Original Title: A Statistical Forest Reflectance Model
Source: doi.org/10.3390/rs11232749
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original paper for full scientific accuracy.

គំរូឆ្លុះបញ្ចាំងពន្លឺព្រៃឈើតាមបែបស្ថិតិ

ចំណងជើងដើម៖ A Statistical Forest Reflectance Model

អ្នកនិពន្ធ៖ Andres Kuusk (University of Tartu), Joel Kuusk (University of Tartu), Mait Lang (University of Tartu, Estonian University of Life Sciences)

ឆ្នាំបោះពុម្ព៖ 2019, Remote Sensing

វិស័យសិក្សា៖ Remote Sensing / Forestry

១. សេចក្តីសង្ខេបប្រតិបត្តិ (Executive Summary)

បញ្ហា (The Problem)៖ ឯកសារនេះផ្តោតលើការដោះស្រាយភាពស្មុគស្មាញនៃការក្លែងធ្វើវិសាលគមចំណាំងផ្លាតរបស់ព្រៃឈើ (Forest Reflectance Spectra) ដោយសារកង្វះខាតប៉ារ៉ាម៉ែត្រ ដោយស្នើឡើងនូវគំរូស្ថិតិថ្មីមួយ ដែលអាចប្រើប្រាស់ប៉ារ៉ាម៉ែត្រទិន្នន័យសារពើភណ្ឌព្រៃឈើធម្មតាជាមូលដ្ឋានបាន។

វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានអភិវឌ្ឍគំរូចំណាំងផ្លាតព្រៃឈើតាមបែបស្ថិតិ (Statistical Forest Reflectance Model - SFRM) ដោយប្រើប្រាស់ការផ្សំលីនេអ៊ែរនៃអនុគមន៍មូលដ្ឋាន (Basis Functions) រួមជាមួយទិន្នន័យវាស់វែងតាមអាកាស និងទិន្នន័យផ្កាយរណប។

លទ្ធផលសំខាន់ៗ (The Verdict)៖

២. ការវិភាគលើប្រសិទ្ធភាព និងដែនកំណត់ (Performance & Constraints)

វិធីសាស្ត្រ (Method) គុណសម្បត្តិ (Pros) គុណវិបត្តិ (Cons) លទ្ធផលគន្លឹះ (Key Result)
Physical Radiative Transfer Models
គំរូផ្ទេរវិទ្យុសកម្មរូបវន្ត
អាចពិពណ៌នាលម្អិត និងស៊ីជម្រៅពីអន្តរកម្មរវាងពន្លឺព្រះអាទិត្យ និងរចនាសម្ព័ន្ធដ៏ស្មុគស្មាញនៃដំបូលព្រៃឈើ។ ត្រូវការប៉ារ៉ាម៉ែត្របញ្ចូលច្រើនហួសហេតុ ដែលពិបាកវាស់វែងជាក់ស្តែង និងស្ទើរតែមិនអាចគណនាបញ្ច្រាស (Inverse) បាន។ មានភាពស្មុគស្មាញខ្ពស់ក្នុងការប្រើប្រាស់ជាមួយនឹងទិន្នន័យសារពើភណ្ឌព្រៃឈើធម្មតា។
Statistical Forest Reflectance Model (SFRM)
គំរូចំណាំងផ្លាតព្រៃឈើតាមបែបស្ថិតិ
គណនាលឿន សាមញ្ញ និងអាចទាញយកអត្ថប្រយោជន៍ពីទិន្នន័យសារពើភណ្ឌព្រៃឈើដែលមានស្រាប់ជាប៉ារ៉ាម៉ែត្រមូលដ្ឋាន។ ដំណើរការបានល្អតែក្នុងលក្ខខណ្ឌបរិស្ថានស្រដៀងនឹងទិន្នន័យដែលបានហ្វឹកហាត់ (Training data) ប៉ុណ្ណោះ។ អាចពន្យល់បានជិត ៩៨% នៃបំរែបំរួលចំណាំងផ្លាត ដោយប្រើអនុគមន៍មូលដ្ឋានចំនួន ៥ រួមជាមួយទិន្នន័យផ្កាយរណប Sentinel-2 ដោយមានកំហុសចន្លោះ ២០-៤០%។

