ប្រធានបទ (Topic)៖ ឯកសារនេះពិភាក្សាអំពីបញ្ហាប្រឈម និងយុទ្ធសាស្ត្រក្នុងការបំប្លែងទ្រឹស្តីវិទ្យាសាស្ត្រទៅជាការអនុវត្តជាក់ស្តែង ដើម្បីដោះស្រាយបញ្ហាក្នុងវិស័យឧស្សាហកម្ម។
រចនាសម្ព័ន្ធ (Structure)៖ វិធីសាស្ត្រនេះផ្តោតលើការវាយតម្លៃគំរូស្រាវជ្រាវ និងការធ្វើសមាហរណកម្មបច្ចេកវិទ្យាថ្មីៗទៅក្នុងការអនុវត្តជាក់ស្តែង។
ចំណុចសំខាន់ៗ (Key Takeaways)៖
បន្ទាប់ពីអានឯកសារនេះ អ្នកគួរអាច៖
ឯកសារនេះបង្ហាញពីការអនុវត្តបច្ចេកវិទ្យាវិទ្យាសាស្ត្រពីចម្ងាយ (Remote Sensing) ផ្អែកលើប្រព័ន្ធក្លោដ (Cloud-based) និងម៉ាស៊ីនរៀនសូត្រ ដើម្បីតាមដានលំហបៃតងទីក្រុង។ វាគ្របដណ្តប់លើជំហានអនុវត្តជាក់ស្តែងចាប់ពីការប្រមូលទិន្នន័យ ការរៀបចំទិន្នន័យ ការធ្វើចំណាត់ថ្នាក់ដោយប្រើ Random Forest និងការវិភាគរកការផ្លាស់ប្តូរពីមួយឆ្នាំទៅមួយឆ្នាំ។
| គោលគំនិត (Concept) | ការពន្យល់ (Explanation) | ឧទាហរណ៍ (Example) |
|---|---|---|
| Google Earth Engine (GEE) ប្រព័ន្ធកុំព្យូទ័រលើបណ្តាញ GEE |
ជាប្រព័ន្ធកុំព្យូទ័រលើបណ្តាញ (Cloud computing platform) ដែលអាចដំណើរការ និងវិភាគទិន្នន័យរូបភាពរណបខ្នាតធំបានយ៉ាងលឿនដោយមិនទាមទារកុំព្យូទ័រដែលមានកម្លាំងខ្លាំង។ វារួមបញ្ចូលនូវទិន្នន័យភូមិសាស្ត្រ និងឧបករណ៍សរសេរកូដសម្រាប់វិភាគ។ | ការប្រើប្រាស់ប្រព័ន្ធនេះដើម្បីទាញយក និងដំណើរការរូបភាព Sentinel-2 សម្រាប់ទីក្រុងទាំងមូលដោយស្វ័យប្រវត្តិជំនួសឱ្យការទាញយកទិន្នន័យរាប់ហ្គីកាបៃមកម៉ាស៊ីនកុំព្យូទ័រផ្ទាល់ខ្លួន។ |
| Random Forest Algorithm ក្បួនដោះស្រាយ Random Forest |
ជាវិធីសាស្ត្រម៉ាស៊ីនរៀនសូត្រ (Machine Learning) មួយដែលប្រើដើមឈើសម្រេចចិត្ត (Decision Trees) ជាច្រើនដើម្បីធ្វើចំណាត់ថ្នាក់ទិន្នន័យ។ វាមានភាពជាក់លាក់ខ្ពស់ និងជួយកាត់បន្ថយកំហុសប្រភេទ Overfitting ក្នុងការធ្វើចំណាត់ថ្នាក់។ | ការប្រើម៉ូដែលនេះដើម្បីបំបែកផ្ទៃដីជា "លំហបៃតង" (Green Space) និង "មិនមែនលំហបៃតង" ដោយពឹងផ្អែកលើសំណាកទិន្នន័យបង្វឹក (Training Data)។ |
| Change Detection ការរកឃើញការផ្លាស់ប្តូរ |
ជាបច្ចេកទេសកំណត់អត្តសញ្ញាណភាពខុសគ្នានៃស្ថានភាពវត្ថុ ឬតំបន់ណាមួយដោយសង្កេតមើលវានៅពេលវេលាខុសគ្នា។ បច្ចេកទេសនេះប្រើប្រាស់ម៉ាទ្រីសដើម្បីប្រៀបធៀបចំណាត់ថ្នាក់ពីពីរឆ្នាំផ្សេងគ្នា។ | ការប្រៀបធៀបផែនទីលំហបៃតងឆ្នាំ ២០១៩ និង ២០២៤ ដើម្បីរកមើលតំបន់ណាដែលត្រូវបានកាត់បន្ថយ ឬបំប្លែងទៅជាតំបន់សំណង់ទីក្រុង។ |
