Original Title: Sensitivity of Optical Satellites to Estimate Windthrow Tree-Mortality in a Central Amazon Forest
Source: doi.org/10.3390/rs15164027
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original paper for full scientific accuracy.

ភាពរសើបនៃផ្កាយរណបអុបទិកក្នុងការប៉ាន់ប្រមាណអត្រាស្លាប់នៃដើមឈើដោយសារខ្យល់បោកបក់នៅក្នុងព្រៃអាម៉ាហ្សូនកណ្តាល

ចំណងជើងដើម៖ Sensitivity of Optical Satellites to Estimate Windthrow Tree-Mortality in a Central Amazon Forest

អ្នកនិពន្ធ៖ Luciano Emmert (National Institute of Amazon Research), Robinson Isaac Negrón-Juárez (Lawrence Berkeley National Laboratory), Jeffrey Quintin Chambers (Lawrence Berkeley National Laboratory), Joaquim dos Santos (National Institute of Amazon Research), Adriano José Nogueira Lima (National Institute of Amazon Research), Susan Trumbore (Max Planck Institute for Biochemistry), Daniel Magnabosco Marra (Max Planck Institute for Biochemistry)

ឆ្នាំបោះពុម្ព៖ 2023 Remote Sensing (MDPI)

វិស័យសិក្សា៖ Remote Sensing / Forest Ecology

១. សេចក្តីសង្ខេបប្រតិបត្តិ (Executive Summary)

បញ្ហា (The Problem)៖ ការសិក្សានេះវាយតម្លៃថាតើការកើនឡើងនៃគុណភាពបង្ហាញរូបភាព (Spatial Resolution) របស់ផ្កាយរណបមានឥទ្ធិពលយ៉ាងដូចម្តេចដល់ការប៉ាន់ស្មានអត្រាស្លាប់របស់ដើមឈើដោយសារខ្យល់បោកបក់ (Windthrow) នៅក្នុងព្រៃអាម៉ាហ្សូន។

វិធីសាស្ត្រ (The Methodology)៖ អ្នកស្រាវជ្រាវបានធ្វើការប្រៀបធៀបទិន្នន័យនៃការចុះវាស់វែងផ្ទាល់នៅទីតាំងព្រៃឈើ ជាមួយនឹងរូបភាពពីផ្កាយរណបចំនួនបីប្រភេទដែលមានកម្រិតគុណភាពបង្ហាញខុសៗគ្នា ដើម្បីស្វែងរកកម្រិតនៃភាពសុក្រឹត។

ការប្រមូលទិន្នន័យជំរឿនព្រៃឈើផ្ទាល់ (Forest Inventory Data) នៅតាមខ្សែបន្ទាត់កាត់ទទឹង និងទីតាំងរង (Transects and subplots)
ការប្រើប្រាស់រូបភាពផ្កាយរណប Landsat 8 (30 m pixel), Sentinel 2 (10 m pixel) និង WorldView 2 (2 m pixel)
ការវិភាគល្បាយវិសាលគម (Spectral Mixture Analysis - SMA) ដើម្បីទាញយកទិន្នន័យអត្រាស្លាប់ពីផ្កាយរណប
ការវាយតម្លៃភាពត្រឹមត្រូវនៃគំរូដោយប្រើប្រាស់ម៉ូដែលលីនេអ៊ែរទូទៅ (Generalized Linear Models - GLMs)

លទ្ធផលសំខាន់ៗ (The Verdict)៖

ផ្កាយរណបទាំងបីប្រភេទបានផ្តល់លទ្ធផលដែលអាចទុកចិត្តបាន និងស្រដៀងគ្នាខាងស្ថិតិ ដោយបង្ហាញពីអត្រាស្លាប់របស់ដើមឈើចន្លោះពី ២៦.៥% ទៅ ៣០.៣%។
ទោះបីជាផ្កាយរណប Landsat 8 មានគុណភាពបង្ហាញទាបជាងគេ (30 m) ក៏ដោយ ក៏វាបានផ្តល់នូវលទ្ធផលត្រឹមត្រូវបំផុត និងចាប់យកបំរែបំរួលនៅតាមតំបន់រងផលប៉ះពាល់បានល្អជាង Sentinel 2 និង WorldView 2។
ការបង្កើនគុណភាពបង្ហាញរូបភាព (Higher spatial resolution) បានកាត់បន្ថយភាពមិនប្រាកដប្រជានៃមធ្យមភាគ ប៉ុន្តែបានធ្វើឱ្យគុណភាពនៃម៉ូដែលធ្លាក់ចុះ ដែលនេះទាមទារឱ្យមានការផ្ទៀងផ្ទាត់រូបភាពកម្រិតច្បាស់ជាមួយនឹងទិន្នន័យនៃការខូចខាតលម្អិតនៃមកុដដើមឈើនៅទីតាំងផ្ទាល់ (Crown damage)។

