បញ្ហា (The Problem)៖ ឯកសារនេះសិក្សាពីបញ្ហានៃការពង្រីកទីក្រុងយ៉ាងឆាប់រហ័សដោយខ្វះការគ្រប់គ្រងនៅក្នុងស្រុក Narayanganj ប្រទេសបង់ក្លាដែស ដែលបណ្តាលឱ្យមានការបាត់បង់ដីកសិកម្ម ការធ្លាក់ចុះនៃសុខភាពរុក្ខជាតិ និងការរិចរិលប្រព័ន្ធអេកូឡូស៊ី។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានប្រើប្រាស់ប្រព័ន្ធព័ត៌មានភូមិសាស្ត្រ (GIS) និងបច្ចេកវិទ្យារាវរកពីចម្ងាយ (Remote Sensing) ដើម្បីវិភាគរូបភាពផ្កាយរណប Landsat ក្នុងចន្លោះពេល ២០ឆ្នាំ (២០០៣-២០២៣)។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Supervised LULC Classification (Maximum Likelihood) ចំណាត់ថ្នាក់ LULC ដោយមានការត្រួតពិនិត្យ (វិធីសាស្ត្រប្រូបាប៊ីលីតេអតិបរមា) |
មានភាពរឹងមាំក្នុងការចាត់ថ្នាក់ប្រភេទគម្របដីផ្សេងៗគ្នា ដោយផ្អែកលើទិន្នន័យស្ថិតិនៃតម្លៃភីកសែល (Pixel values)។ វាផ្តល់នូវភាពត្រឹមត្រូវខ្ពស់សម្រាប់ការសិក្សាទំហំធំ។ | ងាយរងគ្រោះដោយសារកំហុសនៃការចាត់ថ្នាក់ ហើយមិនអាចតំណាងឱ្យកត្តាសេដ្ឋកិច្ចសង្គមដែលជំរុញឱ្យមានការផ្លាស់ប្តូរដីបានទេ។ ទាមទារការផ្ទៀងផ្ទាត់លើទីតាំងផ្ទាល់ (Ground-truthing) បន្ថែម។ | សម្រេចបានភាពត្រឹមត្រូវរួម (Overall Accuracy) ពី ៨២% ដល់ ៩០.៦៧% និងមេគុណ Kappa ពី ០.៧០ ដល់ ០.៨៥ សម្រាប់ចន្លោះឆ្នាំ ២០០៣ ដល់ ២០២៣។ |
| Spectral Vegetation Indices (NDVI & SAVI) សន្ទស្សន៍រុក្ខជាតិដោយប្រើវិសាលគម (NDVI និង SAVI) |
មានប្រសិទ្ធភាពខ្ពស់ក្នុងការតាមដានសុខភាព និងដង់ស៊ីតេរុក្ខជាតិ។ SAVI ជួយកាត់បន្ថយឥទ្ធិពលនៃចំណាំងផ្លាតដីនៅក្នុងតំបន់ដែលមានរុក្ខជាតិស្តើង។ | ការសិក្សានេះខ្វះទិន្នន័យជីវរូបវិទ្យា (Biophysical data) នៅលើដីផ្ទាល់ដើម្បីបញ្ជាក់បន្ថែម។ វាអាចរងឥទ្ធិពលពីពពក ឬលក្ខខណ្ឌអាកាសធាតុ។ | បានបង្ហាញពីការធ្លាក់ចុះយ៉ាងខ្លាំងនៃសុខភាពរុក្ខជាតិ (ឧទាហរណ៍ តម្លៃ SAVI ជាមធ្យមបានធ្លាក់ចុះពី ០.៣៨ ក្នុងឆ្នាំ ២០០៣ មកត្រឹម ០.០៦ ក្នុងឆ្នាំ ២០១៣ នៅក្បែរតំបន់ឧស្សាហកម្ម)។ |
| Normalized Difference Built-up Index (NDBI) សន្ទស្សន៍តំបន់សាងសង់ (NDBI) |
