Original Title: MEASURING THE GROWTH OF INDIVIDUAL TREES USING MULTI-TEMPORAL AIRBORNE LASER SCANNING POINT CLOUDS
Source: www.isprs.org
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original paper for full scientific accuracy.

ការវាស់ស្ទង់កំណើននៃដើមឈើនីមួយៗដោយប្រើប្រាស់ពពកចំណុចនៃការស្កែនឡាស៊ែរតាមអាកាសពហុពេលវេលា

ចំណងជើងដើម៖ MEASURING THE GROWTH OF INDIVIDUAL TREES USING MULTI-TEMPORAL AIRBORNE LASER SCANNING POINT CLOUDS

អ្នកនិពន្ធ៖ Xiaowei Yu, Juha Hyyppä, Harri Kaartinen, Hannu Hyyppä, Matti Maltamo, Petri Rönnholm

ឆ្នាំបោះពុម្ព៖ 2005 ISPRS Workshop Laser Scanning

វិស័យសិក្សា៖ Remote Sensing / Forestry

១. សេចក្តីសង្ខេបប្រតិបត្តិ (Executive Summary)

បញ្ហា (The Problem)៖ តើគេអាចវាស់ស្ទង់កំណើនកម្ពស់នៃដើមឈើនីមួយៗនៅក្នុងព្រៃបានយ៉ាងត្រឹមត្រូវដោយរបៀបណាដោយប្រើប្រាស់បច្ចេកវិទ្យាស្កែនឡាស៊ែរតាមអាកាស (ALS)? ឯកសារនេះដោះស្រាយបញ្ហាប្រឈមក្នុងការតាមដានបម្រែបម្រួលព្រៃឈើ និងការស្រូបយកកាបូនកម្រិតលម្អិត។

វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះប្រើប្រាស់ទិន្នន័យស្កែនឡាស៊ែរតាមអាកាសជាច្រើនពេលវេលា (១៩៩៨, ២០០០, និង ២០០៣) ដើម្បីប្រៀបធៀបកំណើនកម្ពស់ដើមឈើធៀបនឹងការវាស់វែងជាក់ស្តែងក្នុងតំបន់ព្រៃនៃប្រទេសហ្វាំងឡង់។

ការស្កែនឡាស៊ែរតាមអាកាសពហុពេលវេលា (Multi-temporal Airborne Laser Scanning)
ការទាញយកនិងវិភាគទិន្នន័យពពកចំណុច (Point cloud extraction និងកម្រិតអតិបរមា MaxZ)
ការចុះសម្រុងទិន្នន័យត្រួតគ្នាច្រើនដំណាក់កាល (Co-registration of multi-temporal datasets)
ការចុះវាស់វែងផ្ទាល់ក្នុងព្រៃ (Field reference measurements)

លទ្ធផលសំខាន់ៗ (The Verdict)៖

កំណើនកម្ពស់ដើមឈើនីមួយៗអាចត្រូវបានវាស់វែងដោយមានភាពត្រឹមត្រូវខ្ពស់ជាង ០.៥ ម៉ែត្រ ដោយមានកម្រិតលម្អៀងរង្វាស់ (RMSE) ប្រហែល ៤៥ សង់ទីម៉ែត្រ និងលម្អៀងជាក់ស្តែង (Bias) ១០ សង់ទីម៉ែត្រ។
មេគុណនៃការកំណត់ (Coefficient of determination, R²) រវាងកំណើនដែលទាញយកពីឡាស៊ែរនិងរង្វាស់ជាក់ស្តែងសម្រាប់ចន្លោះឆ្នាំ ១៩៩៨ ដល់ ២០០៣ គឺ ០.៦៦។
បច្ចេកទេសនេះមានសក្តានុពលខ្ពស់សម្រាប់ការតាមដានការលូតលាស់ព្រៃឈើដោយស្វ័យប្រវត្តិ និងគាំទ្រដល់ប្រព័ន្ធសារពើភណ្ឌព្រៃឈើថ្នាក់ជាតិ រួមទាំងការវិភាគអាកាសធាតុ។