២. ការវិភាគលើប្រសិទ្ធភាព និងដែនកំណត់ (Performance & Constraints)

វិធីសាស្ត្រ (Method)	គុណសម្បត្តិ (Pros)	គុណវិបត្តិ (Cons)	លទ្ធផលគន្លឹះ (Key Result)
Landsat 8 (30 m pixel) with Spectral Mixture Analysis ការប្រើប្រាស់ផ្កាយរណប Landsat 8 (កម្រិតច្បាស់ ៣០ម៉ែត្រ) ជាមួយការវិភាគ Spectral Mixture Analysis (SMA)	ទិន្នន័យអាចទាញយកបានដោយឥតគិតថ្លៃ និងមានបណ្ដុំទិន្នន័យចាស់ៗច្រើន។ ផ្តល់លទ្ធផលសុក្រឹតបំផុត (Accuracy) ក្នុងការប៉ាន់ស្មានទំហំនៃការខូចខាតរួម និងមិនសូវរងឥទ្ធិពលពីកំហុសទីតាំង (Geolocation errors)។	ដោយសារកម្រិតគុណភាពបង្ហាញទាប (30m) វាពិបាកក្នុងការចាប់យកការខូចខាតដើមឈើតូចៗ ឬដើមឈើដែលងាប់ដាច់ដោយឡែកពីគ្នា។	ម៉ូដែលផ្តល់លទ្ធផលល្អបំផុតដោយមានកម្រិត Residual Deviance ទាបបំផុត (125.33) និងចាប់យកបំរែបំរួលនៅតាមតំបន់រងផលប៉ះពាល់បានល្អ (R²KL = 0.4342)។
Sentinel 2 (10 m pixel) with Spectral Mixture Analysis ការប្រើប្រាស់ផ្កាយរណប Sentinel 2 (កម្រិតច្បាស់ ១០ម៉ែត្រ) ជាមួយការវិភាគ Spectral Mixture Analysis (SMA)	ផ្តល់ទិន្នន័យដោយឥតគិតថ្លៃជាមួយនឹងរយៈពេលវិលជុំលឿន (៥ថ្ងៃម្តង)។ មានតុល្យភាពល្អរវាងកម្រិតបង្ហាញរូបភាព និងភាពត្រឹមត្រូវនៃទិន្នន័យ។	ភាពត្រឹមត្រូវនៃម៉ូដែលធ្លាក់ចុះបន្តិចនៅតំបន់ដែលមានការខូចខាតធ្ងន់ធ្ងរខ្លាំង ឬតិចតួចខ្លាំង បើធៀបនឹង Landsat 8។	ផ្តល់លទ្ធផលល្អមធ្យម ជាមួយនឹងភាពច្បាស់លាស់ (Precision) ខ្ពស់ជាង Landsat 8 ប៉ុន្តែមាន Residual Deviance ខ្ពស់ជាងបន្តិច (136.51)។
WorldView 2 (2 m pixel) with Spectral Mixture Analysis ការប្រើប្រាស់ផ្កាយរណបពាណិជ្ជកម្ម WorldView 2 (កម្រិតច្បាស់ ២ម៉ែត្រ) ជាមួយការវិភាគ Spectral Mixture Analysis (SMA)	មានគុណភាពបង្ហាញខ្ពស់បំផុត ដែលអាចចាប់យកការខូចខាតដើមឈើក្នុងកម្រិតតូចៗ រប៉ាត់រប៉ាយ និងការបាក់មែកបានយ៉ាងលម្អិត។	ទិន្នន័យមានតម្លៃថ្លៃខ្ពស់ និងគ្របដណ្តប់ផ្ទៃដីតូច។ រងឥទ្ធិពលខ្លាំងពីស្រមោលដើមឈើ និងរុក្ខជាតិដុះថ្មីៗ ដែលធ្វើឲ្យការប៉ាន់ស្មានរួមមានភាពលម្អៀង។	ម៉ូដែលផ្តល់លទ្ធផលទាបជាងគេផ្នែកភាពត្រឹមត្រូវ (Accuracy) ដោយមាន Residual Deviance ខ្ពស់បំផុត (150.01) និង R²KL ទាបបំផុត (0.3237)។

ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តវិធីសាស្ត្រនេះទាមទារការរួមបញ្ចូលគ្នានូវទិន្នន័យផ្កាយរណបទាំងឥតគិតថ្លៃនិងពាណិជ្ជកម្ម ក៏ដូចជាកម្មវិធីកុំព្យូទ័រសម្រាប់វិភាគទិន្នន័យភូមិសាស្ត្រនិងស្ថិតិកម្រិតខ្ពស់។

Satellite Data: ទិន្នន័យ Landsat 8 និង Sentinel 2 អាចទាញយកដោយឥតគិតថ្លៃ ចំណែកឯ WorldView 2 គឺជាទិន្នន័យពាណិជ្ជកម្មដែលត្រូវទិញ (មានតម្លៃថ្លៃ)។
Field Data (Ground Truth): ទាមទារការចុះវាស់វែងផ្ទាល់នៅទីតាំងព្រៃឈើ (Forest Inventory) ដើម្បីប្រមូលទិន្នន័យដើមឈើងាប់ និងដើមឈើរស់សម្រាប់ការផ្ទៀងផ្ទាត់ម៉ូដែល។
Software: ត្រូវការកម្មវិធី ENVI 5.3 សម្រាប់ការវិភាគ Spectral Mixture Analysis, Google Earth Engine សម្រាប់ទាញយករូបភាព, QGIS សម្រាប់ផែនទី និងកម្មវិធី R សម្រាប់វិភាគស្ថិតិ (GLM)។
Expertise: អ្នកជំនាញផ្នែកប្រព័ន្ធព័ត៌មានភូមិសាស្ត្រ (GIS) ការវិភាគរូបភាពពីចម្ងាយ (Remote Sensing) និងចំណេះដឹងផ្នែកអេកូឡូស៊ីព្រៃឈើកម្រិតខ្ពស់។

៣. ការពិនិត្យសម្រាប់បរិបទកម្ពុជា/អាស៊ីអាគ្នេយ៍

ភាពលំអៀងនៃទិន្នន័យ (Data Bias)៖

ការសិក្សានេះត្រូវបានធ្វើឡើងនៅក្នុងព្រៃចាស់ (Old-growth forest) នៃតំបន់អាម៉ាហ្សូនកណ្តាល ប្រទេសប្រេស៊ីល ដែលមានរចនាសម្ព័ន្ធដំបូលព្រៃក្រាស់ឃ្មឹក និងផ្តោតលើការខូចខាតដោយសារខ្យល់ព្យុះតែមួយគត់។ សម្រាប់ប្រទេសកម្ពុជា ការយកម៉ូដែលនេះមកអនុវត្តផ្ទាល់អាចមានភាពលម្អៀង (Bias) ដោយសារប្រភេទព្រៃឈើនៅកម្ពុជា (ដូចជាព្រៃស្រោង ព្រៃពាក់កណ្តាលស្រោង និងព្រៃរបោះ) មានលក្ខណៈជីវសាស្ត្រ និងរចនាសម្ព័ន្ធខុសគ្នា ហើយមូលហេតុចម្បងនៃការបាត់បង់ព្រៃឈើច្រើនតែកើតចេញពីការកាប់ឈើខុសច្បាប់ មិនមែនដោយសារខ្យល់បោកបក់នោះទេ។

