បញ្ហា (The Problem)៖ ការសិក្សានេះដោះស្រាយតម្រូវការនៃវិធីសាស្ត្រដែលមានភាពត្រឹមត្រូវ និងចំណាយតិច ក្នុងការប៉ាន់ប្រមាណជីវម៉ាសលើដី (AGB) និងស្តុកកាបូននៃចម្ការដូង ដើម្បីជំនួសវិធីសាស្ត្រប្រពៃណីដែលប្រើកម្លាំងពលកម្មច្រើន។ ចម្ការដូងដើរតួនាទីយ៉ាងសំខាន់ជាកន្លែងផ្ទុកកាបូនក្នុងការទប់ទល់នឹងការប្រែប្រួលអាកាសធាតុ។
វិធីសាស្ត្រ (The Methodology)៖ ការស្រាវជ្រាវនេះបានប្រើប្រាស់ការរួមបញ្ចូលគ្នារវាងការវាស់វែងផ្ទាល់នៅទីវាល និងបច្ចេកវិទ្យាទូរពញ្ញាក់ (Remote Sensing) ដើម្បីបង្កើតគំរូព្យាករណ៍ជីវម៉ាស។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Model 1: Sentinel-1 (SAR) Only ម៉ូដែលទី១៖ ការប្រើប្រាស់ទិន្នន័យរ៉ាដា Sentinel-1 តែមួយមុខ |
អាចថតរូបភាពទម្លុះពពកបាន ដែលស័ក្តិសមខ្លាំងសម្រាប់តំបន់ត្រូពិចដែលមានភ្លៀងធ្លាក់ច្រើន។ | មានភាពត្រឹមត្រូវទាប និងមានកម្រិតក្នុងការវិភាគពណ៌ឬសុខភាពស្លឹករុក្ខជាតិដោយផ្ទាល់។ | ទទួលបានតម្លៃ R² = 0.34 និងកម្រិតលម្អៀង RMSE = 0.220 តោន/ភីកសែល។ |
| Model 2: Sentinel-2 (Optical) Only ម៉ូដែលទី២៖ ការប្រើប្រាស់ទិន្នន័យអុបទិក Sentinel-2 តែមួយមុខ |
ផ្តល់នូវសន្ទស្សន៍រុក្ខជាតិ (Vegetation Indices ដូចជា NDVI) បានយ៉ាងល្អសម្រាប់ការវិភាគសុខភាពដើមឈើ។ | ជួបការលំបាកយ៉ាងខ្លាំងនៅពេលមានពពកច្រើន ដែលធ្វើឱ្យបាំងរូបភាពមិនអាចវិភាគបាន។ | ទទួលបានតម្លៃ R² = 0.69 និងកម្រិតលម្អៀង RMSE = 0.151 តោន/ភីកសែល។ |
| Model 3: Combined Sentinel-1 and Sentinel-2 Data ម៉ូដែលទី៣៖ ការរួមបញ្ចូលទិន្នន័យ Sentinel-1 និង Sentinel-2 |
ផ្តល់លទ្ធផលល្អនិងមានភាពសុក្រឹតខ្ពស់បំផុត ដោយរួមបញ្ចូលចំណុចខ្លាំងនៃទិន្នន័យរ៉ាដា និងអុបទិកបញ្ចូលគ្នា។ | ទាមទារការរៀបចំទិន្នន័យស្មុគស្មាញ និងទាមទារកម្លាំងម៉ាស៊ីនកុំព្យូទ័រក្នុងការប្រមូលផ្តុំទិន្នន័យ។ | ជោគជ័យបំផុតដោយទទួលបានតម្លៃ R² = 0.72 និង RMSE ទាបបំផុតត្រឹម 0.143 តោន/ភីកសែល។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តវិធីសាស្ត្រនេះទាមទារការចំណាយលើឧបករណ៍វាស់វែងនៅទីវាល និងពេលវេលា ប៉ុន្តែអាចសន្សំសំចៃថវិកាបានច្រើនដោយសារការប្រើប្រាស់ទិន្នន័យរូបភាពរណបឥតគិតថ្លៃ។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅក្នុងទីក្រុង