២. ការវិភាគលើប្រសិទ្ធភាព និងដែនកំណត់ (Performance & Constraints)

វិធីសាស្ត្រ (Method)	គុណសម្បត្តិ (Pros)	គុណវិបត្តិ (Cons)	លទ្ធផលគន្លឹះ (Key Result)
Multi-temporal Airborne Laser Scanning (ALS) ការស្កែនឡាស៊ែរតាមអាកាសពហុពេលវេលា (Multi-temporal ALS)	អាចវាស់ស្ទង់ផ្ទៃដីធំៗបានលឿន និងមានតម្លៃថោកជាង (០.៥-៤ អឺរ៉ូ/ហិកតា) បើប្រៀបធៀបនឹងការវាស់ផ្ទាល់។ វាជួយកាត់បន្ថយតម្រូវការក្នុងការចុះវាស់វែងផ្ទាល់ដែលពិបាកធ្វើសម្រាប់ដើមឈើខ្ពស់ៗ។	អាចមានកំហុសដោយសារខ្យល់បក់ មែកឈើត្រួតស៊ីគ្នា ឬកំហុសនៃប្រព័ន្ធ IMU/GPS ព្រមទាំងភាពខុសគ្នានៃកម្រិតសេនស័រ (Sensor sensitivity)។	អាចវាស់វែងកំណើនកម្ពស់ដើមឈើដោយមានភាពត្រឹមត្រូវខ្ពស់ជាង ០.៥ ម៉ែត្រ ដោយមានកម្រិតលម្អៀងរង្វាស់ (RMSE) ៤៥ សង់ទីម៉ែត្រ និង R² = ០.៦៦ សម្រាប់ចន្លោះពេល ៥ ឆ្នាំ។
Traditional Field Measurement (Tacheometer) ការវាស់វែងផ្ទាល់ក្នុងព្រៃតាមបែបប្រពៃណីដោយប្រើ Tacheometer	ផ្តល់ទិន្នន័យជាក់ស្តែង (Ground truth) ដែលមានភាពត្រឹមត្រូវខ្ពស់បំផុត និងអាចទុកចិត្តបានសម្រាប់ការផ្ទៀងផ្ទាត់ទិន្នន័យពីចម្ងាយ។	ចំណាយថវិកាច្រើន (១០០-២០០ អឺរ៉ូ/ឡូត៍) ត្រូវការកម្លាំងពលកម្ម និងពេលវេលាច្រើន ព្រមទាំងពិបាកអនុវត្តលើផ្ទៃដីព្រៃធំៗ។	ផ្តល់នូវភាពត្រឹមត្រូវនៃរង្វាស់កំណើនដើមឈើចន្លោះពី ១០ ទៅ ១៥ សង់ទីម៉ែត្រ។

ការចំណាយលើធនធាន (Resource Cost)៖ ឯកសារនេះបានបញ្ជាក់យ៉ាងច្បាស់ពីការចំណាយ និងតម្រូវការឧបករណ៍សម្រាប់ប្រតិបត្តិការស្កែនឡាស៊ែរ និងការចុះវាស់វែងផ្ទាល់។

Hardware: យន្តហោះបំពាក់ប្រព័ន្ធស្កែនឡាស៊ែរ (TopoSys-1 និង TopoSys Falcon) ភ្ជាប់ជាមួយប្រព័ន្ធ IMU និង GPS ព្រមទាំងឧបករណ៍ Tacheometer សម្រាប់វាស់ផ្ទាល់។
Software: កម្មវិធី TerraScan សម្រាប់ធ្វើចំណាត់ថ្នាក់ពពកចំណុច (Point clouds classification) និងក្បួនដោះស្រាយ Iterative Closest Point (ICP) សម្រាប់ការចុះសម្រុងទិន្នន័យ (Co-registration)។
Financial: ការស្កែនឡាស៊ែរតាមអាកាសចំណាយប្រហែល ០.៥ ទៅ ៤ អឺរ៉ូ ក្នុងមួយហិកតា ចំណែកឯការវាស់ផ្ទាល់ចំណាយ ១០០ ទៅ ២០០ អឺរ៉ូ ក្នុងមួយឡូត៍តូច។
Dataset: ទិន្នន័យពពកចំណុច 3D (3D Point Clouds) ដែលប្រមូលបានច្រើនពេលវេលា និងទិន្នន័យជាក់ស្តែង (Ground truth) សម្រាប់ការចុះសម្រុង និងការផ្ទៀងផ្ទាត់។

