បញ្ហា (The Problem)៖ ការសិក្សានេះដោះស្រាយបញ្ហាកង្វះខាតព័ត៌មានច្បាស់លាស់និងទាន់សម័យអំពីដង់ស៊ីតេដើមឈើ និងកម្ពស់ដំបូលព្រៃ នៅក្នុងតំបន់ព្រៃឈើវ័យក្មេងដែលកំពុងដាំដុះឡើងវិញ ដើម្បីគាំទ្រដល់ការធ្វើផែនការថែរក្សាព្រៃឈើឱ្យបានល្អប្រសើរ។
វិធីសាស្ត្រ (The Methodology)៖ អ្នកស្រាវជ្រាវបានប្រើប្រាស់វិធីសាស្ត្រផ្អែកលើតំបន់ (Area-based approach) ដោយបញ្ចូលទិន្នន័យវាស់វែងផ្ទាល់ពីកន្លែងទៅក្នុងម៉ូដែល Random Forest ដើម្បីវិភាគជាមួយទិន្នន័យរូបថតពីដ្រូន (UAV) ហើយប្រៀបធៀបលទ្ធផលជាមួយនឹងទិន្នន័យស្កេនឡាស៊ែរ (ALS) និងការវាយតម្លៃដោយមនុស្សផ្ទាល់។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| UAV Photogrammetry with Random Forest ការប្រើប្រាស់ទិន្នន័យរូបថតពីដ្រូន (UAV) រួមជាមួយម៉ូដែល Random Forest |
មានភាពសុក្រឹតខ្ពស់ក្នុងការប៉ាន់ស្មានដង់ស៊ីតេដើមឈើ ចំណាយពេលតិចជាងការចុះវាស់ផ្ទាល់ពាក់កណ្តាល និងផ្តល់ទិន្នន័យកម្រិតច្បាស់លាស់ខ្ពស់រហូតដល់ 3cm។ | ទាមទារការវាស់ចំណុចត្រួតពិនិត្យលើដី (GCPs) ច្បាស់លាស់ និងជួបប្រទះបញ្ហាគុណភាពទិន្នន័យ (Saturation) នៅពេលដើមឈើមានដង់ស៊ីតេក្រាស់ពេក។ | មានកំហុស (RMSE) តូចជាងគេបំផុត គឺ ០.៥៦ ម៉ែត្រសម្រាប់កម្ពស់មធ្យម និង ១១៧៥ ដើម/ហិកតា សម្រាប់ដង់ស៊ីតេដើមឈើកម្រិតតំបន់។ |
| Airborne Laser Scanning (ALS) with Random Forest ការស្កេនឡាស៊ែរពីលើអាកាស (ALS) រួមជាមួយម៉ូដែល Random Forest |
អាចទម្លុះគម្របព្រៃដើម្បីវាស់កម្ពស់ដី (DTM) និងកម្ពស់ដើមឈើបានល្អប្រសើរ ព្រមទាំងអាចគ្របដណ្តប់លើផ្ទៃដីបានធំទូលាយ។ | មានតម្លៃចំណាយខ្ពស់ មិនសូវមានភាពសុក្រឹតក្នុងការរាប់ចំនួនកូនឈើតូចៗ និងងាយមានភាពហួសសម័យកាល (Temporal mismatch) បើធៀបនឹងដ្រូន។ | មានកំហុស (RMSE) នៃការប៉ាន់ស្មានដង់ស៊ីតេដើមឈើឡើងដល់ ២៣៥៥ ដើម/ហិកតា ដែលខ្ពស់ជាងវិធីសាស្ត្រ UAV រហូតដល់ ៥០%។ |
| Traditional Field Assessment ការចុះវាយតម្លៃនៅទីវាលដោយផ្ទាល់ |
