បញ្ហា (The Problem)៖ ការកើនឡើងយ៉ាងខ្លាំងនៃបរិមាណទិន្នន័យពីគម្រោង CMIP6 និងគំរូប្រព័ន្ធផែនដី (ESMs) ដែលមានគុណភាពបង្ហាញខ្ពស់ បានបង្កជាបញ្ហាប្រឈមធ្ងន់ធ្ងរដល់ការវិភាគ និងការវាយតម្លៃ ដែលធ្វើឱ្យឧបករណ៍ជំនាន់មុន (v1.0) មានដំណើរការយឺតយ៉ាវ និងមិនអាចឆ្លើយតបនឹងតម្រូវការ។
វិធីសាស្ត្រ (The Methodology)៖ ក្រុមអ្នកស្រាវជ្រាវបានរចនាឧបករណ៍នេះឡើងវិញទាំងស្រុងដោយប្រើភាសា Python និងបណ្ណាល័យ Iris ដើម្បីប្រមូលផ្តុំប្រតិបត្តិការរៀបចំទិន្នន័យ (Preprocessing) និងអនុញ្ញាតឱ្យមានការប្រតិបត្តិការងារស្របគ្នា។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| ESMValTool v1.0 (Serial Execution) កំណែចាស់ v1.0 (ដំណើរការជាលំដាប់ដោយគ្មានមុខងារ Parallel) |
មានមូលដ្ឋានកូដដែលអ្នកប្រើប្រាស់ចាស់ធ្លាប់ស្គាល់ ប៉ុន្តែដំណើរការលើទិន្នន័យ CMIP5 បានល្អក្នុងកម្រិតមួយ។ | ការរៀបចំទិន្នន័យ (Preprocessing) មានភាពយឺតយ៉ាវខ្លាំង ពិបាកដំឡើង និងមិនអាចប្រើប្រាស់ធនធានកុំព្យូទ័របានពេញលេញ។ | ចំណាយពេល ៥៣៤.១ នាទី សម្រាប់ការរត់តេស្តស្តង់ដារ (Benchmark Recipe)។ |
| ESMValTool v2.0 (Serial Mode) កំណែថ្មី v2.0 (ដំណើរការជាលំដាប់ដោយប្រើ Preprocessor ថ្មី) |
មានការរចនាកូដថ្មីដោយប្រើ Python និង Iris library ដែលធ្វើឱ្យការរៀបចំទិន្នន័យមានប្រសិទ្ធភាពជាងមុន និងងាយស្រួលដំឡើង។ | នៅតែត្រូវបានកំណត់ដោយល្បឿននៃ CPU តែមួយគ្រាប់ (Single core) បើទោះបីជាលឿនជាងកំណែមុនក៏ដោយ។ | ចំណាយពេល ១៧៧.១ នាទី (លឿនជាងកំណែមុនប្រហែល ៣ ដង)។ |
| ESMValTool v2.0 (Parallel Mode) កំណែថ្មី v2.0 (ដំណើរការស្របគ្នា/Parallelization) |
អាចបែងចែកការងារទៅឱ្យ CPU ច្រើនធ្វើការព្រមគ្នា ដែលកាត់បន្ថយពេលវេលាយ៉ាងខ្លាំងសម្រាប់ការវិភាគទិន្នន័យធំៗ។ | តម្រូវឱ្យមានអង្គចងចាំ (RAM) ខ្ពស់ខ្លាំង (រហូតដល់ ៧៥ GB ក្នុងការពិសោធន៍) ដែលអាចជាឧបសគ្គសម្រាប់កុំព្យូទ័រធម្មតា។ | ចំណាយពេលត្រឹមតែ ១៦.២ នាទី (លឿនជាងកំណែមុនជាង ៣០ ដង នៅពេលប្រើ ៦៨ tasks)។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការប្រើប្រាស់ឧបករណ៍នេះតម្រូវឱ្យមានកុំព្យូទ័រដែលមានសមត្ថភាពមធ្យមទៅខ្ពស់ ជាពិសេសប្រសិនបើចង់ប្រើប្រាស់មុខងារ Parallelization ដើម្បីវិភាគទិន្នន័យច្រើន។