៣. ការពិនិត្យសម្រាប់បរិបទកម្ពុជា/អាស៊ីអាគ្នេយ៍

ភាពលំអៀងនៃទិន្នន័យ (Data Bias)៖

ការសិក្សានេះត្រូវបានធ្វើឡើងនៅក្នុងតំបន់ព្រៃបូរៀល (Boreal forest) នៃប្រទេសហ្វាំងឡង់ ដែលមានប្រភេទដើមឈើស្រល់ជាចម្បង និងមិនសូវមានស្លឹកក្រាស់ពេក។ សម្រាប់ប្រទេសកម្ពុជា ដែលជាប្រទេសមានព្រៃត្រូពិច (Tropical forest) ដើមឈើមានភាពចម្រុះ និងមានគម្របព្រៃក្រាស់ (Dense canopy) ដែលអាចធ្វើឱ្យការកាត់បន្ថយចំណុចកំហុសពីឡាស៊ែរ ឬការកំណត់ដើមឈើនីមួយៗមានការលំបាកជាង និងទាមទារការកែសម្រួលក្បួនដោះស្រាយបន្ថែម។

លទ្ធភាពនៃការអនុវត្ត (Applicability)៖

ទោះបីជាមានបញ្ហាប្រឈមជាមួយគម្របព្រៃក្រាស់ក៏ដោយ បច្ចេកវិទ្យា LiDAR នេះនៅតែមានសក្តានុពលខ្ពស់ខ្លាំងសម្រាប់ប្រទេសកម្ពុជា ពិសេសក្នុងការតាមដានគម្រោងអភិរក្សព្រៃឈើ និងការវាយតម្លៃឥណទានកាបូន។

គម្រោងរេដបូក (REDD+ Projects): អាចប្រើប្រាស់សម្រាប់ការតាមដានកំណើនព្រៃឈើ និងការស្តុកទុកកាបូន (Carbon sink) នៅតំបន់ជួរភ្នំក្រវាញ ព្រៃឡង់ និងកែវសីមា ដើម្បីទាមទារឥណទានកាបូនដោយមានតម្លាភាព និងសុក្រឹតភាពខ្ពស់។
រដ្ឋបាលព្រៃឈើ និងក្រសួងបរិស្ថាន (Forestry Administration & MoE): អាចជំនួសការចុះវាស់វែងផ្ទាល់ដែលចំណាយពេលយូរ និងកម្លាំងច្រើន មកជាការប្រើប្រាស់ដ្រូន (UAVs) ឬយន្តហោះបំពាក់ LiDAR សម្រាប់ធ្វើជំរឿនព្រៃឈើថ្នាក់ជាតិ។
ការគ្រប់គ្រងចម្ការកសិ-ឧស្សាហកម្ម (Agro-forestry Management): អាចអនុវត្តដើម្បីតាមដានការលូតលាស់នៃចម្ការកៅស៊ូ ឬដើមម៉ាកាដាមៀនៅខេត្តមណ្ឌលគិរី និងរតនគិរី ដើម្បីព្យាករណ៍ទិន្នផល និងសុខភាពដើមឈើ។

សរុបមក បច្ចេកទេសស្កែនឡាស៊ែរតាមអាកាសនេះគឺជាឧបករណ៍ដ៏ទំនើប និងមានប្រសិទ្ធភាពក្នុងការគាំទ្រដល់ការសម្រេចចិត្តលើការគ្រប់គ្រងធនធានធម្មជាតិ និងគម្រោងអាកាសធាតុប្រកបដោយចីរភាពនៅកម្ពុជា។

៤. ផែនការសកម្មភាពសម្រាប់និស្សិត (Actionable Roadmap)

ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖

ជំហានទី ១៖ សិក្សាមូលដ្ឋានគ្រឹះនៃ LiDAR និងទិន្នន័យពពកចំណុច: និស្សិតត្រូវស្វែងយល់ពីទ្រឹស្តីនៃការស្កែនឡាស៊ែរ របៀបដែលសេនស័រចាប់យកទិន្នន័យ និងរចនាសម្ព័ន្ធនៃទិន្នន័យពពកចំណុច (Point Clouds) ដោយប្រើប្រាស់កម្មវិធីឥតគិតថ្លៃដូចជា CloudCompare ដើម្បីមើល និងស្វែងយល់ពីទិន្នន័យ 3D ជាមូលដ្ឋាន។
ជំហានទី ២៖ អនុវត្តការធ្វើចំណាត់ថ្នាក់ និងច្រោះទិន្នន័យ (Data Classification): ប្រើប្រាស់កម្មវិធី TerraScan ឬកូដ Python ដូចជាបណ្ណាល័យ PDAL និង Laspy ដើម្បីបំបែកចំណុចដី (Ground points) និងចំណុចមិនមែនដី សម្រាប់យកទៅបង្កើតម៉ូដែលផ្ទៃដីឌីជីថល (DTM) និងម៉ូដែលផ្ទៃខាងលើ (DSM)។
ជំហានទី ៣៖ សិក្សាពីក្បួនដោះស្រាយការចុះសម្រុងទិន្នន័យ (Co-registration): អនុវត្តក្បួនដោះស្រាយ Iterative Closest Point (ICP) ដើម្បីតម្រឹមទិន្នន័យ LiDAR ពីពេលវេលាពីរផ្សេងគ្នាឱ្យត្រួតស៊ីគ្នាបានល្អិតល្អន់ ដោយអាចសាកល្បងសរសេរកូដជាមួយបណ្ណាល័យ Open3D នៅក្នុង Python។
ជំហានទី ៤៖ ទាញយកព័ត៌មានដើមឈើនីមួយៗ (Individual Tree Extraction): អនុវត្តក្បួនដោះស្រាយស៊ែហ្មិន (Segmentation algorithms) ដោយប្រើប្រាស់ R ជាពិសេសកញ្ចប់ lidR package ដើម្បីកំណត់ទីតាំងដើមឈើនីមួយៗ បង្កើតព្រំប្រទល់ (Crown limits) និងទាញយកកម្ពស់អតិបរមា (MaxZ) របស់ដើមឈើ។
ជំហានទី ៥៖ ធ្វើតេស្តសាកល្បងជាមួយទិន្នន័យក្នុងស្រុកដោយប្រើដ្រូន (UAV LiDAR Pilot): សហការជាមួយស្ថាប័នស្រាវជ្រាវ ឬក្រុមហ៊ុនឯកជនដែលមានដ្រូនបំពាក់ LiDAR ដើម្បីប្រមូលទិន្នន័យក្នុងតំបន់តូចមួយ (ឧទាហរណ៍៖ សួនច្បារសាកលវិទ្យាល័យ ឬព្រៃសហគមន៍តូច) រួចអនុវត្តការគណនាកំណើនធៀបនឹងរង្វាស់ជាក់ស្តែងដោយប្រើ Tacheometer ឬខ្សែវាស់។