លទ្ធភាពនៃការអនុវត្ត (Applicability)៖

ទោះបីជាបរិបទព្រៃឈើមានភាពខុសគ្នាក៏ដោយ វិធីសាស្ត្រនៃការប្រើប្រាស់រូបភាពផ្កាយរណបដើម្បីចាប់យកសញ្ញានៃដើមឈើងាប់ ឬការបាត់បង់គម្របព្រៃឈើនេះ មានសក្តានុពលខ្ពស់ណាស់សម្រាប់ប្រទេសកម្ពុជា។

តំបន់ការពារធម្មជាតិជួរភ្នំក្រវាញ និងព្រៃឡង់ (Cardamom Mountains and Prey Lang): អាចប្រើប្រាស់រូបភាព Sentinel 2 ដើម្បីតាមដានសកម្មភាពកាប់ឈើជ្រើសរើស (Selective logging) និងការទន្ទ្រានដីព្រៃក្នុងទំហំតូចៗ ដោយសារ Sentinel 2 មានសមត្ថភាពចាប់យកកម្រិតរូបភាព ១០ម៉ែត្រ និងធ្វើបច្ចុប្បន្នភាពរៀងរាល់ ៥ថ្ងៃម្តង។
ការវាយតម្លៃគ្រោះមហន្តរាយធម្មជាតិ (Disaster Assessment): អាចប្រើប្រាស់វិធីសាស្ត្រនេះដើម្បីវាយតម្លៃការខូចខាតព្រៃឈើ ឬដំណាំកសិកម្ម-ឧស្សាហកម្ម បន្ទាប់ពីមានគ្រោះជំនន់ទឹកភ្លៀង ឬខ្យល់កន្ត្រាក់ខ្លាំងនៅតាមបណ្តាខេត្តជាប់មាត់សមុទ្រ ឬតំបន់ទំនាប។
ក្រសួងបរិស្ថាន និងរដ្ឋបាលព្រៃឈើ (MoE and Forestry Administration): ស្ថាប័នរដ្ឋអាចទាញយកអត្ថប្រយោជន៍ពីការប្រើប្រាស់ Landsat 8 ដើម្បីធ្វើរបាយការណ៍បម្រែបម្រួលគម្របព្រៃឈើប្រចាំឆ្នាំក្នុងកម្រិតថ្នាក់ជាតិ ដោយចំណាយថវិកាតិច និងមានលទ្ធផលដែលអាចទុកចិត្តបានខាងស្ថិតិ។

ការធ្វើសមាហរណកម្មការវិភាគល្បាយវិសាលគម (SMA) ជាមួយទិន្នន័យផ្កាយរណបឥតគិតថ្លៃ ផ្តល់នូវដំណោះស្រាយប្រកបដោយនវានុវត្តន៍ និងចំណាយមានប្រសិទ្ធភាពសម្រាប់ការគ្រប់គ្រងធនធានព្រៃឈើ និងការអនុវត្តច្បាប់នៅកម្ពុជា។

៤. ផែនការសកម្មភាពសម្រាប់និស្សិត (Actionable Roadmap)

ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖

សិក្សាពីមូលដ្ឋានគ្រឹះ និងប្រមូលទិន្នន័យពីផ្កាយរណប: និស្សិតត្រូវចាប់ផ្តើមរៀនប្រើប្រាស់ Google Earth Engine (GEE) ដើម្បីសរសេរកូដទាញយករូបភាពផ្កាយរណប Landsat 8 និង Sentinel 2 ដោយឥតគិតថ្លៃ ដោយផ្តោតលើតំបន់ព្រៃឈើណាមួយក្នុងប្រទេសកម្ពុជា (ឧទាហរណ៍៖ ព្រៃឡង់)។
អនុវត្តការវិភាគ Spectral Mixture Analysis (SMA): ប្រើប្រាស់កម្មវិធី QGIS ជាមួយកម្មវិធីជំនួយ (Plugins) ឬសរសេរកូដ Python ដើម្បីអនុវត្តបច្ចេកទេស SMA ក្នុងការបំបែកចំណែកនៃរុក្ខជាតិបៃតង (GV) រុក្ខជាតិងាប់ (NPV) និងស្រមោល (SHD) ចេញពីភីកសែលនីមួយៗ។
ចុះប្រមូលទិន្នន័យជាក់ស្តែង (Ground Truthing): រៀបចំការចុះវាស់វែងនៅទីតាំងផ្ទាល់ (Forest Inventory) ដើម្បីកត់ត្រាចំនួនដើមឈើដែលត្រូវបានកាប់ ឬងាប់ និងទីតាំងភូមិសាស្ត្រច្បាស់លាស់ ដោយប្រើប្រាស់ឧបករណ៍ GPS ដែលមានភាពសុក្រឹតខ្ពស់។
អភិវឌ្ឍម៉ូដែលស្ថិតិដើម្បីទស្សន៍ទាយការបាត់បង់ព្រៃឈើ: ប្រើប្រាស់ភាសា R ដើម្បីបង្កើតម៉ូដែល Generalized Linear Models (GLM) ដោយផ្សារភ្ជាប់ទិន្នន័យផ្កាយរណប (ការប្រែប្រួល NPV) ទៅនឹងទិន្នន័យភាគរយនៃការបាត់បង់ដើមឈើដែលបានវាស់វែងផ្ទាល់។
បង្កើតប្រព័ន្ធប្រកាសអាសន្នទាន់ហេតុការណ៍: ប្រើប្រាស់កូដដែលបានអភិវឌ្ឍរួចបញ្ចូលទៅក្នុង GEE Apps ដើម្បីបង្កើតជាផ្ទាំងគ្រប់គ្រង (Dashboard) ដែលអាចតាមដាន និងផ្តល់សញ្ញាប្រកាសអាសន្ននៅពេលមានបំរែបំរួលគម្របព្រៃឈើខុសប្រក្រតីរៀងរាល់ ៥ ថ្ងៃម្តង។

