បញ្ហា (The Problem)៖ ឯកសារនេះដោះស្រាយអំពីបញ្ហាប្រឈមផ្នែកគំនិត និងវិធីសាស្ត្រក្នុងការបង្កើត និងអនុវត្តប្រព័ន្ធធ្វើសារពើភណ្ឌនិងការតាមដានព្រៃឈើជាតិ (NFIM) លើកដំបូងនៅប្រទេសស្លូវ៉ាគីក្នុងឆ្នាំ២០០៥-២០០៦ ដើម្បីតាមដានស្ថានភាពនិងការផ្លាស់ប្តូរនៃប្រព័ន្ធអេកូឡូស៊ីព្រៃឈើឱ្យបានច្បាស់លាស់។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះប្រើប្រាស់វិធីសាស្ត្រនៃការយកគំរូជាប្រព័ន្ធដោយរួមបញ្ចូលគ្នារវាងការថតពីលើអាកាសនិងការចុះពិនិត្យផ្ទាល់លើដី ព្រមទាំងការប្រើប្រាស់គំរូជីវមាត្រសម្រាប់ការប្រមូល និងធ្វើទូទៅកម្មទិន្នន័យ (Data generalization)។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Two-phase detection for small-sized deadwood ការវាស់វែងបរិមាណឈើងាប់តូចៗពីរដំណាក់កាល |
មានទំនាក់ទំនងជិតស្និទ្ធរវាងបរិមាណនិងអង្កត់ផ្ចិតជាមធ្យម ដែលធ្វើឱ្យម៉ូដែលនេះមានភាពសុក្រឹតខ្ពស់សម្រាប់ការប៉ាន់ស្មាន។ អាចទាញយកទិន្នន័យបានច្បាស់លាស់ពីទីតាំងគំរូដោយផ្ទាល់។ | ទាមទារចំណាយពេលច្រើនក្នុងការរៀបចំគំនរឈើគំរូ (Sample pile) និងវាស់វែងបំណែកឈើតូចៗនីមួយៗ។ | ទទួលបានសមីការតម្រែតម្រង់ y = 0.0033x^1.5151 ជាមួយនឹងតម្លៃ R-squared = 0.77 |
| Line intersect sampling ការយកគំរូតាមខ្សែបន្ទាត់កាត់ខ្វែង |
ងាយស្រួលក្នុងការរៀបចំ និងអនុវត្តនៅទីលាន ដោយគ្រាន់តែវាស់អង្កត់ផ្ចិតឈើដែលកាត់ខ្វែងខ្សែបន្ទាត់ប៉ុណ្ណោះ។ | មិនសូវមានភាពត្រឹមត្រូវទេ ដោយសារប្រវែងខ្សែបន្ទាត់ខ្លីពេកមិនសមាមាត្រទៅនឹងទំហំដីគំរូ (50.48m)។ | បង្ហាញថាពុំសូវមានភាពស័ក្តិសមសម្រាប់ការប៉ាន់ស្មានបរិមាណឈើងាប់នៅក្នុងការសិក្សានេះទេ |
| Ratio of Means (for qualitative variables) វិធីសាស្ត្រផលធៀបនៃមធ្យមភាគ (សម្រាប់អថេរគុណភាព) |
មានភាពត្រឹមត្រូវខ្ពស់សម្រាប់ការយកគំរូជាចង្កោម (Cluster sampling) ដែលមានទំហំដីប្រែប្រួល និងចំនួនដើមឈើមិនស្មើគ្នា។ | រូបមន្តគណនាលំអៀងគំរូស្តង់ដារ (Standard error) មានភាពស្មុគស្មាញ និងទាមទារការយល់ដឹងផ្នែកស្ថិតិខ្ពស់។ | ផ្តល់តម្លៃលំអៀងគំរូស្តង់ដារត្រឹមត្រូវ (± 0.0162) សម្រាប់ការបែងចែកថ្នាក់គុណភាពដើមឈើ |
| Binomial distribution ការគណនាតាមរបាយទ្វេធា |
រូបមន្តមានភាពសាមញ្ញ និងងាយស្រួលគណនាទម្រង់ភាគរយ។ | មិនអាចអនុវត្តបានត្រឹមត្រូវសម្រាប់ការយកគំរូជាចង្កោមទេ (Cluster sampling) ព្រោះវាសន្មតថាជាការយកគំរូដើមឈើទោល។ | ផ្តល់តម្លៃលំអៀងគំរូស្តង់ដារខុស និងទាបជាងការពិត (± 0.0056) |
