បញ្ហា (The Problem)៖ ការប្រែប្រួលអាកាសធាតុទាមទារឱ្យមានការចាត់ថ្នាក់ប្រភេទដើមឈើឱ្យបានច្បាស់លាស់ ដើម្បីគណនាអត្ថប្រយោជន៍នៃព្រៃឈើក្នុងទីក្រុង និងការស្រូបយកកាបូន។ វិធីសាស្រ្តអង្កេតបែបប្រពៃណីចំណាយពេលច្រើន និងមិនអាចចាប់យករចនាសម្ព័ន្ធបញ្ឈររបស់រុក្ខជាតិបាននោះទេ។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានបូកបញ្ចូលទិន្នន័យ LiDAR និងរូបភាព Hyperspectral (AHI) ផ្លូវអាកាសក្នុងរដូវកាលពីរផ្សេងគ្នា (រដូវមានស្លឹក និងរដូវជ្រុះស្លឹក) ដោយប្រើប្រាស់ក្បួនម៉ាស៊ីនរៀន (Machine Learning) ចំនួន ៥ ដើម្បីចាត់ថ្នាក់ប្រភេទឈើធំៗចំនួន ១០ និងប៉ាន់ស្មានជីវម៉ាសរបស់វា។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Random Forest (RF) ក្បួនម៉ាស៊ីនរៀន Random Forest |
មានភាពត្រឹមត្រូវខ្ពស់បំផុត និងអាចការពារបញ្ហា Overfitting បានល្អនៅពេលប្រើប្រាស់ជាមួយអថេរច្រើន (High-dimensional data)។ | ដំណើរការយឺតនៅពេលទិន្នន័យមានទំហំធំខ្លាំង និងពិបាកក្នុងការបកស្រាយដំណើរការសម្រេចចិត្តខាងក្នុង (Black box)។ | ទទួលបានភាពត្រឹមត្រូវខ្ពស់បំផុតរហូតដល់ ៨៣,៣% (Kappa: 0.80) លើទិន្នន័យចម្រុះពហុរយៈពេល។ |
| Light Gradient Boosting Machine (LGBM) ក្បួនម៉ាស៊ីនរៀន LightGBM |
មានល្បឿនលឿនក្នុងការទាញយកលទ្ធផល ប្រើប្រាស់អង្គចងចាំ (Memory) តិច និងមានភាពត្រឹមត្រូវខ្ពស់បន្ទាប់ពី RF។ | ងាយនឹងជួបបញ្ហា Over-aggregation ប្រសិនបើទិន្នន័យបណ្តុះបណ្តាលមានទំហំតូច (ត្រូវការយ៉ាងហោចណាស់ ១០.០០០ ជួរ)។ | ទទួលបានភាពត្រឹមត្រូវទីពីរក្នុងកម្រិត ៨១,០% លើទិន្នន័យចម្រុះពហុរយៈពេល។ |
| Support Vector Machine (SVM) ក្បួនម៉ាស៊ីនរៀន SVM |
មានប្រសិទ្ធភាពក្នុងការចាត់ថ្នាក់ទិន្នន័យដែលមានវិមាត្រច្រើន និងកាត់បន្ថយផលប៉ះពាល់ពីទិន្នន័យខុសប្រក្រតី (Error data)។ | ទាមទារការកំណត់ Hyperparameter ច្រើនដង ស៊ីពេលយូរ និងមានភាពស្មុគស្មាញក្នុងការបកស្រាយលទ្ធផល។ | ទទួលបានភាពត្រឹមត្រូវ ៧៦,០% ដែលស្ថិតនៅកម្រិតមធ្យមធៀបនឹងក្បួនដទៃ។ |
| Decision Tree (DT) ក្បួនម៉ាស៊ីនរៀន Decision Tree |
មានរចនាសម្ព័ន្ធងាយស្រួលយល់ និងបកស្រាយ ព្រមទាំងអាចកំណត់អត្តសញ្ញាណអថេរដែលសំខាន់ៗបានលឿន។ | មានភាពមិនប្រក្រតី (Unstable) និងងាយនឹងធ្លាក់ចុះភាពត្រឹមត្រូវនៅពេលជួបបញ្ហា Overfitting។ | ទទួលបានភាពត្រឹមត្រូវត្រឹមតែ ៦៨,០% ប៉ុណ្ណោះសម្រាប់ទិន្នន័យរួមបញ្ចូលគ្នា។ |