Butuan ប្រទេសហ្វីលីពីន ដែលជាតំបន់ត្រូពិចស្រដៀងនឹងកម្ពុជា។ ទោះជាយ៉ាងណា ទិន្នន័យវាលមានដង់ស៊ីតេដើមឈើទាប (៦ ទៅ ៩ ដើមក្នុងមួយឡូត៍) និងប្រើប្រាស់សមីការ Allometric សម្រាប់តែដើមដូង ដែលធ្វើឱ្យលទ្ធផលស្តុកកាបូនទាបជាងការសិក្សាផ្សេងៗបន្តិច។ នេះជារឿងសំខាន់សម្រាប់កម្ពុជា ព្រោះការអនុវត្តជាក់ស្តែងតម្រូវឱ្យមានការប្រមូលទិន្នន័យវាលផ្ទាល់ខ្លួន និងសម្របសម្រួលសមីការឱ្យត្រូវនឹងពូជ និងដង់ស៊ីតេដើមដូងក្នុងស្រុក។
វិធីសាស្ត្រនៃការបូកបញ្ចូលទិន្នន័យរណបនេះ មានសក្តានុពលខ្ពស់និងស័ក្តិសមបំផុតក្នុងការយកមកអនុវត្តនៅប្រទេសកម្ពុជា ពិសេសសម្រាប់ការគណនាស្តុកកាបូននៃដំណាំកសិ-រុក្ខកម្ម។
ជារួម ការប្រើប្រាស់ទិន្នន័យ Sentinel ដែលឥតគិតថ្លៃរួមផ្សំគ្នា គឺជាមធ្យោបាយដ៏ឆ្លាតវៃ និងសន្សំសំចៃសម្រាប់ការសិក្សាពីបម្រែបម្រួលអាកាសធាតុ និងការប្រមូលទិន្នន័យកាបូននៅទូទាំងប្រទេសកម្ពុជា។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Synthetic Aperture Radar (SAR) | ជាបច្ចេកវិទ្យាផ្កាយរណបដែលបញ្ចេញរលកសញ្ញារ៉ាដាទៅកាន់ផែនដី រួចចាប់យកសញ្ញាដែលផ្លាតត្រឡប់មកវិញ ដើម្បីបង្កើតជារូបភាពបង្ហាញពីទម្រង់ផ្ទៃដី និងរចនាសម្ព័ន្ធរបស់រុក្ខជាតិ ដោយមានសមត្ថភាពពិសេសអាចថតទម្លុះពពក និងភ្លៀងបាន។ | ដូចជាការប្រើសត្វប្រចៀវដែលបញ្ចេញសំឡេងទៅប៉ះវត្ថុហើយត្រឡប់មកវិញ ដើម្បីដឹងពីរូបរាងវត្ថុក្នុងទីងងឹត ឬក្នុងបរិយាកាសដែលមានអ័ព្ទក្រាស់។ |
| Optical Remote Sensing | ជាប្រព័ន្ធថតរូបភាពពីផ្កាយរណបដែលពឹងផ្អែកលើពន្លឺព្រះអាទិត្យដែលជះមកលើផែនដី ហើយផ្លាតត្រឡប់ទៅវិញ ដើម្បីវិភាគពីពណ៌ និងសុខភាពរបស់រុក្ខជាតិ (តាមរយៈពន្លឺដែលអាចមើលឃើញ និងពន្លឺក្រហមអាំងហ្វ្រា) ប៉ុន្តែវាមិនអាចថតទម្លុះពពកបានទេ។ | ដូចជាការថតរូបដោយប្រើកាមេរ៉ាទូរស័ព្ទដៃ ដែលទាមទារឱ្យមានពន្លឺគ្រប់គ្រាន់ និងមេឃស្រឡះ ទើបថតរូបបានច្បាស់ល្អ។ |
| Aboveground Biomass (AGB) | គឺជាទម្ងន់សរុបនៃផ្នែកទាំងអស់របស់រុក្ខជាតិដែលមានជីវិត ហើយដុះនៅពីលើផ្ទៃដី (ដូចជា ដើម មែក និងស្លឹក)។ ទិន្នន័យនេះត្រូវបានគណនាដើម្បីវាយតម្លៃថាតើដើមឈើអាចស្តុកទុកឧស្ម័នកាបូនបានប៉ុន្មាន។ | ដូចជាការថ្លឹងទម្ងន់មនុស្សម្នាក់ ដើម្បីដឹងថារាងកាយរបស់គាត់មានសាច់និងឆ្អឹងប៉ុន្មានគីឡូ ដោយមិនគិតពីស្រមោល។ |
