញ្ញាសិប្បនិម្មិត (AI) ដែលមានបណ្តាញកោសិកាសិប្បនិម្មិតរៀបចំជាស្រទាប់ៗច្រើនជាន់ វាត្រូវបានប្រើសម្រាប់វិភាគ និងស្វែងរកទំនាក់ទំនងដ៏ស្មុគស្មាញរវាងទិន្នន័យទូរអវកាស និងបរិមាណកាបូន។ | ប្រៀបដូចជាការបំពាក់ខួរក្បាលសិប្បនិម្មិតដល់កុំព្យូទ័រ ដែលមានស្រទាប់គិតជាច្រើនជាន់ ដើម្បីឱ្យវាអាចរៀនសូត្រ និងវិភាគទិន្នន័យស្មុគស្មាញដូចការគិតរបស់មនុស្ស។ |
| RMSE (Root Mean Square Error) | រង្វាស់គណិតវិទ្យាដែលប្រើដើម្បីវាយតម្លៃកម្រិតនៃភាពខុសគ្នា (ភាពលម្អៀង) រវាងតម្លៃដែលម៉ូដែលកុំព្យូទ័រទស្សន៍ទាយបាន និងតម្លៃពិតប្រាកដដែលបានវាស់នៅទីវាល។ តម្លៃ RMSE កាន់តែតូច បង្ហាញថាម៉ូដែលនោះកាន់តែសុក្រឹត។ | ដូចជាពិន្ទុដែលប្រាប់យើងថា ការទស្សន៍ទាយរបស់យើងខុសពីការពិតជាមធ្យមប៉ុន្មាន (បើពិន្ទុនេះកាន់តែទាប មានន័យថាយើងទាយកាន់តែត្រូវ)។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