| Logistic Regression (LR) ការវិភាគតំរែតំរង់ Logistic |
ងាយស្រួលប្រើប្រាស់ និងអាចទាញរកទំនាក់ទំនងរវាងអថេរឯករាជ្យនិងអថេរអាស្រ័យបានយ៉ាងសាមញ្ញ។ | មិនស័ក្តិសមសម្រាប់ទិន្នន័យស្មុគស្មាញ និងមានអថេរច្រើនដូចជាទិន្នន័យ LiDAR និង Hyperspectral នោះទេ។ | ទទួលបានភាពត្រឹមត្រូវទាបបំផុតគឺត្រឹមតែ ៤៧,០% ក្នុងការចាត់ថ្នាក់ទិន្នន័យសរុប។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តវិធីសាស្ត្រនេះទាមទារការចំណាយធនធានខ្ពស់ខ្លាំង ទាំងឧបករណ៍សេនស័រផ្លូវអាកាស កម្លាំងកុំព្យូទ័រសម្រាប់គណនា និងអ្នកជំនាញកម្រិតខ្ពស់។
ការសិក្សានេះធ្វើឡើងនៅតំបន់អាកាសធាតុត្រជាក់ (Gwacheon ប្រទេសកូរ៉េខាងត្បូង) ដែលមានបម្រែបម្រួលរដូវកាលច្បាស់លាស់ (រដូវមានស្លឹក និងជ្រុះស្លឹកទាំងស្រុង)។ កត្តានេះអាចជាភាពលម្អៀង និងជាបញ្ហាប្រឈមធំប្រសិនបើចង់យកមកអនុវត្តនៅកម្ពុជា ព្រោះព្រៃឈើកម្ពុជាជាព្រៃត្រូពិច (Tropical forest) ដែលមិនមានការជ្រុះស្លឹកព្រមគ្នាច្បាស់លាស់ឡើយ ធ្វើឱ្យអថេរផ្អែកលើរដូវកាល (Seasonality metrics) អាចនឹងមិនមានប្រសិទ្ធភាពខ្ពស់។
ទោះបីជាមានភាពខុសគ្នាខាងកត្តាភូមិសាស្ត្រនិងអាកាសធាតុ ក៏វិធីសាស្ត្ររួមបញ្ចូលទិន្នន័យ 3D នេះមានសក្តានុពលខ្ពស់សម្រាប់វិស័យបរិស្ថាននៅកម្ពុជា។
ជារួម ដើម្បីអនុវត្តក្បួននេះឱ្យមានប្រសិទ្ធភាពនៅកម្ពុជា អ្នកស្រាវជ្រាវចាំបាច់ត្រូវបង្កើតរូបមន្តគណនាទំហំដើមឈើ (Allometric equations) ថ្មីដែលស្របនឹងពូជឈើក្នុងតំបន់ត្រូពិចសិន។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Airborne LiDAR | បច្ចេកវិទ្យាដែលប្រើប្រាស់ម៉ាស៊ីនបញ្ចេញពន្លឺឡាស៊ែរពីលើយន្តហោះទៅលើផ្ទៃដី រួចវាស់រយៈពេលដែលពន្លឺនោះចំណាយពេលចំណាំងផ្លាតត្រលប់មកវិញ ដើម្បីស្ទាបស្ទង់និងបង្កើតជារចនាសម្ព័ន្ធ 3D នៃកម្ពស់និងទម្រង់ដើមឈើ។ | ដូចជាសត្វប្រចៀវបញ្ចេញសំឡេងហើយស្តាប់អេកូត្រលប់មកវិញ ដើម្បីដឹងពីទីតាំងនិងទំហំរបស់វត្ថុនៅពីមុខវាយ៉ាងច្បាស់។ |
| Hyperspectral Imaging | ការថតរូបភាពដែលអាចបំបែកពន្លឺជាក្រុមតូចៗរាប់រយរលកពន្លឺ (Bands) ដើម្បីចាប់យកព័ត៌មានលម្អិតដូចជា កម្រិតជាតិពណ៌ ឬសុខភាពរបស់ស្លឹកឈើ ដែលកាមេរ៉ាធម្មតា ឬភ្នែកមនុស្សមិនអាចមើលឃើញ។ | ដូចជាវ៉ែនតាវេទមន្តដែលអាចមើលធ្លុះដល់រចនាសម្ព័ន្ធគីមីនិងសារធាតុចិញ្ចឹមដែលលាក់កំបាំងនៅខាងក្នុងស្លឹកឈើ។ |