ការចំណាយលើធនធាន (Resource Cost)៖ ទោះបីជាឯកសារមិនបានបញ្ជាក់លម្អិតអំពីតម្លៃជាទឹកប្រាក់ ប៉ុន្តែការអនុវត្តប្រព័ន្ធនេះទាមទារធនធានបច្ចេកវិទ្យា ឧបករណ៍វាស់វែង និងធនធានមនុស្សដែលមានការបណ្តុះបណ្តាលច្បាស់លាស់។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅក្នុងប្រទេសស្លូវ៉ាគី ដែលមានប្រភេទព្រៃឈើអាកាសធាតុត្រជាក់ (Temperate forests) ដូចជាស្រល់ និងប៊ីច។ សម្រាប់ប្រទេសកម្ពុជាដែលមានព្រៃត្រូពិច (Tropical forests) ការប្រើប្រាស់រូបមន្ត និងតារាងបរិមាណឈើ (Volume tables) ទាំងនេះដោយផ្ទាល់នឹងមិនមានភាពសុក្រឹតឡើយ ដោយសាររូបរាងដើមឈើ និងដង់ស៊ីតេឈើមានភាពខុសគ្នាស្រឡះ។ ដូច្នេះ កម្ពុជាចាំបាច់ត្រូវបង្កើតគំរូតម្រែតម្រង់ (Regression models) ផ្ទាល់ខ្លួនរបស់ប្រភេទឈើក្នុងស្រុក។
ទោះបីជាបរិបទព្រៃឈើខុសគ្នាក៏ដោយ វិធីសាស្ត្រនៃការធ្វើសារពើភណ្ឌ និងការប្រើប្រាស់ម៉ូដែលស្ថិតិទាំងនេះ មានសារៈសំខាន់ខ្លាំងណាស់សម្រាប់កម្ពុជា។
ជារួម វិធីសាស្ត្រនៃការរៀបចំប្រព័ន្ធនេះអាចយកមកកែច្នៃប្រើប្រាស់បានយ៉ាងល្អ ដើម្បីគាំទ្រដល់ប្រព័ន្ធ MRV (ការវាស់វែង រាយការណ៍ និងផ្ទៀងផ្ទាត់) របស់កម្ពុជាឱ្យស្របតាមស្តង់ដារអន្តរជាតិ។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Combined aerial-terrestrial sampling | គឺជាវិធីសាស្ត្រប្រមូលទិន្នន័យដែលប្រើប្រាស់រូបភាពថតពីលើអាកាស (ដូចជាពីយន្តហោះ) ដើម្បីបែងចែកផ្ទៃដីព្រៃ និងមិនមែនព្រៃ រួមផ្សំជាមួយនឹងការចុះវាស់វែងផ្ទាល់នៅលើដី (Terrestrial) តាមប្រព័ន្ធក្រឡាចត្រង្គ ដើម្បីយកទិន្នន័យលម្អិតពីដើមឈើនិងបរិស្ថាន។ | ដូចជាការប្រើដ្រូនហោះមើលទំហំចម្ការពីលើ រួចទើបដើរចូលទៅរាប់ចំនួននិងវាយតម្លៃគុណភាពផ្លែឈើតាមដើមនីមួយៗផ្ទាល់។ |
| Two-phase method | ជាវិធីសាស្ត្រវាស់វែងដែលបែងចែកជាពីរជំហាន ដោយជំហានទីមួយគឺការប៉ាន់ស្មានកម្ពស់ដើមឈើទាំងអស់ដោយភ្នែក (Ocular estimation) ហើយជំហានទីពីរគឺការជ្រើសរើសដើមឈើមួយចំនួនតូចមកវាស់កម្ពស់ដោយឧបករណ៍ផ្ទាល់ ដើម្បីកែតម្រូវទិន្នន័យដែលបានប៉ាន់ស្មាននោះឱ្យកាន់តែសុក្រឹត។ | ដូចជាការលេងទាយទម្ងន់មនុស្សមួយក្រុមសិន រួចទើបយកមនុស្ស២ទៅ៣នាក់ទៅថ្លឹងផ្ទាល់ ដើម្បីថ្លឹងថ្លែងថាតើការទាយរបស់យើងមានភាពលម្អៀងកម្រិតណា។ |