| Confusion Matrix & Kappa Coefficient ម៉ាទ្រីសកំហុស និងមេគុណ Kappa |
ជាវិធីសាស្ត្រវាយតម្លៃភាពត្រឹមត្រូវនៃម៉ូដែលចំណាត់ថ្នាក់ ដោយប្រៀបធៀបលទ្ធផលដែលម៉ូដែលទស្សន៍ទាយជាមួយទិន្នន័យជាក់ស្តែងនៅលើដី (Ground Truth)។ | ការទទួលបានភាពត្រឹមត្រូវសរុប (Overall Accuracy) លើសពី ៩៦% និងមេគុណ Kappa លើសពី ០.៩៣ ដែលបញ្ជាក់ថាម៉ូដែលនេះមានភាពជឿជាក់ខ្ពស់ក្នុងការប្រើប្រាស់ជាក់ស្តែង។ |
ប្រធានបទនេះមានសារៈសំខាន់ខ្លាំងណាស់សម្រាប់ប្រទេសកម្ពុជា ស្របពេលដែលនគរូបនីយកម្មយ៉ាងឆាប់រហ័សនៅក្នុងទីក្រុងនានា ទាមទារឱ្យមានការតាមដានលំហបៃតង និងបម្រែបម្រួលបរិស្ថានប្រកបដោយប្រសិទ្ធភាព។
ការបំពាក់បំប៉ននិស្សិតកម្ពុជានូវជំនាញប្រើប្រាស់ GEE និង Machine Learning នឹងផ្តល់អំណាចឱ្យពួកគេក្នុងការតាមដាន និងគ្រប់គ្រងធនធានធម្មជាតិ ដែលជាផ្នែកមួយគាំទ្រដល់ការអភិវឌ្ឍប្រកបដោយចីរភាពនៅកម្ពុជា។
លំហាត់ និងសកម្មភាពសិក្សាដើម្បីពង្រឹងការយល់ដឹង៖
| ពាក្យបច្ចេកទេស (English) | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Google Earth Engine (GEE) | ជាប្រព័ន្ធកុំព្យូទ័រលើបណ្តាញ (Cloud Platform) របស់ក្រុមហ៊ុន Google ដែលអនុញ្ញាតឱ្យអ្នកប្រើប្រាស់វិភាគ និងដំណើរការទិន្នន័យភូមិសាស្ត្រ និងរូបភាពរណបខ្នាតធំបានយ៉ាងរហ័ស ដោយមិនចាំបាច់ប្រើកុំព្យូទ័រផ្ទាល់ខ្លួនដែលមានកម្លាំងខ្លាំងនោះទេ។ នៅក្នុងអត្ថបទនេះ វាត្រូវបានប្រើសម្រាប់ទាញយក និងវិភាគរូបភាពរណប Sentinel-2។ | ដូចជាការជួលរោងចក្រដ៏ធំមួយដែលមានម៉ាស៊ីនស្រាប់នៅលើអ៊ីនធឺណិត ដើម្បីកែច្នៃទិន្នន័យផែនទីរាប់ពាន់សន្លឹកក្នុងពេលតែមួយ ដោយមិនបាច់ទិញម៉ាស៊ីនថ្លៃៗមកទុកនៅផ្ទះ។ |
| Random Forest (RF) | ជាក្បួនដោះស្រាយម៉ាស៊ីនរៀនសូត្រ (Machine Learning algorithm) ដែលបង្កើតឡើងដោយការប្រមូលផ្តុំ "ដើមឈើសម្រេចចិត្ត" (Decision Trees) ជាច្រើន។ នៅក្នុងការសិក្សានេះ វាត្រូវបានប្រើដើម្បីធ្វើចំណាត់ថ្នាក់ប្រភេទផ្ទៃដី (ដូចជាតំបន់លំហបៃតង និងមិនមែនបៃតង) ពីទិន្នន័យរូបភាពរណបប្រកបដោយភាពត្រឹមត្រូវខ្ពស់។ | ដូចជាការសួរមតិពីមនុស្ស១០០នាក់ (ដើមឈើ) ថាតើវត្ថុមួយជារូបអ្វី រួចយកចម្លើយដែលមានអ្នកឆ្លើយស្របគ្នាភាគច្រើនជាការសម្រេចចិត្តចុងក្រោយ ដើម្បីចៀសវាងការឆ្លើយខុសដោយការវិនិច្ឆ័យរបស់បុគ្គលម្នាក់។ |