| Aboveground Biomass (AGB) | ទម្ងន់សរុបនៃរាល់ផ្នែកទាំងអស់របស់ដើមឈើដែលដុះនៅលិចលើដី (ដូចជា ដើម មែក និងស្លឹក) ដែលត្រូវបានគេប្រើប្រាស់ជាខ្នាតសម្រាប់គណនាបរិមាណកាបូនដែលព្រៃឈើអាចស្រូបយកពីបរិយាកាសបាន។ | ដូចជាការថ្លឹងទម្ងន់មនុស្សដើម្បីដឹងពីទំហំរាងកាយសរុប តែសម្រាប់ដើមឈើគេវាស់ដើម្បីដឹងថាតើវាស្តុកទុកឧស្ម័នកាបូនិកបានប៉ុន្មាន។ |
| Canopy Height Model (CHM) | ទម្រង់គំរូជាលក្ខណៈ 3D ដែលបង្ហាញតែកម្ពស់របស់មកុដដើមឈើសុទ្ធសាធ ដោយដកចេញនូវកម្ពស់នៃផ្ទៃដីធម្មជាតិខាងក្រោមចេញ ដើម្បីងាយស្រួលវាស់កម្ពស់ដើមឈើជាក់ស្តែង។ | ដូចជាការវាស់កម្ពស់ពិតប្រាកដរបស់មនុស្សម្នាក់ ដោយដកចេញនូវកម្ពស់របស់កៅអីដែលគេកំពុងឈរពីលើ។ |
| Random Forest (RF) | ក្បួនម៉ាស៊ីនរៀន (Machine Learning) ដែលបង្កើតម៉ូដែល "មែកធាងសម្រេចចិត្ត" (Decision Trees) តូចៗជាច្រើនដោយចៃដន្យ រួចប្រមូលលទ្ធផលពីម៉ូដែលទាំងអស់នោះមកបោះឆ្នោត ដើម្បីទាញយកលទ្ធផលចុងក្រោយមួយដែលត្រឹមត្រូវនិងសុក្រឹតបំផុត។ | ដូចជាការប្រមូលអ្នកជំនាញ១០០នាក់ឲ្យវាយតម្លៃឯករាជ្យរៀងៗខ្លួន រួចយកមតិភាគច្រើនដើម្បីសម្រេចរកចម្លើយដែលត្រឹមត្រូវបំផុតតែមួយ។ |
| Allometric equations | រូបមន្តគណិតវិទ្យាដែលប្រើសម្រាប់ប៉ាន់ស្មានទំហំសរុប ឬទម្ងន់ជីវម៉ាសរបស់ដើមឈើ ដោយផ្អែកលើការវាស់វែងផ្នែកងាយស្រួលណាមួយរបស់វា ដូចជាអង្កត់ផ្ចិតគល់ដើម ឬកម្ពស់ដើម ដោយមិនចាំបាច់កាប់រំលំដើមឈើនោះទេ។ | ដូចជាការទាយទម្ងន់មនុស្សម្នាក់ឱ្យបានជិតត្រឹមត្រូវ ដោយគ្រាន់តែដឹងពីទំហំចង្កេះនិងកម្ពស់របស់ពួកគេ។ |
| Point Cloud | បណ្តុំនៃចំណុចទិន្នន័យ 3D រាប់លានចំណុចនៅក្នុងលំហ ដែលទទួលបានពីសេនស័រឡាស៊ែរ (LiDAR) ដែលចំណុចនីមួយៗតំណាងឱ្យទីតាំងកូអរដោនេ (X, Y, Z) នៃផ្ទៃវត្ថុ ផ្ដុំគ្នាបង្កើតបានជារូបរាងដើមឈើឬសណ្ឋានដី។ | ដូចជាការគូររូបភាពទម្រង់ 3D មួយ ដោយប្រើការចុចចំណុចអុចៗរាប់លានផ្ដុំគ្នាបង្កើតជារូបរាងវត្ថុ។ |
| Local Maxima Filtering | ក្បួនដំណើរការទិន្នន័យដើម្បីស្វែងរកចំណុចដែលខ្ពស់ជាងគេបំផុតនៅក្នុងតំបន់តូចៗនីមួយៗនៃទិន្នន័យ 3D ដែលចំណុចខ្ពស់បំផុតទាំងនោះត្រូវបានកុំព្យូទ័រចាត់ទុកថាជា "កំពូលនៃដើមឈើ" នីមួយៗសម្រាប់ការរាប់ចំនួនដើមឈើ។ | ដូចជាការប្រើកែវយឹតរកមើលតែកំពូលភ្នំដែលខ្ពស់ជាងគេបំផុតនៅក្នុងតំបន់ជួរភ្នំមួយ ដើម្បីរាប់ថាតើមានភ្នំប៉ុន្មាន។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
