បញ្ហា (The Problem)៖ ឯកសារនេះដោះស្រាយបញ្ហាការវាយតម្លៃ និងទស្សន៍ទាយភាពងាយរងគ្រោះនៃការរអិលបាក់ដីរាក់ (Shallow Landslide Susceptibility) នៅក្នុងតំបន់ Yongin ប្រទេសកូរ៉េ ដោយសារកំណើនហានិភ័យនៃភ្លៀងធ្លាក់ខ្លាំងដែលបណ្តាលមកពីបម្រែបម្រួលអាកាសធាតុ។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះប្រមូលទិន្នន័យទីតាំងរអិលបាក់ដីពីមុន ហើយប្រើប្រាស់បច្ចេកទេសរុករកទិន្នន័យ (Data Mining) ពីរប្រភេទ រួមជាមួយកត្តាបរិស្ថានផ្សេងៗដើម្បីបង្កើតម៉ូដែលវាយតម្លៃហានិភ័យ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Artificial Neural Network (ANN) បណ្តាញសរសៃប្រសាទសិប្បនិម្មិត |
មានសមត្ថភាពខ្ពស់ក្នុងការដោះស្រាយដំណើរការស្មុគស្មាញ និងទិន្នន័យមិនលីនេអ៊ែរដោយមិនចាំបាច់មានការសន្មត់ជាមុនអំពីទំនាក់ទំនងរវាងអថេរ។ | ដំណើរការនិងភាពត្រឹមត្រូវមានកម្រិតទាបជាង បើប្រៀបធៀបទៅនឹងម៉ូដែលមែកធាងជំរុញ ហើយទាមទារពេលវេលាយូរក្នុងការកំណត់ប៉ារ៉ាម៉ែត្រ (Hyperparameters)។ | ទទួលបានភាពត្រឹមត្រូវ ៨២.២៥% ផ្អែកលើការវិភាគខ្សែក្រាហ្វិក ROC (AUC)។ |
| Boosted Tree (BT) ម៉ូដែលមែកធាងជំរុញ |
មានភាពត្រឹមត្រូវខ្ពស់ និងមានអត្ថប្រយោជន៍អាចចាត់ចែងទាំងអថេរជាប់ (Continuous) និងអថេរចាត់ថ្នាក់ (Categorical) បានយ៉ាងល្អក្នុងការស្វែងរកទំនាក់ទំនងនៃទិន្នន័យ។ | ម៉ូដែលនេះអាចងាយនឹងរៀនចងចាំជ្រុល (Overfitting) ប្រសិនបើមិនមានការកំណត់ដើមឈើ និងអត្រារៀន (Learning rate) ឲ្យបានត្រឹមត្រូវនោះទេ។ | ទទួលបានភាពត្រឹមត្រូវខ្ពស់រហូតដល់ ៩០.៧៩% ផ្អែកលើការវិភាគខ្សែក្រាហ្វិក ROC (AUC) ដែលមានប្រសិទ្ធភាពជាង ANN ប្រមាណ ៨%។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះទាមទារឱ្យមានការប្រើប្រាស់កម្មវិធីកុំព្យូទ័រផ្នែកប្រព័ន្ធព័ត៌មានភូមិសាស្ត្រ (GIS) កម្មវិធីវិភាគទិន្នន័យកម្រិតខ្ពស់ និងរូបថតពីលើអាកាសដែលមានកម្រិតច្បាស់ខ្ពស់ ដើម្បីស្រង់យកកត្តាបរិស្ថានបានច្បាស់លាស់។
ការសិក្សានេះប្រើប្រាស់ទិន្នន័យពីតំបន់ភ្នំ Yongin ប្រទេសកូរ៉េ ដែលផ្តោតលើការរអិលបាក់ដីប្រភេទរាក់ដោយសារភ្លៀងធ្លាក់ខ្លាំង លើប្រភេទដី និងព្រៃឈើជាក់លាក់ (ឧទាហរណ៍៖ biotite gneiss)។ សម្រាប់ប្រទេសកម្ពុជា ប្រភេទដី គម្របព្រៃឈើ និងលំនាំនៃអាកាសធាតុមានលក្ខណៈខុសប្លែកពីកូរ៉េ ដូច្នេះការចម្លងម៉ូដែលនេះដោយមិនមានការបង្ហាត់សារជាថ្មីជាមួយទិន្នន័យក្នុងស្រុក អាចនឹងផ្តល់លទ្ធផលមិនត្រឹមត្រូវល្អនោះទេ។