| Allometric Equation | ជាសមីការគណិតវិទ្យាដែលត្រូវបានបង្កើតឡើងតាមរយៈការសិក្សាជាក់ស្តែង សម្រាប់ប្រើប្រាស់ក្នុងការប៉ាន់ស្មានទម្ងន់ជីវម៉ាសរបស់ដើមឈើ ដោយគ្រាន់តែវាស់កម្ពស់ ឬទំហំមុខកាត់របស់ដើមឈើនោះ ដោយមិនចាំបាច់កាប់វាផ្តួល។ | ដូចជាការប្រើរូបមន្តដើម្បីទស្សន៍ទាយទម្ងន់របស់មនុស្សម្នាក់ ដោយគ្រាន់តែវាស់កម្ពស់ និងទំហំចង្កេះរបស់គាត់។ |
| Grey Level Co-occurrence Matrix (GLCM) | ជាវិធីសាស្ត្រស្ថិតិក្នុងដំណើរការរូបភាព ដែលវិភាគលើភាពរដិបរដុប ឬវាយនភាព (Texture) នៃផ្ទៃរូបភាព ដោយពិនិត្យមើលការរៀបចំនៃភីកសែល (Pixels) ដែលនៅក្បែរគ្នា។ វាជួយឲ្យម៉ាស៊ីនយល់ពីភាពខុសគ្នារវាងព្រៃក្រាស់ និងព្រៃស្តើង ឬទីវាល។ | ដូចជាការស្ទាបក្រណាត់ដោយបិទភ្នែក ហើយអ្នកអាចដឹងថាក្រណាត់នោះរលោង ឬគ្រើម ដោយផ្អែកលើគម្លាតនៃសរសៃអំបោះ។ |
| Multiple Linear Regression (MLR) | ជាវិធីសាស្ត្រស្ថិតិដែលប្រើប្រាស់អថេរ (កត្តា) ច្រើនបញ្ចូលគ្នា ដើម្បីបង្កើតជាម៉ូដែលសម្រាប់ទស្សន៍ទាយលទ្ធផលមួយ។ ក្នុងការសិក្សានេះ គេប្រើទាំងទិន្នន័យរ៉ាដា ទិន្នន័យពន្លឺ និងសន្ទស្សន៍រុក្ខជាតិ ដើម្បីទស្សន៍ទាយបរិមាណជីវម៉ាស។ | ដូចជាការទស្សន៍ទាយពិន្ទុប្រឡងរបស់សិស្សម្នាក់ ដោយយកកត្តាច្រើនមកគិតចូលគ្នា ដូចជាម៉ោងសិក្សា ម៉ោងគេង និងការធ្វើកិច្ចការផ្ទះ។ |
| Fraction of Absorbed Photosynthetically Active Radiation (FAPAR) | គឺជារង្វាស់នៃបរិមាណពន្លឺព្រះអាទិត្យដែលស្លឹករុក្ខជាតិស្រូបយកសម្រាប់យកទៅធ្វើរស្មីសំយោគ ដែលជាសូចនាករដ៏សំខាន់សម្រាប់វាយតម្លៃពីការលូតលាស់ ការស្រូបថាមពល និងសុខភាពរបស់រុក្ខជាតិ។ | ដូចជាការវាស់បរិមាណអាហារដែលក្រពះមនុស្សស្រូបយកបាន ដើម្បីវាយតម្លៃថាតើមនុស្សនោះមានកម្លាំង និងសុខភាពល្អកម្រិតណា។ |
| Root Mean Square Error (RMSE) | ជារង្វាស់ស្ថិតិដែលបង្ហាញពីកម្រិតនៃភាពល្អៀង (កំហុស) រវាងទិន្នន័យដែលទស្សន៍ទាយដោយម៉ូដែលកុំព្យូទ័រ និងទិន្នន័យជាក់ស្តែងដែលវាស់នៅទីវាល។ តម្លៃ RMSE កាន់តែតូច មានន័យថាម៉ូដែលកាន់តែសុក្រឹត និងអាចជឿទុកចិត្តបានខ្ពស់។ | ដូចជាការបាញ់ព្រួញទៅកាន់គោលដៅ បើព្រួញភាគច្រើនខុសពីចំណុចកណ្តាលកាន់តែតិច (ចម្ងាយខុសគ្នាតិច) នោះមានន័យថាអ្នកបាញ់កាន់តែមានភាពជាក់លាក់ខ្ពស់។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