| Sentinel-2 | ជាបេសកកម្មផ្កាយរណបសង្កេតផែនដីរបស់ទីភ្នាក់ងារអវកាសអឺរ៉ុប (ESA) ដែលផ្តល់រូបភាពអុបទិកពហុស្រទាប់ពន្លឺ មានកម្រិតភាពច្បាស់ខ្ពស់ (១០ ម៉ែត្រ) សម្រាប់បម្រើដល់ការតាមដានការប្រែប្រួលផ្ទៃដី រុក្ខជាតិ និងបរិស្ថាន។ | ដូចជាកាមេរ៉ាឌីជីថលដ៏ធំមួយដែលហោះជុំវិញផែនដី ហើយថតរូបភាពយ៉ាងច្បាស់ពីផ្ទៃដីរៀងរាល់ប៉ុន្មានថ្ងៃម្តង ដើម្បីឲ្យយើងមើលឃើញការប្រែប្រួលរុក្ខជាតិនៅលើផែនដី។ |
| Change Detection | ជាដំណើរការនៃការកំណត់អត្តសញ្ញាណភាពខុសគ្នា ឬការប្រែប្រួលនៃស្ថានភាពវត្ថុ ឬតំបន់ណាមួយ ដោយសង្កេតមើលរូបភាពរណបនៅពេលវេលាខុសគ្នា (ឧទាហរណ៍ ឆ្នាំ ២០១៩ ប្រៀបធៀបនឹង ២០២៤ ក្នុងការសិក្សានេះ)។ | ដូចជាការយកកូនរូបថត២សន្លឹកដែលថតនៅទីតាំងតែមួយ តែនៅឆ្នាំខុសគ្នា មកដាក់ទន្ទឹមគ្នាដើម្បីរកមើលថាតើមានដើមឈើណាខ្លះត្រូវបានកាប់ ឬមានផ្ទះថ្មីណាខ្លះត្រូវបានសាងសង់។ |
| Confusion Matrix | ជាតារាងម៉ាទ្រីសដែលប្រើសម្រាប់វាយតម្លៃកម្រិតភាពត្រឹមត្រូវនៃម៉ូដែលចំណាត់ថ្នាក់ (Classification Model) ដោយប្រៀបធៀបលទ្ធផលដែលម៉ូដែលបានទាយ ជាមួយនឹងទិន្នន័យពិតប្រាកដដែលបានកត់ត្រានៅលើទីតាំងផ្ទាល់ (Ground truth)។ | ដូចជាតារាងកត់ត្រាពិន្ទុសិស្សប្រឡង ដោយផ្ទៀងផ្ទាត់ចម្លើយដែលសិស្សបានធ្វើ (លទ្ធផលម៉ូដែល) ជាមួយនឹងកូនសោរចម្លើយត្រឹមត្រូវ (ទិន្នន័យពិត) ដើម្បីដឹងថាសិស្សធ្វើត្រូវប៉ុន្មាននិងខុសប៉ុន្មាន។ |
| Kappa Coefficient | ជាសូចនាករស្ថិតិមួយប្រើសម្រាប់វាស់ស្ទង់កម្រិតភាពស៊ីចង្វាក់គ្នា (Agreement) រវាងការទស្សន៍ទាយរបស់ម៉ូដែល និងទិន្នន័យជាក់ស្តែង ដោយមានការកែតម្រូវកត្តាដែលម៉ូដែលទាយត្រូវដោយចៃដន្យ។ តម្លៃខិតជិត ១ បញ្ជាក់ពីភាពត្រឹមត្រូវកាន់តែខ្ពស់។ | ដូចជារង្វាស់ដែលបញ្ជាក់ថាសិស្សប្រឡងជាប់ដោយសារតែគេចេះមេរៀនពិតប្រាកដ មិនមែនដោយសារតែការគូសចម្លើយត្រូវដោយចៃដន្យ (ទាយប្រថុយ) នោះទេ។ |
| Machine Learning (ML) | ជាផ្នែកមួយនៃបញ្ញាសិប្បនិម្មិត (AI) ដែលផ្តោតលើការបង្កើតម៉ូដែលគណិតវិទ្យា អនុញ្ញាតឱ្យកុំព្យូទ័ររៀនសូត្រពីទិន្នន័យ រកមើលលំនាំទិន្នន័យ និងធ្វើការសម្រេចចិត្ត ឬទស្សន៍ទាយដោយស្វ័យប្រវត្តិដោយមិនចាំបាច់សរសេរកូដប្រាប់គ្រប់ជំហានឡើយ។ | ដូចជាការបង្រៀនកូនក្មេងឱ្យស្គាល់សត្វឆ្កែ ដោយបង្ហាញរូបភាពសត្វឆ្កែជាច្រើនសន្លឹកឱ្យគេមើល រហូតដល់គេអាចចំណាំ និងប្រាប់បានថាសត្វមួយណាជាសត្វឆ្កែដោយខ្លួនឯងនៅពេលក្រោយ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