វិធីសាស្ត្រនៃការប្រើប្រាស់ម៉ូដែលរុករកទិន្នន័យនេះមានសក្តានុពលខ្ពស់ក្នុងការយកមកអនុវត្តនៅប្រទេសកម្ពុជា ជាពិសេសដើម្បីវាយតម្លៃហានិភ័យមុនពេលមានគ្រោះមហន្តរាយនៅតាមតំបន់ភ្នំជម្រាលខ្ពស់។
ការកសាងប្រព័ន្ធទិន្នន័យ និងវាយតម្លៃហានិភ័យបាក់ដី ដោយប្រើប្រាស់ Machine Learning នឹងជួយពង្រឹងភាពធន់នៃការអភិវឌ្ឍហេដ្ឋារចនាសម្ព័ន្ធ និងសង្គ្រោះអាយុជីវិតប្រជាពលរដ្ឋនៅកម្ពុជាពីឥទ្ធិពលនៃការប្រែប្រួលអាកាសធាតុបានយ៉ាងមានប្រសិទ្ធភាព។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Artificial Neural Network (ANN) | វាជាម៉ូដែលគណិតវិទ្យាដែលត្រាប់តាមដំណើរការនៃខួរក្បាលមនុស្ស ដោយប្រើបណ្តាញថ្នាំង (Nodes) ជាច្រើនស្រទាប់ ដើម្បីរៀននិងទាញយកទំនាក់ទំនងស្មុគស្មាញ (មិនលីនេអ៊ែរ) រវាងកត្តាបរិស្ថានផ្សេងៗ និងហានិភ័យនៃការបាក់ដី។ | ដូចជាកុមារដែលរៀនចំណាំមុខមនុស្ស ដោយមើលរូបថតច្រើនដង រហូតដល់ខួរក្បាលអាចចាប់ចំណុចសម្គាល់បានដោយខ្លួនឯង ទោះជួបមនុស្សនោះពាក់មួក ឬវ៉ែនតាក៏ដោយ។ |
| Boosted Tree (BT) | វាក្បួនដោះស្រាយប្រភេទ Machine Learning ដែលបង្កើតមែកធាងសម្រេចចិត្ត (Decision Trees) តូចៗជាច្រើនបន្តបន្ទាប់គ្នា ដោយមែកធាងក្រោយៗត្រូវបានបង្កើតឡើងដើម្បីកែតម្រូវចំណុចខុសឆ្គងរបស់មែកធាងមុនៗ ជួយឱ្យការទស្សន៍ទាយកាន់តែមានភាពសុក្រឹតខ្ពស់។ | ដូចជាក្រុមសិស្សដែលរួមគ្នាធ្វើលំហាត់ ដោយសិស្សទី២ជួយកែចំណុចខុសរបស់សិស្សទី១ ហើយសិស្សទី៣ជួយកែចំណុចខុសរបស់សិស្សទី២ រហូតទទួលបានចម្លើយដែលត្រឹមត្រូវបំផុត។ |
| Topographic wetness index (TWI) | វាជាសន្ទស្សន៍ជលសាស្ត្រគណនាពីសណ្ឋានដី ដើម្បីកំណត់តំបន់ដែលអាចប្រមូលផ្តុំសំណើម ឬទឹកហូរ ដែលជួយចង្អុលបង្ហាញថាតំបន់ណាងាយនឹងឆ្អែតទឹកខ្លាំង និងងាយរងការបាក់ស្រុតពេលមានភ្លៀងធ្លាក់ខ្លាំង។ | ដូចជាការសង្កេតមើលស្នាមផ្នត់ និងជ្រលងតូចៗនៅលើស្លឹកឈើ ដែលអាចប្រាប់យើងដឹងមុនថាតំណក់ទឹកនឹងហូរទៅប្រមូលផ្តុំគ្នានៅត្រង់ចំណុចណាខ្លះ។ |