ការចំណាយលើធនធាន (Resource Cost)៖ វិធីសាស្ត្រនេះទាមទារការសហការរវាងការវាស់វែងពីលើអាកាសដោយឧបករណ៍ស្ទង់វិសាលគមកម្រិតខ្ពស់ និងប្រព័ន្ធទិន្នន័យសារពើភណ្ឌព្រៃឈើលម្អិតដែលមានស្រាប់។

៣. ការពិនិត្យសម្រាប់បរិបទកម្ពុជា/អាស៊ីអាគ្នេយ៍

ភាពលំអៀងនៃទិន្នន័យ (Data Bias)៖

ការសិក្សានេះពឹងផ្អែកទាំងស្រុងលើទិន្នន័យព្រៃឈើប្រភេទ Hemiboreal (មានដើមស្រល់ និងឈើអឺរ៉ុប) នៅប្រទេសអេស្តូនី (Estonia)។ សម្រាប់ប្រទេសកម្ពុជាដែលមានព្រៃត្រូពិច ព្រៃស្រោង និងព្រៃរបោះ អនុគមន៍មូលដ្ឋាន (Basis functions) ដែលបានរកឃើញនេះមិនអាចយកមកអនុវត្តផ្ទាល់បានទេ ព្រោះប្រភេទដើមឈើ និងរចនាសម្ព័ន្ធព្រៃមានភាពខុសគ្នាស្រឡះ។

លទ្ធភាពនៃការអនុវត្ត (Applicability)៖

ថ្វីបើទិន្នន័យជាក់លាក់មិនអាចប្រើប្រាស់ដោយផ្ទាល់ ប៉ុន្តែវិធីសាស្ត្រនៃការចងក្រងគំរូស្ថិតិនេះមានសក្តានុពលខ្ពស់សម្រាប់ការស្រាវជ្រាវ និងការគ្រប់គ្រងព្រៃឈើនៅកម្ពុជា ប្រសិនបើត្រូវបានធ្វើបដិរូបកម្ម (Localization)។

ជារួម វិធីសាស្ត្រនេះគឺជាគំរូដ៏ល្អមួយសម្រាប់ស្ថាប័នស្រាវជ្រាវកម្ពុជា ក្នុងការបង្កើតប្រព័ន្ធតាមដានព្រៃឈើផ្ទាល់ខ្លួនដ៏សាមញ្ញនិងចំណាយតិច ដោយប្រើប្រាស់ទិន្នន័យដីផ្ទាល់ រួមបញ្ចូលជាមួយបច្ចេកវិទ្យាផ្កាយរណបឥតគិតថ្លៃ។

៤. ផែនការសកម្មភាពសម្រាប់និស្សិត (Actionable Roadmap)

ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖

  1. ជំហានទី១៖ សិក្សាមូលដ្ឋានគ្រឹះនៃគំរូស្ថិតិ និងការវិភាគវិសាលគម: ស្វែងយល់ពីបច្ចេកទេសវិភាគតំរែតំរង់ (Multiple Regression) និងការកាត់បន្ថយទំហំទិន្នន័យ (Singular Value Decomposition) ដោយអនុវត្តជាមួយភាសាកូដ Python (Scikit-learn)R
  2. ជំហានទី២៖ ប្រមូលទិន្នន័យពីលើអាកាសប្រចាំតំបន់: សហការជាមួយសាកលវិទ្យាល័យ ឬអង្គការក្រៅរដ្ឋាភិបាល ដើម្បីហោះហើរប្រមូលទិន្នន័យរូបភាពដំបូលព្រៃឈើត្រូពិចកម្ពុជា ដោយប្រើប្រាស់ UAVs/Drones ដែលបំពាក់នូវកាមេរ៉ា Multispectral/Hyperspectral ដូចជាឧបករណ៍របស់ MicaSense
  3. ជំហានទី៣៖ ចងក្រងនិងរៀបចំទិន្នន័យសារពើភណ្ឌព្រៃឈើ: ស្នើសុំឬប្រមូលទិន្នន័យវាស់វែងព្រៃឈើផ្ទាល់ពីដី (Ground-truth data) ដូចជា ប្រភេទដើមឈើ កម្ពស់ និងទំហំគល់ ពីក្រសួងបរិស្ថាន ឬគម្រោង REDD+ ដោយចងក្រងជាមូលដ្ឋានទិន្នន័យតាមទម្រង់ PostgreSQLExcel/CSV
  4. ជំហានទី៤៖ អភិវឌ្ឍគំរូ SFRM សម្រាប់ព្រៃឈើកម្ពុជា: ប្រើប្រាស់វិធីសាស្ត្រ Least Squares ដើម្បីស្វែងរកអនុគមន៍មូលដ្ឋាន (Basis functions) ដែលសាកសមនឹងលក្ខណៈវិសាលគមនៃព្រៃកម្ពុជា ហើយភ្ជាប់វាទៅនឹងប៉ារ៉ាម៉ែត្រទិន្នន័យសារពើភណ្ឌក្នុងជំហានទី៣។
  5. ជំហានទី៥៖ ផ្ទៀងផ្ទាត់ និងតាមដានដោយប្រើប្រាស់ទិន្នន័យផ្កាយរណប: ទាញយករូបភាពផ្កាយរណបឥតគិតថ្លៃ Sentinel-2 MSI ហើយដំណើរការផ្ទៀងផ្ទាត់កំហុសរបស់គំរូដោយប្រើប្រាស់កម្មវិធី SNAP (Sentinel Application Platform) ឬសរសេរកូដនៅលើ Google Earth Engine (GEE) សម្រាប់ការតាមដានព្រៃឈើក្នុងទ្រង់ទ្រាយធំ។

