បញ្ហា (The Problem)៖ ការសិក្សានេះដោះស្រាយតម្រូវការសម្រាប់វិធីសាស្ត្រដែលមានប្រសិទ្ធភាពចំណាយ និងរឹងមាំ ដើម្បីប៉ាន់ប្រមាណស្តុកកាបូនព្រៃឈើលើផ្ទៃដីធំទូលាយ ដើម្បីគាំទ្រដល់កម្មវិធី REDD+ នៅក្នុងប្រទេសកំពុងអភិវឌ្ឍន៍ដូចជាប្រទេសនេប៉ាល់។
វិធីសាស្ត្រ (The Methodology)៖ ការស្រាវជ្រាវនេះបានរួមបញ្ចូលរូបភាពផ្កាយរណបដែលមានគុណភាពបង្ហាញខ្ពស់ជាមួយនឹងទិន្នន័យ LiDAR ដើម្បីធ្វើគំរូកាបូនដើមឈើនីមួយៗ ហើយបន្ទាប់មកបានព្យាយាមធ្វើមាត្រដ្ឋានការប៉ាន់ស្មានទាំងនេះដោយប្រើទិន្នន័យផ្កាយរណបកម្រិតមធ្យម។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| VHR GeoEye + Airborne LiDAR Integration (Object-Based Image Analysis) ការរួមបញ្ចូលគ្នារវាងរូបភាព VHR GeoEye និងទិន្នន័យ LiDAR ផ្លូវអាកាស (ការវិភាគរូបភាពផ្អែកលើវត្ថុ) |
ផ្តល់ភាពត្រឹមត្រូវខ្ពស់ក្នុងការកាត់បែងចែកមកុដដើមឈើនីមួយៗ និងអាចប៉ាន់ប្រមាណស្តុកកាបូនបានយ៉ាងល្អប្រសើរ។ | មានតម្លៃថ្លៃ ទាមទារទំហំផ្ទុកទិន្នន័យធំ ចំណាយពេលវិភាគយូរ និងពិបាកអនុវត្តសម្រាប់ផ្ទៃដីធំទូលាយ។ | មានទំនាក់ទំនងកម្រិតខ្ពស់ដោយទទួលបាន R² = 0.86 សម្រាប់ប្រភេទឈើ Shorea robusta និង R² = 0.78 សម្រាប់ប្រភេទឈើផ្សេងទៀត។ |
| Up-scaling using RapidEye imagery (Spectral Reflectance Regression) ការធ្វើមាត្រដ្ឋានឡើងដោយប្រើរូបភាព RapidEye (តំរែតំរង់ចំណាំងផ្លាតវិសាលគម) |
មានតម្លៃថោកជាង និងអាចគ្របដណ្តប់លើផ្ទៃដីធំទូលាយសម្រាប់ការប៉ាន់ប្រមាណស្តុកកាបូនកម្រិតតំបន់។ | សន្ទស្សន៍រុក្ខជាតិ (ដូចជា NDVI) ងាយនឹងឆ្អែត (Saturate) នៅក្នុងព្រៃស្រោង ដែលធ្វើឱ្យទំនាក់ទំនងមានភាពខ្សោយកម្រិតខ្ពស់ក្នុងការប្រៀបធៀប។ | ទទួលបានទំនាក់ទំនងខ្សោយខ្លាំង (R² = 0.18 សម្រាប់ PC1 និងត្រឹមតែ R² = 0.10 សម្រាប់ NDVI)។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះទាមទារធនធានកម្រិតខ្ពស់ទាំងផ្នែកទិន្នន័យរូបភាពផ្កាយរណបតម្លៃថ្លៃ ទិន្នន័យ LiDAR ក៏ដូចជាកម្មវិធីកុំព្យូទ័រជំនាញៗ និងកម្លាំងពលកម្មសម្រាប់ចុះវាស់វែងផ្ទាល់។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅក្នុងតំបន់ព្រៃភ្នំនៃប្រទេសនេប៉ាល់ ដែលមានប្រភេទឈើចម្រុះ និងមានមកុដដើមឈើប្រទាក់ក្រឡាគ្នា ព្រមទាំងរងឥទ្ធិពលពីស្រមោលភ្នំច្រើន។ សម្រាប់ប្រទេសកម្ពុជា ការប៉ាន់ប្រមាណព្រៃឈើនៅតំបន់ជួរភ្នំក្រវាញ ឬតំបន់ព្រៃឡង់ អាចប្រឈមនឹងបញ្ហាស្រដៀងគ្នានេះ ជាពិសេសបញ្ហាសន្ទស្សន៍រុក្ខជាតិឆ្អែត (Biomass saturation) នៅក្នុងព្រៃស្រោងដែលមានដង់ស៊ីតេខ្ពស់។
វិធីសាស្ត្ររួមបញ្ចូលរូបភាពកម្រិតច្បាស់ (VHR) និង LiDAR គឺមានអត្ថប្រយោជន៍ខ្ពស់សម្រាប់ការប៉ាន់ស្មានកាបូនក្នុងកម្រិតភាពត្រឹមត្រូវខ្ពស់នៅកម្ពុជា ប៉ុន្តែការធ្វើមាត្រដ្ឋាន (Up-scaling) ដោយប្រើតែរូបភាពអុបទិកធម្មតាអាចមិនមានប្រសិទ្ធភាពឡើយ។
សរុបមក បច្ចេកវិទ្យា LiDAR និង VHR ជួយកាត់បន្ថយការពឹងផ្អែកលើការងារវាស់វែងផ្ទាល់បានយ៉ាងច្រើន ប៉ុន្តែសម្រាប់ការធ្វើមាត្រដ្ឋានទៅកម្រិតប្រទេស កម្ពុជាគួរតែសម្លឹងមើលការប្រើប្រាស់ទិន្នន័យ L-band Radar បន្ថែម។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Airborne LiDAR | បច្ចេកវិទ្យាបញ្ជូនកាំរស្មីឡាស៊ែររាប់ពាន់ដងក្នុងមួយវិនាទីពីលើយន្តហោះមកផ្ទៃដី ដើម្បីវាស់កម្ពស់ និងបង្កើតទម្រង់ព្រៃឈើ ឬផ្ទៃដីជាលក្ខណៈត្រីវិមាត្រ (3D) ដែលអាចទម្លុះចន្លោះស្លឹកឈើដល់ដីបាន។ | ដូចជាសត្វប្រចៀវបញ្ចេញសំឡេងប៉ះវត្ថុហើយត្រលប់មកវិញដើម្បីដឹងពីទីតាំងនិងរូបរាងវត្ថុ តែបច្ចេកវិទ្យានេះប្រើពន្លឺឡាស៊ែរជំនួសវិញ។ |
| Canopy Height Model (CHM) | ម៉ូដែលទិន្នន័យដែលបង្ហាញពីកម្ពស់ពិតប្រាកដរបស់រុក្ខជាតិនៅលើផ្ទៃដី វាត្រូវបានបង្កើតឡើងដោយយកកម្ពស់សរុបនៃផ្ទៃខាងលើបង្អស់ (DSM) ដកនឹងកម្ពស់នីវ៉ូដី (DEM) ចេញ។ | ដូចជាការយកប្រវែងសរុបរបស់មនុស្សដែលកំពុងឈរលើកៅអី ដកប្រវែងកៅអីចេញ ដើម្បីទទួលបានកម្ពស់ពិតប្រាកដរបស់មនុស្សនោះ។ |
| Object-Based Image Analysis (OBIA) | បច្ចេកទេសវិភាគរូបភាពផ្កាយរណបដែលមិនផ្តោតលើភីកសែល (pixel) តូចៗដាច់ពីគ្នានោះទេ តែវាផ្តុំភីកសែលដែលមានពណ៌ឬរាងស្រដៀងគ្នាឱ្យទៅជា "វត្ថុ" ធំមួយ (ឧទាហរណ៍៖ មកុដដើមឈើទាំងមូល) មុននឹងចាប់ផ្តើមវាយតម្លៃ។ | ជំនួសឱ្យការមើលចំណុចពណ៌តូចៗម្តងមួយៗនៅលើគំនូរផ្គុំ (Jigsaw puzzle) យើងផ្តោតទៅលើការផ្គុំវាឱ្យចេញជារូបរាងស្លឹកឈើឬដើមឈើតែម្តង។ |