៥. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស	ការពន្យល់ជាខេមរភាសា (Khmer Explanation)	និយមន័យសាមញ្ញ (Simple Definition)
Windthrow	បាតុភូតធម្មជាតិដែលដើមឈើត្រូវបានបាក់រលំ ដកឫស ឬដាច់មកុដដោយសារកម្លាំងខ្យល់បោកបក់ខ្លាំង (ជាទូទៅកើតឡើងពេលមានព្យុះកំបុតត្បូង ឬភ្លៀងខ្លាំង) ដែលធ្វើឱ្យមានអត្រាស្លាប់នៃដើមឈើជាលក្ខណៈទ្រង់ទ្រាយធំនៅក្នុងព្រៃ។	វាប្រៀបដូចជាការយកកង្ហារយក្សផ្លុំបោកបក់រុញច្រានតម្រៀបដូមីណូ (Domino) ឱ្យដួលរលំរដូករណែលពេញដី។
Spatial resolution	កម្រិតនៃភាពលម្អិត ឬភាពច្បាស់នៃរូបភាពផ្កាយរណប ដែលត្រូវបានកំណត់ដោយទំហំនៃភីកសែល (Pixel) នីមួយៗនៅលើដី។ ឧទាហរណ៍ គុណភាពបង្ហាញ ៣០ម៉ែត្រ មានន័យថា ១ ភីកសែលតំណាងឱ្យផ្ទៃដីពិតទំហំ ៣០ម៉ែត្រ បណ្តោយ និង ៣០ម៉ែត្រ ទទឹង។	ដូចជាកាមេរ៉ាទូរស័ព្ទដៃជំនាន់ថ្មីដែលមានទំហំ Megapixel ធំ អាចឱ្យយើងពង្រីករូបមើលឃើញសូម្បីតែមុននៅលើមុខ មិនមែនគ្រាន់តែឃើញរាងមុខព្រិលៗនោះទេ។
Spectral Mixture Analysis	បច្ចេកទេសវិភាគរូបភាពពីចម្ងាយ (Remote Sensing) ដែលធ្វើការគណនាបំបែកភីកសែលនីមួយៗ ដើម្បីរកមើលភាគរយនៃធាតុផ្សំផ្សេងៗគ្នានៅលើផ្ទៃដី (ដូចជារុក្ខជាតិបៃតង មែកឈើងាប់ និងស្រមោល) ព្រោះភីកសែលមួយតែងតែមានផ្ទុកវត្ថុច្រើនលាយឡំគ្នា។	ដូចជាការភ្លក់ទឹកក្រឡុកមួយកែវ ហើយអាចប្រាប់បានច្បាស់ថាមានជាតិផ្លែប៉ោម ៣០% ចេក ៥០% និងទឹកកក ២០% នៅក្នុងកែវនោះអ៊ីចឹងដែរ។
Endmembers	សញ្ញាវិសាលគម (Spectral signature) សុទ្ធសាធដែលតំណាងឱ្យធាតុផ្សំគោលណាមួយនៅលើដី (ឧទាហរណ៍៖ ស្លឹកឈើបៃតងសុទ្ធ ឬឈើងាប់សុទ្ធ១០០%) ដែលគេយកមកធ្វើជាកម្រិតគោលសម្រាប់វាស់ស្ទង់ និងគណនាសមាមាត្រភាគរយនៅក្នុងភីកសែលដែលលាយឡំគ្នា។	វាប្រៀបដូចជាមេពណ៌សុទ្ធ (ក្រហម ខៀវ លឿង) ដែលជាងគំនូរយកមកលាយចូលគ្នាដើម្បីបង្កើតជាផ្ទាំងគំនូរចម្រុះពណ៌មួយផ្ទាំង។
Non-photosynthetic vegetation (NPV)	ផ្នែកនៃរុក្ខជាតិដែលស្លាប់ ឬលែងធ្វើរស្មីសំយោគ (ដូចជា ស្លឹកងាប់ មែកឈើបាក់ គល់ឈើ ឬគំនរឈើងាប់) ដែលសេនស័រផ្កាយរណបអាចចាប់យកសញ្ញាបាន។ នៅក្នុងការសិក្សានេះ ការកើនឡើងនូវកម្រិត NPV គឺជាសញ្ញាបញ្ជាក់ថាមានដើមឈើងាប់ច្រើន។	ដូចជាការសង្កេតមើលសក់ស្កូវនៅលើក្បាលមនុស្ស បើមានសក់ស្កូវកាន់តែច្រើន មានន័យថាកោសិកាបង្កើតពណ៌សក់លែងដំណើរការ។
Generalized Linear Models (GLM)	វិធីសាស្ត្រស្ថិតិដែលគេប្រើដើម្បីទាញរកទំនាក់ទំនងរវាងអថេរ (ឧទាហរណ៍ ទំនាក់ទំនងរវាងភាគរយនៃកម្រិតដើមឈើងាប់ដែលវាស់ផ្ទាល់ក្នុងព្រៃ និងទិន្នន័យដែលទាញបានពីផ្កាយរណប) ជាពិសេសនៅពេលទិន្នន័យទាំងនោះមិនមានទម្រង់ចែកចាយជាបន្ទាត់ត្រង់ស្តង់ដារធម្មតា។	ដូចជាការរកមើលរូបមន្តគណិតវិទ្យាមួយដែលអាចទស្សន៍ទាយកម្ពស់ក្មេងម្នាក់នៅឆ្នាំក្រោយ ដោយផ្អែកលើរបបអាហារនិងអាយុរបស់គេនាពេលបច្ចុប្បន្ន។
Top-of-atmosphere (TOA) reflectance	កម្រិតនៃការចំណាំងផ្លាតពន្លឺព្រះអាទិត្យពីផ្ទៃផែនដី ដែលធ្វើដំណើរឆ្លងកាត់បរិយាកាសត្រលប់ទៅកាន់សេនស័ររបស់ផ្កាយរណបវិញ។ ទិន្នន័យនេះតម្រូវឱ្យមានការកែតម្រូវក្បួនគណិតវិទ្យា ដើម្បីកាត់បន្ថយការរំខានសញ្ញាពីពពក ចំហាយទឹក និងខ្យល់ក្នុងបរិយាកាស។	ប្រៀបដូចជាការសម្លឹងមើលកាក់នៅបាតអាងហែលទឹកតាមរយៈផ្ទៃទឹកដែលកំពុងរលក ដែលទាមទារឱ្យយើងពាក់វ៉ែនតាហែលទឹកដើម្បីកាត់ចំណាំងផ្លាត ទើបមើលឃើញរូបរាងកាក់ច្បាស់ពិតប្រាកដ។

៦. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