៥. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស ការពន្យល់ជាខេមរភាសា (Khmer Explanation) និយមន័យសាមញ្ញ (Simple Definition)
Radiative transfer models ជាគំរូរូបវន្តដែលគណនា និងពិពណ៌នាពីរបៀបដែលពន្លឺព្រះអាទិត្យធ្វើអន្តរកម្ម (ជះ ស្រូប និងចំណាំងផ្លាត) ជាមួយស្លឹកឈើ មែកឈើ និងដី នៅក្នុងរចនាសម្ព័ន្ធដ៏ស្មុគស្មាញនៃដំបូលព្រៃឈើ។ ដូចជាកម្មវិធីកុំព្យូទ័រដែលព្យាករណ៍ថាពន្លឺពិលនឹងជះទៅទីណាខ្លះ និងមានស្រមោលយ៉ាងម៉េច ពេលយើងបញ្ចាំងវាចូលទៅក្នុងគុម្ពោតព្រៃដ៏ក្រាស់មួយ។
Basis functions ជាបណ្ដុំនៃអនុគមន៍គណិតវិទ្យាថេរ ដែលគេយកមកបូកបញ្ចូលគ្នា (តាមរយៈការផ្តល់ទម្ងន់) ដើម្បីបង្កើតជាទម្រង់ខ្សែកោងថ្មីមួយដែលអាចពន្យល់ពីបំរែបំរួលនៃទិន្នន័យស្មុគស្មាញ ដូចជាវិសាលគមពន្លឺជាដើម។ ដូចជាការប្រើពណ៌គោល (ក្រហម ខៀវ លឿង) ក្នុងបរិមាណខុសៗគ្នា ដើម្បីលាយចេញជាពណ៌រាប់លានផ្សេងទៀត។
Inverse problem គឺជាដំណើរការគណិតវិទ្យាបញ្ច្រាស ដោយចាប់ផ្ដើមពីលទ្ធផលដែលយើងវាស់វែងបានតាមផ្កាយរណប (ឧទាហរណ៍ ពន្លឺចំណាំងផ្លាតពីព្រៃឈើ) ដើម្បីទាញរកដើមចម ឬលក្ខណៈសម្បត្តិព្រៃឈើដែលបង្កើតលទ្ធផលនោះ (ឧទាហរណ៍ កម្ពស់ដើមឈើ ឬដង់ស៊ីតេព្រៃ)។ ដូចជាការភ្លក់ម្ហូបមួយចាន រួចព្យាយាមទាយបញ្ច្រាសមកវិញថាតើចុងភៅបានដាក់គ្រឿងផ្សំអ្វីខ្លះ និងប៉ុន្មានស្លាបព្រា។
Directional reflectance ជារង្វាស់នៃបរិមាណពន្លឺព្រះអាទិត្យដែលជះត្រឡប់ពីផ្ទៃព្រៃឈើ ឬវត្ថុអ្វីមួយ ទៅកាន់ទិសដៅជាក់លាក់ណាមួយ (ដូចជាទៅកាន់កាមេរ៉ាផ្កាយរណប ឬយន្តហោះ) នៅតាមរលកពន្លឺនីមួយៗ។ ដូចជាការចាំងពន្លឺថ្ងៃពីកញ្ចក់រថយន្តចូលមកក្នុងភ្នែកយើង ដែលភាពភ្លឺខ្លាំងឬខ្សោយអាស្រ័យលើមុំនៃពន្លឺ និងមុំដែលយើងឈរមើល។