៥. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស	ការពន្យល់ជាខេមរភាសា (Khmer Explanation)	និយមន័យសាមញ្ញ (Simple Definition)
Airborne Laser Scanning (ALS)	បច្ចេកវិទ្យាបញ្ជូនកាំរស្មីឡាស៊ែរពីយន្តហោះមកផ្ទៃដីដើម្បីវាស់ចម្ងាយ និងបង្កើតជារូបភាព 3D នៃដី និងវត្ថុនៅលើដី ដូចជាដើមឈើជាដើម។	ដូចជាការបាញ់ពន្លឺពិលពីលើមេឃមកដីដើម្បីវាស់កម្ពស់វត្ថុដោយវាស់ពេលដែលពន្លឺនោះចំណាយដើម្បីចំណាំងផ្លាតត្រលប់មកវិញ។
Point clouds	បណ្តុំនៃចំណុចទិន្នន័យរាប់លាននៅក្នុងលំហ 3D (អ័ក្ស X, Y, Z) ដែលតំណាងឱ្យរូបរាងខាងក្រៅនៃវត្ថុ ឬផ្ទៃដី ដែលប្រមូលបានដោយឧបករណ៍ស្កែនឡាស៊ែរ។	ដូចជាការយកគ្រាប់ខ្សាច់តូចៗរាប់លានគ្រាប់មកតម្រៀបគ្នាបង្កើតជារូបរាងដើមឈើ ឬផ្ទៃដីនៅក្នុងកុំព្យូទ័រ។
Multi-temporal	ការប្រមូល និងវិភាគទិន្នន័យពីទីតាំងដដែលៗនៅពេលវេលាខុសៗគ្នា ដើម្បីតាមដានបម្រែបម្រួល ឬការលូតលាស់នៃវត្ថុអ្វីមួយ (ឧទាហរណ៍ ដើមឈើ)។	ដូចជាការថតរូបកូនរបស់អ្នកជារៀងរាល់ឆ្នាំនៅកន្លែងដដែល ដើម្បីមើលថាតើគាត់លូតកម្ពស់បានប៉ុន្មាន។
Iterative closest point algorithm (ICP)	ជាក្បួនដោះស្រាយគណិតវិទ្យាសម្រាប់តម្រឹម (align) បណ្តុំពពកចំណុច 3D ពីរផ្សេងគ្នាដែលថតនៅពេលខុសគ្នា ឱ្យត្រួតស៊ីគ្នាយ៉ាងត្រឹមត្រូវ។	ដូចជាការយកផ្ទាំងរូបភាពពីរដែលថតកន្លែងតែមួយតែទីតាំងឈរខុសគ្នាបន្តិច មកតម្រឹមត្រួតស៊ីគ្នាឱ្យបានឥតខ្ចោះ។
TIN densification	វិធីសាស្ត្រនៅក្នុងការវិភាគទិន្នន័យដើម្បីបែងចែកចំណុចឡាស៊ែរទៅជា "ចំណុចផ្ទៃដី" និង "ចំណុចមិនមែនផ្ទៃដី" ដោយបង្កើតជាបណ្តាញត្រីកោណបន្តបន្ទាប់គ្នាដើម្បីក្លែងធ្វើផ្ទៃដីពិត។	ដូចជាការយកសំពត់មួយទៅគ្របលើគំនរថ្ម និងស្មៅ រួចទាញសំពត់នោះឱ្យរាបស្មើជាប់ដីដើម្បីដឹងថាមួយណាជាដី មួយណាជារបស់នៅពីលើដី។
Co-registration	ដំណើរការនៃការកែតម្រូវទិន្នន័យរូបភាព ឬពពកចំណុច (Point clouds) ដែលប្រមូលបានពីពេលវេលា ឬប្រភពផ្សេងគ្នា ឱ្យស្ថិតនៅក្នុងប្រព័ន្ធកូអរដោណេតែមួយត្រួតស៊ីគ្នា ដើម្បីកាត់បន្ថយកំហុសរង្វាស់។	ដូចជាការយកផែនទីសៀវភៅពីរផ្សេងគ្នាមកដាក់ត្រួតលើយ៉ាងប្រុងប្រយ័ត្នដើម្បីឱ្យចំណុចផ្លូវខ្វែងគ្នាត្រូវគ្នាបេះបិទ។
Tacheometer	ឧបករណ៍វាស់ស្ទង់សម្រាប់អ្នកវាស់ដី ដែលប្រើដើម្បីវាស់ចម្ងាយ មុំ និងកម្ពស់នៃទីតាំងណាមួយដោយភាពសុក្រឹតខ្ពស់នៅនឹងកន្លែង (Field measurement)។	ដូចជាបន្ទាត់ និងម៉ែត្រក្រិតកម្រិតខ្ពស់ដែលវិស្វករប្រើសម្រាប់វាស់កម្ពស់ដើមឈើពីចម្ងាយដោយផ្ទាល់។

៦. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