ការសិក្សានេះប្រើប្រាស់ទិន្នន័យសកល (CMIP5/CMIP6) និងធ្វើតេស្តនៅលើ Supercomputer នៅប្រទេសអាល្លឺម៉ង់ (DKRZ)។ សម្រាប់កម្ពុជា ការប្រើប្រាស់គំរូសកល (Global Models) អាចមានកម្រិតលំអៀង (Bias) ក្នុងការបង្ហាញទិន្នន័យទឹកភ្លៀងតំបន់ត្រូពិច ដូច្នេះចាំបាច់ត្រូវមានការផ្ទៀងផ្ទាត់ជាមួយទិន្នន័យអង្កេតក្នុងស្រុក។
ឧបករណ៍នេះមានសារៈសំខាន់ខ្លាំងសម្រាប់កម្ពុជា ក្នុងការវាយតម្លៃការព្យាករណ៍អាកាសធាតុរយៈពេលវែង និងការប្រែប្រួលអាកាសធាតុ។
ESMValTool v2.0 ជួយកាត់បន្ថយភាពស្មុគស្មាញផ្នែកបច្ចេកទេស ដោយអនុញ្ញាតឱ្យអ្នកស្រាវជ្រាវកម្ពុជាអាចផ្តោតលើការវិភាគលទ្ធផលវិទ្យាសាស្ត្រ ជាជាងចំណាយពេលសរសេរកូដរៀបចំទិន្នន័យ។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Coupled Model Intercomparison Project (CMIP) | ជាគម្រោងសហប្រតិបត្តិការអន្តរជាតិដ៏ធំមួយ ដែលកំណត់ស្តង់ដារសម្រាប់ក្រុមអ្នកវិទ្យាសាស្ត្រទូទាំងពិភពលោក ក្នុងការបង្កើតនិងដំណើរការគំរូអាកាសធាតុ (Climate Models) ដើម្បីឱ្យលទ្ធផលអាចយកមកប្រៀបធៀបគ្នាបានយ៉ាងត្រឹមត្រូវ។ | ប្រៀបដូចជាការកំណត់វិញ្ញាសាប្រឡងរួមមួយសម្រាប់សិស្សទូទាំងប្រទេស ដើម្បីដឹងថាសិស្ស (ឬគំរូអាកាសធាតុ) ណាខ្លាំងត្រង់ចំណុចណា។ |
| Preprocessor | ជាផ្នែកមួយនៃកម្មវិធីកុំព្យូទ័រដែលមានតួនាទីរៀបចំ សម្អាត កែសម្រួល និងផ្លាស់ប្តូរទម្រង់ទិន្នន័យឆៅ (Raw Data) ឱ្យទៅជាទម្រង់ស្តង់ដារ មុននឹងបញ្ជូនទិន្នន័យនោះទៅធ្វើការវិភាគលម្អិត ឬគូរជាក្រាហ្វិក។ | ប្រៀបដូចជាចុងភៅដែលត្រូវលាងបន្លែ និងកាប់សាច់ឱ្យស្អាតសិន (Pre-processing) មុននឹងចាប់ផ្តើមចម្អិនម្ហូបជាក់ស្តែង (Analysis)។ |
| Regridding | ជាបច្ចេកទេសនៃការផ្លាស់ប្តូរទំហំ ឬរចនាសម្ព័ន្ធនៃក្រឡាចក្រ (Grid) របស់ទិន្នន័យផែនទីមួយ ឱ្យស្របគ្នាទៅនឹងផែនទីមួយទៀត ដើម្បីអាចយកទិន្នន័យពីប្រភពផ្សេងគ្នា (ឧទាហរណ៍៖ ទិន្នន័យផ្កាយរណប និងទិន្នន័យគំរូកុំព្យូទ័រ) មកប្រៀបធៀបគ្នាបាន។ | ប្រៀបដូចជាការគូសក្រឡាការ៉ូថ្មីនៅលើរូបភាពមួយ ដើម្បីឱ្យវាមានចំនួនក្រឡាស្មើនឹងរូបភាពមួយទៀត ទើបអាចដាក់ត្រួតលើគ្នាដើម្បីផ្ទៀងផ្ទាត់បាន។ |