Nadir ជាទិសដៅនៃការសម្លឹង ឬថតរូបពីលើអាកាស ដែលឧបករណ៍ថតសំដៅត្រង់ចំពីលើចុះក្រោមមកផ្ទៃដីពិតៗ ពោលគឺក្នុងមុំកែង ៩០ដឺក្រេ ធៀបនឹងផ្ទៃផែនដី ដោយមិនមានភាពបញ្ឆិតឡើយ។ ដូចជាការដែលយើងឈរឱនមុខសម្លឹងមើលត្រង់ចុះទៅចុងជើងខ្លួនឯងនៅលើឥដ្ឋ ជាជាងការងាកមើលទៅឆ្វេង ឬស្តាំ។
Singular value decomposition ជាវិធីសាស្ត្រគណនាវ៉ិចទ័រក្នុងពីជគណិតលីនេអ៊ែរ ដែលបំបែកម៉ាទ្រីសទិន្នន័យធំៗនិងស្មុគស្មាញ ទៅជាម៉ាទ្រីសតូចៗដែលងាយស្រួលគ្រប់គ្រង ដើម្បីស្វែងរកលក្ខណៈសំខាន់ៗបំផុតរបស់ទិន្នន័យសម្រាប់សាងសង់ម៉ូដែល។ ដូចជាការរុះរើម៉ាស៊ីនដ៏ស្មុគស្មាញមួយចេញជាដុំៗ ដើម្បីរកមើលថាតើគ្រឿងបន្លាស់ស្នូលមួយណាដែលធ្វើឱ្យម៉ាស៊ីននោះដំណើរការបាន។
Multiple regression ជាវិធីសាស្ត្រស្ថិតិដែលប្រើដើម្បីស្វែងរកទំនាក់ទំនងរវាងអថេររងមួយ (ឧទាហរណ៍ ទម្ងន់នៃអនុគមន៍វិសាលគម) ជាមួយនឹងអថេរឯករាជ្យជាច្រើនក្នុងពេលតែមួយ (ឧទាហរណ៍ អាយុឈើ កម្ពស់ឈើ ដង់ស៊ីតេ) ដើម្បីធ្វើការព្យាករណ៍។ ដូចជាការទស្សន៍ទាយពិន្ទុប្រឡងរបស់សិស្សម្នាក់ ដោយផ្អែកលើកត្តាជាច្រើនរួមបញ្ចូលគ្នា ដូចជាម៉ោងរៀន ម៉ោងគេង និងចំនួនសៀវភៅដែលបានអាន។
Sentinel-2 MSI ជាឧបករណ៍ថតរូបកម្រិតខ្ពស់ (Multispectral Imager) បំពាក់លើផ្កាយរណប Sentinel-2 ដែលអាចចាប់យករូបភាពផ្ទៃផែនដីក្នុងប្រវែងរលកពន្លឺច្រើនពណ៌ (ទាំងពន្លឺមើលឃើញ និងអ៊ីនហ្វ្រារ៉េដ) សម្រាប់ការតាមដានព្រៃឈើ និងដីធ្លី។ ដូចជាកាមេរ៉ាវេទមន្តហោះលើមេឃដែលអាចថតឃើញមិនត្រឹមតែពណ៌បៃតងនៃស្លឹកឈើទេ ថែមទាំងអាចមើលឃើញកម្រិតជាតិទឹក និងសុខភាពរបស់រុក្ខជាតិពីចម្ងាយរាប់រយគីឡូម៉ែត្រទៀតផង។

៦. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