ងាយស្រួលក្នុងការកំណត់អត្តសញ្ញាណ និងធ្វើផែនទីផ្ទៃសំណង់ទីក្រុង ឬផ្ទៃដែលមិនជ្រាបទឹក ដោយប្រើប្រាស់រលកពន្លឺ SWIR និង NIR។ | ពេលខ្លះអាចមានការភាន់ច្រឡំរវាងដីទទេ (Barren land) និងតំបន់សាងសង់ដោយសារចំណាំងផ្លាតស្រដៀងគ្នា។ | តម្លៃ NDBI បានកើនឡើងយ៉ាងខ្លាំងពីក្រោម ០.១ ទៅលើសពី ០.៥ ដែលបង្ហាញពីការកើនឡើងនៃការពង្រីកទីក្រុងយ៉ាងក្រាស់ក្រែល និងមានទំនាក់ទំនងច្រាសជាមួយ NDVI/SAVI។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ឯកសារនេះមិនបានបញ្ជាក់ពីការចំណាយថវិកា ឬតម្រូវការផ្នែករឹង (Hardware) ជាក់លាក់នោះទេ ប៉ុន្តែវិធីសាស្ត្រនេះទាមទារនូវកម្មវិធី GIS ទិន្នន័យរូបភាពផ្កាយរណប និងចំណេះដឹងបច្ចេកទេស។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅក្នុងស្រុក Narayanganj ដែលជាមជ្ឈមណ្ឌលឧស្សាហកម្ម និងនគរូបនីយកម្មយ៉ាងឆាប់រហ័សនៅជាយក្រុង Dhaka ប្រទេសបង់ក្លាដែស ដោយប្រើទិន្នន័យក្នុងចន្លោះពេល១០ឆ្នាំម្តង។ ទិន្នន័យនេះមានសារៈសំខាន់សម្រាប់ប្រទេសកម្ពុជា ព្រោះកម្ពុជាកំពុងជួបប្រទះបញ្ហាការពង្រីកទីក្រុងស្រដៀងគ្នា (ឧទាហរណ៍ នៅរាជធានីភ្នំពេញ និងខេត្តព្រះសីហនុ) ដែលតំបន់កសិកម្ម និងតំបន់ដីសើមជាច្រើនកំពុងត្រូវបានចាក់លុបដើម្បីអភិវឌ្ឍសំណង់ បើទោះបីជាចន្លោះពេល១០ឆ្នាំអាចមើលរំលងការផ្លាស់ប្តូរលឿនៗប្រចាំឆ្នាំក៏ដោយ។
វិធីសាស្ត្រដែលប្រើប្រាស់ប្រព័ន្ធ GIS និង Remote Sensing នេះមានអត្ថប្រយោជន៍យ៉ាងខ្លាំងសម្រាប់ការវាយតម្លៃ និងរៀបចំផែនការអភិវឌ្ឍន៍ទីក្រុងប្រកបដោយចីរភាពនៅក្នុងប្រទេសកម្ពុជា។
ការអនុវត្តវិធីសាស្ត្រស្រាវជ្រាវនេះ នឹងជួយឱ្យអ្នករៀបចំគោលនយោបាយនៅកម្ពុជាមានទិន្នន័យច្បាស់លាស់ក្នុងការធ្វើឱ្យមានតុល្យភាពរវាងការពង្រីកទីក្រុង និងការអភិរក្សប្រព័ន្ធអេកូឡូស៊ី។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Spatiotemporal Analysis | គឹជាការវិភាគទិន្នន័យដែលផ្តោតលើការផ្លាស់ប្តូរទាំងទីតាំង (លំហ/ភូមិសាស្ត្រ) និងពេលវេលា ដើម្បីស្វែងយល់ពីរបៀប និងនិន្នាការដែលតំបន់មួយមានការប្រែប្រួលពីមួយឆ្នាំទៅមួយឆ្នាំ។ | ដូចជាការថតរូបសន្លឹកតំបន់មួយជារៀងរាល់ឆ្នាំ រួចយកមកប្រៀបធៀបគ្នាដើម្បីមើលថាតើផ្ទះសំបែងរីកធំជាងមុនកម្រិតណាតាមពេលវេលា។ |
| Remote sensing | គឺជាបច្ចេកវិទ្យាក្នុងការប្រមូលព័ត៌មាន និងទិន្នន័យអំពីផ្ទៃផែនដីពីចម្ងាយ (ជាទូទៅតាមរយៈឧបករណ៍សេនស័រលើផ្កាយរណប) ដោយមិនចាំបាច់ចុះទៅវាស់វែងផ្ទាល់នៅទីតាំងនោះ។ | ដូចជាការប្រើប្រាស់កាមេរ៉ាដ្រូន (Drone) ដើម្បីថតមើលទិដ្ឋភាពចម្ការពីលើអាកាស ជាជាងការដើរមើលដោយផ្ទាល់ជើង។ |