| Lazy evaluation | ជាយុទ្ធសាស្ត្រនៃការគណនាក្នុងវិទ្យាសាស្ត្រកុំព្យូទ័រ ដែលកម្មវិធីនឹងមិនទាន់ធ្វើការគណនាភ្លាមៗនោះទេ រហូតទាល់តែលទ្ធផលនោះត្រូវបានត្រូវការជាចាំបាច់។ វិធីនេះជួយសន្សំសំចៃអង្គចងចាំ (RAM) យ៉ាងខ្លាំងនៅពេលធ្វើការជាមួយទិន្នន័យធំៗ។ | ប្រៀបដូចជាអ្នកបម្រើនៅភោជនីយដ្ឋាន ដែលមិនទាន់ប្រាប់ចុងភៅឱ្យធ្វើម្ហូប រហូតទាល់តែភ្ញៀវមកដល់ហើយកុម្ម៉ង់ជាក់ស្តែង ទើបចាប់ផ្តើមធ្វើ ដើម្បីកុំឱ្យសល់ម្ហូបចោល។ |
| Provenance | ជាប្រវត្តិ ឬកំណត់ត្រាលម្អិតអំពីប្រភពដើមនៃទិន្នន័យ និងរាល់ជំហាននៃការកែប្រែដែលបានធ្វើឡើងលើទិន្នន័យនោះ តាំងពីដើមរហូតដល់ចប់។ វាមានសារៈសំខាន់ណាស់ដើម្បីធានាថា អ្នកផ្សេងអាចយកការពិសោធន៍នោះមកធ្វើឡើងវិញ (Reproducibility) បានត្រឹមត្រូវ។ | ប្រៀបដូចជា "សំបុត្រកំណើត" និង "ប្រវត្តិរូប" នៃទិន្នន័យ ដែលប្រាប់ថាវាមានប្រភពមកពីណា និងអ្នកណាបានយកវាទៅធ្វើអ្វីខ្លះ។ |
| Multi-model statistics | ជាការប្រើប្រាស់វិធីសាស្ត្រស្ថិតិ (ដូចជា មធ្យមភាគ ឬ មេដ្យាន) លើលទ្ធផលដែលបានមកពីគំរូអាកាសធាតុជាច្រើនផ្សេងៗគ្នា ដើម្បីកាត់បន្ថយភាពមិនប្រាកដប្រជា និងទទួលបានការព្យាករណ៍ដែលគួរឱ្យទុកចិត្តជាងការប្រើគំរូតែមួយ។ | ប្រៀបដូចជាការសួរយោបល់ពីគ្រូពេទ្យជំនាញច្រើននាក់ ដើម្បីប្រាកដថាការព្យាបាលមួយណាដែលត្រឹមត្រូវបំផុត ជាជាងជឿលើគ្រូពេទ្យតែម្នាក់។ |
| YAML (YAML Ain't Markup Language) | ជាទម្រង់នៃភាសាកុំព្យូទ័រដែលត្រូវបានរចនាឡើងឱ្យងាយស្រួលសម្រាប់មនុស្សអាន និងសរសេរ។ នៅក្នុង ESMValTool វាត្រូវបានប្រើសម្រាប់បង្កើត "Recipe" ឬបញ្ជីនៃការណែនាំ ដើម្បីប្រាប់កម្មវិធីឱ្យដឹងថាត្រូវយកទិន្នន័យអ្វីមកវិភាគ និងវិភាគតាមរបៀបណា។ | ប្រៀបដូចជាការសរសេរ "បញ្ជីមុខម្ហូប" និង "របៀបធ្វើ" ដាក់លើក្រដាសយ៉ាងច្បាស់លាស់ ដើម្បីឱ្យចុងភៅ (កុំព្យូទ័រ) ធ្វើតាម។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