| Smalian’s method | ជារូបមន្តគណិតវិទ្យាដែលប្រើសម្រាប់គណនាមាឌ ឬបរិមាណនៃកំណាត់ឈើធំៗដែលដួលរលំ (Lying deadwood) ដោយធ្វើការវាស់អង្កត់ផ្ចិតនៅចុងសងខាងនៃកំណាត់ឈើនោះ និងប្រវែងបណ្តោយសរុបរបស់វា។ | ដូចជាការគណនាចំណុះទឹកក្នុងបំពង់ទីបដែលរាងធំម្ខាងតូចម្ខាង ដោយវាស់ទំហំមុខកាត់បំពង់ទាំងសងខាងនិងប្រវែងរបស់វា។ |
| Line intersect sampling | ជាវិធីសាស្ត្រយកគំរូដោយទាញខ្សែបន្ទាត់ត្រង់កាត់តំបន់សិក្សា ហើយអ្នកស្រាវជ្រាវធ្វើការវាស់វែងអង្កត់ផ្ចិតតែលើបំណែកឈើងាប់ណាដែលស្ថិតនៅកាត់ខ្វែងពីលើខ្សែបន្ទាត់នោះប៉ុណ្ណោះ ដើម្បីវាយតម្លៃបរិមាណឈើងាប់ក្នុងមួយហិកតាសរុប។ | ដូចជាការគូសបន្ទាត់មួយឆ្លងកាត់បន្ទប់ដែលរញ៉េរញ៉ៃមួយ ហើយរាប់តែរបស់លេងណាដែលប៉ះចំខ្សែបន្ទាត់ ដើម្បីប៉ាន់ស្មានថាតើមានរបស់លេងប៉ុន្មាននៅក្នុងបន្ទប់ទាំងមូល។ |
| Biometrical models | គឺជាការបង្កើតរូបមន្តគណិតវិទ្យា ឬស្ថិតិដោយផ្អែកលើទិន្នន័យជីវសាស្ត្រ (ដូចជាអង្កត់ផ្ចិត និងកម្ពស់ដើមឈើ) ដើម្បីប្រើប្រាស់ក្នុងការគណនាប៉ាន់ស្មានបរិមាណឈើ ឬដើម្បីទាញយកទិន្នន័យពីផ្ទៃដីគំរូតូចមួយទៅជាទិន្នន័យតំណាងឱ្យផ្ទៃដីព្រៃឈើទាំងមូល (Generalisation)។ | ដូចជាការបង្កើតរូបមន្តទស្សន៍ទាយទម្ងន់សត្វគោដោយគ្រាន់តែវាស់ទំហំជុំវិញពោះរបស់វា ដោយមិនបាច់លើកវាដាក់ជញ្ជីងថ្លឹងផ្ទាល់។ |
| Spatial autocorrelation | គឺជាកម្រិតនៃការទាក់ទងគ្នា រវាងទិន្នន័យនៅទីតាំងមួយទៅនឹងទិន្នន័យនៅទីតាំងដែលនៅក្បែរៗនោះ ដើម្បីបញ្ជាក់ថាតើទិន្នន័យមាននិន្នាការប្រមូលផ្តុំគ្នា (Clustered) ដែរឬទេ។ បើកម្រិតនេះទាប មានន័យថាទិន្នន័យរាយប៉ាយដោយចៃដន្យនៅក្នុងលំហ។ | ដូចជាការសង្កេតមើលថាតើផ្ទះអ្នកមានជាទូទៅច្រើនសាងសង់នៅក្បែរៗគ្នាជាបណ្តុំ ឬក៏សាងសង់រាយប៉ាយលាយឡំដោយចៃដន្យជាមួយផ្ទះអ្នកក្រីក្រ។ |
| Ratio of Means | ជាវិធីសាស្ត្រស្ថិតិដែលគេយកផលបូកនៃតម្លៃអថេរគោលដៅទាំងអស់ (ឧទាហរណ៍ ចំនួនឈើល្អ) ចែកជាមួយនឹងផលបូកនៃអថេរមូលដ្ឋាន (ដូចជាទំហំដីគំរូសរុប ឬចំនួនដើមឈើសរុប) ដែលវាស័ក្តិសមបំផុតក្នុងការគណនាភាគរយនៅពេលដែលតំបន់ដីគំរូនីមួយៗមានទំហំ ឬចំនួនមិនស្មើគ្នា (Unequal sizes)។ | ដូចជាការគណនារកប្រាក់ចំណូលជាមធ្យមរបស់ហាងនានាក្នុងមួយម៉ែត្រការ៉េ ដោយយកប្រាក់ចំណូលហាងទាំងអស់បូកបញ្ចូលគ្នា រួចចែកនឹងទំហំក្រឡាផ្ទៃហាងទាំងអស់បូកបញ្ចូលគ្នា។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