| Stream power index (SPI) | វាជារង្វាស់ដែលតំណាងឱ្យកម្លាំងថាមពលនៃការហូរច្រោះរបស់ចរន្តទឹកនៅលើផ្ទៃដី ដោយគណនាផ្អែកលើទំហំនៃផ្ទៃរងទឹកភ្លៀងខាងលើ និងកម្រិតភាពចោតនៃជម្រាល។ | ដូចជាការបាញ់ទឹកទុយោចុះតាមជម្រាលភ្នំ ទឹកដែលហូរលើទីជម្រាលខ្លាំង ហើយមានបរិមាណច្រើន នឹងមានកម្លាំងបុកឆ្កៀលយកដីទៅជាមួយខ្លាំងជាងទឹកហូរលើទីរាបស្មើ។ |
| Digital elevation model (DEM) | វាជាការចងក្រងទម្រង់កម្ពស់សណ្ឋានដីជាលក្ខណៈឌីជីថល ដែលត្រូវបានប្រើនៅក្នុងកម្មវិធីកុំព្យូទ័រ (GIS) ដើម្បីទាញយកព័ត៌មានលម្អិតដូចជា កម្រិតជម្រាល ទិសដៅជម្រាល និងបណ្តាញផ្លូវទឹកហូរដោយស្វ័យប្រវត្តិ។ | ដូចជាការយកភួយមកគ្របពីលើគំនរខ្សាច់ រួចគូរក្រឡាចត្រង្គលើភួយនោះ ដើម្បីងាយស្រួលកត់ត្រាចូលកុំព្យូទ័រថាកន្លែងណាទាប កន្លែងណាខ្ពស់។ |
| Receiver operating characteristics (ROC) | វាជាវិធីសាស្ត្រស្ថិតិសម្រាប់វាស់ស្ទង់ និងប្រៀបធៀបភាពត្រឹមត្រូវនៃម៉ូដែលទស្សន៍ទាយ ដោយបង្ហាញខ្សែក្រាហ្វិកនៃអត្រានៃការទាយត្រូវ (True Positives) ធៀបនឹងអត្រានៃការទាយខុស (False Positives)។ | ដូចជាតារាងពិន្ទុដែលបង្ហាញពីសមត្ថភាពរបស់គ្រូពេទ្យក្នុងការធ្វើរោគវិនិច្ឆ័យ ថាតើគាត់ទាយត្រូវប៉ុន្មានដង និងទាយខុស (ប្រាប់ថាមានជំងឺ តែការពិតអត់មាន) ប៉ុន្មានដង។ |
| Backpropagation algorithm | វាជាយន្តការរៀនសូត្រចម្បងរបស់បណ្តាញសរសៃប្រសាទសិប្បនិម្មិត (ANN) ដែលបញ្ជូនទិន្នន័យកំហុស (Error) ពីលទ្ធផលចុងក្រោយត្រឡប់ទៅក្រោយវិញ ដើម្បីកែតម្រូវទម្ងន់ (Weights) នៃកត្តានីមួយៗ រហូតដល់ទទួលបានលទ្ធផលដែលខុសតិចបំផុត។ | ដូចជាអ្នកបាញ់ធ្នូដែលបាញ់ខុសគោលដៅ រួចគាត់ពិនិត្យមើលថាតើគាត់កាច់ដៃខុសប៉ុន្មានដឺក្រេ ហើយក៏កែតម្រូវដៃបន្តិចសម្រាប់ការបាញ់លើកក្រោយរហូតដល់បាញ់ចំកណ្តាលស៊ីប។ |
| Landslide inventory | វាជាការចងក្រងទិន្នន័យកូអរដោនេ និងការគូសផែនទីទីតាំងដែលធ្លាប់មានការរអិលបាក់ដីពិតប្រាកដកាលពីអតីតកាល ដើម្បីយកមកធ្វើជាទិន្នន័យគោលសម្រាប់បង្រៀនម៉ូដែលកុំព្យូទ័រ។ | ដូចជាសៀវភៅកំណត់ហេតុស៊ើបអង្កេតរបស់ប៉ូលីស ដែលកត់ត្រាទីតាំងធ្លាប់មានចោរលួច ដើម្បីយកទៅវិភាគរកទម្លាប់របស់ចោរ សម្រាប់ដាក់ពង្រាយកម្លាំងការពារនៅថ្ងៃមុខ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