| NDVI (Normalized Difference Vegetation Index) | គឹជាសន្ទស្សន៍ដែលប្រើដើម្បីវាស់កម្រិតភាពបៃតង និងវាយតម្លៃសុខភាពរបស់រុក្ខជាតិ ដោយគណនាផ្អែកលើរបៀបដែលស្លឹករុក្ខជាតិស្រូប និងចំណាំងផ្លាតពន្លឺព្រះអាទិត្យ (ពន្លឺក្រហម និងពន្លឺអ៊ីនហ្វ្រារ៉េដ)។ | ដូចជាឧបករណ៍ស្កេនសុខភាពរុក្ខជាតិពីលើអាកាស បើពណ៌កាន់តែបៃតងចាស់ មានន័យថារុក្ខជាតិកាន់តែមានសុខភាពល្អ និងដុះក្រាស់ល្អ។ |
| NDBI (Normalized Difference Built-up Index) | គឺជាសន្ទស្សន៍រូបភាពផ្កាយរណបដែលជួយកំណត់ទីតាំងអគារ ផ្លូវថ្នល់ និងតំបន់សំណង់នានា ដោយញែកពួកវាចេញពីតំបន់ធម្មជាតិ ឬដីទទេ តាមរយៈការវិភាគចំណាំងផ្លាតនៃពន្លឺ។ | ដូចជាវ៉ែនតាវេទមន្តដែលពេលពាក់ទៅ មើលឃើញតែអគារ និងផ្លូវស៊ីម៉ងត៍លេចធ្លោជាងគេនៅក្នុងតំបន់នោះ។ |
| SAVI (Soil-Adjusted Vegetation Index) | ជាសន្ទស្សន៍ស្រដៀងនឹង NDVI ដែរ ប៉ុន្តែវាត្រូវបានកែសម្រួលដើម្បីកាត់បន្ថយឥទ្ធិពលនៃចំណាំងផ្លាតរបស់ដី ពិសេសជួយឲ្យការវាយតម្លៃសុខភាពរុក្ខជាតិកាន់តែសុក្រឹតសម្រាប់តំបន់ដែលមានរុក្ខជាតិដុះស្តើងៗ ឬមិនសូវក្រាស់។ | ដូចជាការដាក់តម្រង (Filter) យករូបភាពដីចេញ ដើម្បីឱ្យយើងមើលឃើញតែសុខភាពរុក្ខជាតិសុទ្ធសាធ ទោះបីជាដើមឈើដុះរង្វើលៗក៏ដោយ។ |
| supervised classification | គឺជាវិធីសាស្ត្របង្រៀនកម្មវិធីកុំព្យូទ័រឱ្យចាត់ថ្នាក់ប្រភេទដី (ដូចជាផ្ទៃទឹក ព្រៃឈើ តំបន់សាងសង់) ដោយអ្នកស្រាវជ្រាវត្រូវផ្តល់គំរូទិន្នន័យ (Training samples) ជាមុន រួចឱ្យកុំព្យូទ័រស្វែងរកចំណុចផ្សេងទៀតដែលមានលក្ខណៈស្រដៀងគ្នា។ | ដូចជាការបង្រៀនក្មេងឱ្យស្គាល់ផ្លែប៉ោមដោយបង្ហាញរូបប៉ោមជាមុនសិន រួចទើបឱ្យក្មេងនោះទៅរើសផ្លែឈើក្នុងកន្ត្រកដែលស្រដៀងនឹងប៉ោមជាងគេ។ |
| LULC (Land Use and Land Cover) | គឹជាប្រព័ន្ធចំណាត់ថ្នាក់ដែលពិពណ៌នាអំពីលក្ខណៈរូបវន្តដែលគ្របដណ្តប់លើផ្ទៃដី (Land Cover: ព្រៃឈើ, ទឹក) និងសកម្មភាពឬរបៀបដែលមនុស្សប្រើប្រាស់ដីនោះ (Land Use: តំបន់កសិកម្ម, លំនៅដ្ឋាន)។ | គឺជាការឆ្លើយសំណួរ២រួមគ្នាគឺ "តើមានអ្វីនៅលើដីនោះ?" (ឧទាហរណ៍៖ ដើមឈើ) និង "តើគេកំពុងធ្វើអ្វីនៅលើដីនោះ?" (ឧទាហរណ៍៖ ចម្ការកៅស៊ូ)។ |
| Kappa coefficient | ជារង្វាស់ស្ថិតិដែលត្រូវបានប្រើដើម្បីវាយតម្លៃកម្រិតភាពត្រឹមត្រូវនៃចំណាត់ថ្នាក់រូបភាពផ្កាយរណប ដោយប្រៀបធៀបវាទៅនឹងទិន្នន័យជាក់ស្តែងនៅលើដី ដើម្បីធានាថាលទ្ធផលមិនមែនកើតឡើងដោយចៃដន្យ។ | ដូចជាពិន្ទុដែលបញ្ជាក់ថា សិស្សម្នាក់ពិតជាចេះមេរៀនប្រាកដមែន មិនមែនគ្រាន់តែទាយត្រូវចម្លើយដោយចៃដន្យនោះទេ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