មិនត្រូវការបច្ចេកវិទ្យាស្មុគស្មាញ និងអាចពិនិត្យស្ថានភាពជាក់ស្តែងនៃប្រភេទដើមឈើ និងដីបានដោយផ្ទាល់ភ្នែក។ | ចំណាយពេលយូរ កម្លាំងពលកម្មច្រើន ថវិកាខ្ពស់ និងងាយមានកំហុសជាប្រព័ន្ធដោយសារការវាយតម្លៃដោយមនុស្សជាជាងប្រើទិន្នន័យជាក់ស្តែង។ | កំហុស (RMSE) សម្រាប់ការប៉ាន់ស្មានដង់ស៊ីតេដើមឈើឡើងដល់ ២៦៤០ ដើម/ហិកតា ជាមួយនឹងការចំណាយពេលប្រតិបត្តិការសរុប ១៣.៦ ម៉ោង។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះទាមទារឧបករណ៍ដ្រូនកម្រិតអាជីព ឧបករណ៍វាស់ទីតាំង GPS ជាក់លាក់ខ្ពស់ កម្មវិធីកុំព្យូទ័រសម្រាប់ដំណើរការរូបភាព និងចំណេះដឹងផ្នែកវិភាគទិន្នន័យ។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅក្នុងតំបន់ព្រៃលូតលាស់ប្រភេទ Boreal ក្នុងប្រទេសន័រវេស ដែលមានសណ្ឋានដីរាបស្មើ និងមានប្រភេទដើមឈើជាក់លាក់ជាប្រភេទស្រល់។ សម្រាប់ប្រទេសកម្ពុជា ដែលមានព្រៃត្រូពិចក្រាស់ និងសណ្ឋានដីស្មុគស្មាញ លទ្ធផលនិងភាពសុក្រឹតនៃម៉ូដែលអាចនឹងមានការប្រែប្រួល ដែលតម្រូវឱ្យមានការសាកល្បងនិងកែតម្រូវឡើងវិញ។
វិធីសាស្ត្រនេះមានសក្តានុពលខ្ពស់និងអាចយកមកអនុវត្តបានប្រកបដោយប្រសិទ្ធភាពនៅក្នុងវិស័យព្រៃឈើនិងកសិកម្មនៅកម្ពុជា។
សរុបមក ការប្រើប្រាស់ដ្រូនផ្តល់នូវមធ្យោបាយដ៏ទំនើប ចំណាយតិចជាងការស្កេនពីលើយន្តហោះ (ALS) និងអាចផ្តល់ទិន្នន័យទាន់ពេលវេលាសម្រាប់ការសម្រេចចិត្តគ្រប់គ្រងព្រៃឈើនៅកម្ពុជា។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Photogrammetry | វាជាបច្ចេកទេសនៃការទាញយកព័ត៌មានត្រីមាត្រ (3D) និងរង្វាស់រង្វាល់ជាក់លាក់នៃវត្ថុ ឬសណ្ឋានដី តាមរយៈការថតរូបភាពត្រួតគ្នាច្រើនសន្លឹកពីលើអាកាសដោយប្រើដ្រូន។ | ដូចជាការយកកាមេរ៉ាថតរូបថុផ្កាមួយពីគ្រប់ជ្រុង រួចប្រើកម្មវិធីកុំព្យូទ័រផ្គុំរូបទាំងនោះបញ្ចួលគ្នាដើម្បីបង្កើតជាម៉ូដែលថុផ្កា 3D ដែលយើងអាចវាស់ទំហំបាន។ |
| Airborne Laser Scanning (ALS) | ជាបច្ចេកវិទ្យាប្រើប្រាស់ឧបករណ៍បាញ់ពន្លឺឡាស៊ែរពីលើយន្តហោះចុះមកក្រោម ដើម្បីវាស់ចម្ងាយ និងបង្កើតជាផែនទីរចនាសម្ព័ន្ធដីនិងកម្ពស់ដើមឈើ ដោយពន្លឺនេះអាចទម្លុះចន្លោះស្លឹកឈើទៅដល់ដីបាន។ | ដូចជាសត្វប្រចៀវបញ្ចេញសំឡេងខ្ទាតប៉ះវត្ថុដើម្បីដឹងពីទីតាំងនិងរូបរាងរបស់វា តែបច្ចេកវិទ្យានេះប្រើពន្លឺឡាស៊ែរបាញ់ពីលើយន្តហោះជំនួសវិញ។ |