| Region Growing Algorithm | ក្បួនដោះស្រាយកុំព្យូទ័រសម្រាប់កាត់បែងចែករូបភាព (Segmentation) ដោយវាចាប់ផ្តើមពីចំណុចស្នូលមួយ (ឧ. ចុងដើមឈើដែលភ្លឺជាងគេ) រួចពង្រីកការកត់សម្គាល់ទៅភីកសែលជិតខាងរហូតដល់ព្រំប្រទល់ដែលមានលក្ខណៈខុសប្លែកពីគេទើបវាឈប់។ | ដូចជាការន្តក់ទឹកថ្នាំលើក្រដាសសើម ដែលវានឹងរាលដាលចេញពីចំណុចកណ្តាលបន្តិចម្តងៗរហូតដល់វាប៉ះនឹងគែមស្ងួតដែលមិនអាចរាលដាលទៅមុខទៀតបាន។ |
| Allometric Equations | រូបមន្តគណិតវិទ្យាដែលប្រើសម្រាប់ប៉ាន់ស្មានទម្ងន់ ម៉ាស់ជីវសាស្ត្រ ឬបរិមាណកាបូនរបស់ដើមឈើទាំងមូល ដោយគ្រាន់តែប្រើប្រាស់ទិន្នន័យងាយវាស់វែងដូចជា អង្កត់ផ្ចិតដើមឈើ (DBH) និងកម្ពស់របស់វាប៉ុណ្ណោះ។ | ដូចជារូបមន្តពេទ្យដែលយកប្រវែងឆ្អឹងភ្លៅទារកក្នុងផ្ទៃទៅទាយទម្ងន់ទារកសរុប ដោយមិនបាច់ថ្លឹងផ្ទាល់ជញ្ជីងអញ្ចឹងដែរ។ |
| Up-scaling | ដំណើរការយកទិន្នន័យគំរូដែលមានភាពច្បាស់ និងត្រឹមត្រូវកម្រិតខ្ពស់ពីផ្ទៃដីតូចតួច (ឧ. ទិន្នន័យ LiDAR) ទៅធ្វើជាគោលដើម្បីប៉ាន់ស្មានទិន្នន័យលើផ្ទៃដីធំទូលាយដោយប្រើរូបភាពផ្កាយរណបដែលមានកម្រិតច្បាស់មធ្យម ក្នុងគោលបំណងសន្សំសំចៃថវិកានិងពេលវេលា។ | ដូចជាការស្ទាបស្ទង់មតិមនុស្ស ១០០ នាក់នៅក្នុងភូមិ រួចយកលទ្ធផលនោះទៅទស្សន៍ទាយពីការគិតរបស់មនុស្សរាប់ម៉ឺននាក់ទូទាំងខេត្តទាំងមូល។ |
| Crown Projection Area (CPA) | ទំហំផ្ទៃក្រឡានៃមកុដដើមឈើ (មែក និងស្លឹកជុំវិញ) ដែលត្រូវបានចម្លងទម្រង់ពីលើសម្លឹងចុះក្រោមផ្ទាល់មកលើដី។ ទំហំនេះមានទំនាក់ទំនងយ៉ាងជិតស្និទ្ធទៅនឹងទម្ងន់មែកសរុបនិងកាបូនរបស់ដើមឈើនោះ។ | ដូចជាទំហំនៃស្រមោលឆ័ត្រពេលដែលយើងបើកវានៅក្រោមពន្លឺព្រះអាទិត្យបញ្ចាំងចំពីលើត្រង់។ |
| Normalized Difference Vegetation Index (NDVI) | សន្ទស្សន៍ដែលប្រើដើម្បីវាយតម្លៃដង់ស៊ីតេ និងសុខភាពរុក្ខជាតិ ដោយគណនាផលធៀបរវាងចំណាំងផ្លាតនៃពន្លឺក្រហម (ដែលរុក្ខជាតិស្រូបយក) និងពន្លឺអ៊ីនហ្វ្រារ៉េដជិត (ដែលរុក្ខជាតិចំណាំងផ្លាតចេញ)។ | ដូចជាម៉ាស៊ីនស្កេនវេជ្ជសាស្ត្រពីចម្ងាយដែលអាចប្រាប់ពីភាពរឹងមាំនិងកម្រិតភាពខៀវស្រងាត់របស់ព្រៃឈើ ដោយវាស់វែងតាមរយៈពណ៌ដែលភ្នែកយើងមើលមិនឃើញ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