| Random Forest | ជាក្បួនដោះស្រាយនៃបញ្ញាសិប្បនិម្មិត (Machine Learning) ដែលបង្កើតសេណារីយ៉ូទស្សន៍ទាយ (Decision Trees) ជាច្រើនបញ្ចូលគ្នា ដើម្បីធ្វើការសម្រេចចិត្តឬប៉ាន់ស្មានទិន្នន័យ (ដូចជាកម្ពស់ ឬចំនួនដើមឈើ) ឱ្យមានភាពសុក្រឹតខ្ពស់ និងកាត់បន្ថយកំហុសកម្រិតអប្បបរមា។ | ដូចជាការសួរយោបល់ពីអ្នកជំនាញ ១០០នាក់ ដើម្បីទាយតម្លៃផ្ទះមួយ រួចយកចម្លើយមធ្យម ដែលធ្វើឱ្យការទស្សន៍ទាយនោះកាន់តែត្រឹមត្រូវជាជាងការជឿលើមនុស្សតែម្នាក់។ |
| Digital Surface Model (DSM) | ជាទម្រង់ផែនទីឌីជីថលដែលបង្ហាញពីកម្ពស់ខ្ពស់បំផុតនៃផ្ទៃខាងលើបង្អស់នៃតំបន់មួយ ដោយរាប់បញ្ចូលទាំងកម្ពស់គម្របព្រៃឈើ អគារ និងអ្វីៗផ្សេងទៀតដែលនៅពីលើផ្ទៃដីពិតប្រាកដ។ | ដូចជាការយកភួយដ៏ធំមួយទៅគ្របពីលើភូមិមួយ រួចវាស់រាងរៅកម្ពស់នៃភួយនោះដែលពើងឡើងដោយសារតែផ្ទះនិងដើមឈើ។ |
| Point cloud | ជាបណ្តុំនៃចំណុចទិន្នន័យរាប់លាននៅក្នុងលំហ 3D ដែលចំណុចនីមួយៗតំណាងឱ្យកូអរដោណេ (X, Y, Z) នៃផ្ទៃខាងក្រៅនៃវត្ថុ ដែលត្រូវបានបង្កើតឡើងពីរូបថតដ្រូន ឬប្រព័ន្ធឡាស៊ែរ។ | ដូចជាការយកគ្រាប់ខ្សាច់រាប់លានគ្រាប់មកតម្រៀបបិទផ្គុំគ្នាឱ្យចេញជារូបរាងដើមឈើ ឬអគារនៅក្នុងកុំព្យូទ័រ។ |
| Pre-commercial thinning | ជាសកម្មភាពកាប់រំលោះដើមឈើវ័យក្មេងដែលមានការលូតលាស់មិនល្អ ឬដុះញឹកពេកចោលខ្លះ ដើម្បីទុកចន្លោះនិងផ្តល់ឱកាសឱ្យដើមឈើដែលមានសក្តានុពលអាចស្រូបយកពន្លឺនិងសារធាតុចិញ្ចឹមបានពេញលេញ មុនពេលវាធំល្មមអាចកាប់យកឈើទៅលក់បាន។ | ដូចជាការដកស្មៅ ឬរំលោះកូនស្ពៃដែលដុះញឹកពេកនៅក្នុងរងចោលខ្លះ ដើម្បីឱ្យកូនស្ពៃដែលសល់អាចលូតលាស់បានធំល្អ។ |
| Root Mean Square Error (RMSE) | ជារង្វាស់គណិតវិទ្យាដែលប្រើសម្រាប់វាយតម្លៃកម្រិតភាពត្រឹមត្រូវនៃម៉ូដែល ដោយវាគណនាពីទំហំកំហុសជាមធ្យមរវាងតម្លៃដែលម៉ូដែលទស្សន៍ទាយបាន និងតម្លៃពិតប្រាកដដែលបានវាស់ដោយផ្ទាល់នៅទីវាល។ | ដូចជាការវាស់មើលថា តើការបាញ់ធ្នូ ១០ដងរបស់អ្នក ខុសពីចំណុចកណ្តាលនៃផ្ទាំងស៊ីប (គោលដៅ) ជាមធ្យមប៉ុន្មានសង់ទីម៉ែត្រ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
