បញ្ហា (The Problem)៖ ឯកសារនេះសិក្សាអំពីបញ្ហានៃការប៉ាន់ប្រមាណកង់ទីលជលសាស្ត្រ (ដូចជាទឹកជំនន់ ឬលំហូរទឹក) នៅតាមទីតាំងដែលគ្មានស្ថានីយវាស់ស្ទង់ ដោយស្វែងរកម៉ូដែលដែលផ្តល់ភាពត្រឹមត្រូវខ្ពស់បំផុត។
វិធីសាស្ត្រ (The Methodology)៖ ការស្រាវជ្រាវនេះប្រើប្រាស់វិធីសាស្ត្រប្រៀបធៀបប្រសិទ្ធភាពម៉ូដែល ដោយវាយតម្លៃលើកំហុសនៃការទស្សន៍ទាយរវាងវិធីសាស្ត្រប្រពៃណី និងវិធីសាស្ត្របញ្ញាសិប្បនិម្មិត។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Artificial Neural Networks (ANN) បណ្តាញសរសៃប្រសាទសិប្បនិម្មិត (ANN) |
មានសមត្ថភាពខ្ពស់ក្នុងការស្វែងយល់ពីទំនាក់ទំនងមិនលីនេអ៊ែរស្មុគស្មាញរវាងលក្ខណៈទីតាំង និងទិន្នន័យលំហូរទឹក ដោយមិនចាំបាច់មានរូបមន្តគណិតវិទ្យាជាក់លាក់។ | ត្រូវការការសាកល្បងច្រើនក្នុងការកែតម្រូវចំនួនស្រទាប់ (Hidden layers) និងកោសិកា (Neurons) ហើយមានហានិភ័យនៃ Overfitting ប្រសិនបើទិន្នន័យតិច។ | មានកំហុសទាបបំផុត (RMSE: 432.12, MAPE: 27.17%, MAE: 293.25) ដែលបង្ហាញពីភាពត្រឹមត្រូវខ្ពស់ក្នុងការប៉ាន់ប្រមាណកង់ទីលទឹកជំនន់នៅតំបន់គ្មានស្ថានីយវាស់ស្ទង់។ |
| Quadratic Regression (QR) with Robust Estimation តំរែតំរង់កាដ្រាទិក ដោយប្រើវិធីសាស្ត្រការប៉ាន់ប្រមាណរឹងមាំ |
ងាយស្រួលក្នុងការគណនា និងមានសមត្ថភាពទប់ទល់នឹងទិន្នន័យខុសប្រក្រតី (Outliers) តាមរយៈវិធីសាស្ត្រ M-estimation ដោយមិនពឹងផ្អែកលើការសន្មត់នៃការចែកចាយធម្មតា។ | មិនសូវមានប្រសិទ្ធភាពសម្រាប់ស្ថានីយដែលមានទំហំទឹកជំនន់តូចឬធំពេក ឬមានបម្រែបម្រួលទិន្នន័យខ្ពស់ខ្លាំង ដែលបណ្តាលឱ្យមានកំហុសខ្ពស់។ | មានកំហុសខ្ពស់គួរឱ្យកត់សម្គាល់ (RMSE: 3887.42, MAPE: 94.65%, MAE: 2173.83) ធៀបនឹង ANN។ |
| Index Flood Method based on L-moments វិធីសាស្ត្រ Index Flood ផ្អែកលើ L-moments |
ជាវិធីសាស្ត្រស្តង់ដារដ៏រឹងមាំក្នុងការប៉ាន់ប្រមាណប្រេកង់ទឹកជំនន់តាមតំបន់ និងមានប្រសិទ្ធភាពខ្ពស់ក្នុងការកាត់បន្ថយភាពលម្អៀងសម្រាប់ស្ថានីយមានទិន្នន័យត្រឹមត្រូវ។ | មិនអាចប៉ាន់ប្រមាណដោយផ្ទាល់សម្រាប់ទីតាំងដែលគ្មានស្ថានីយវាស់ស្ទង់ (Ungauged sites) នោះទេ លុះត្រាតែមានការរួមបញ្ចូលជាមួយវិធីសាស្ត្រតំរែតំរង់ ឬ ANN ជាជំនួយ។ | ផ្តល់តម្លៃកង់ទីលទឹកជំនន់យ៉ាងត្រឹមត្រូវ ដែលស៊ីសង្វាក់គ្នាយ៉ាងខ្លាំងជាមួយទិន្នន័យកត់ត្រាប្រវត្តិសាស្ត្រខ្ពស់បំផុតនៅតាមស្ថានីយវាស់ស្ទង់ទាំង ១១។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ទោះបីជាមិនបានបញ្ជាក់លម្អិតអំពីតម្លៃធនធាន ឬថវិកានៅក្នុងឯកសារក៏ដោយ ការអនុវត្តប្រព័ន្ធនេះទាមទារនូវធនធានទិន្នន័យ និងផ្នែកទន់ជាមូលដ្ឋាន។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅក្នុងខេត្ត Khyber-Pakhtunkhwa នៃប្រទេសប៉ាគីស្ថាន ដោយប្រើប្រាស់ទិន្នន័យពីស្ថានីយវាស់ស្ទង់ចំនួន ១១ នៅតំបន់ភ្នំ។ ទិន្នន័យនេះឆ្លុះបញ្ចាំងពីលក្ខណៈអាកាសធាតុ និងភូមិសាស្ត្រជាក់លាក់ដែលទទួលឥទ្ធិពលខ្លាំងពីទឹកភ្លៀងមូសុង និងទីតាំងជម្រាលភ្នំ។ នេះជារឿងសំខាន់សម្រាប់ប្រទេសកម្ពុជា ព្រោះកម្ពុជាក៏រងឥទ្ធិពលពីខ្យល់មូសុង និងមានតំបន់ភ្នំ (ដូចជាជួរភ្នំក្រវាញ) ប៉ុន្តែលក្ខណៈតំបន់ទំនាបលិចទឹកជុំវិញបឹងទន្លេសាបមានភាពខុសគ្នាស្រឡះ ដែលទាមទារឱ្យមានការប្រមូលទិន្នន័យក្នុងស្រុកតំណាងឱ្យតំបន់នីមួយៗដើម្បីបង្វឹកម៉ូដែលឡើងវិញ។
វិធីសាស្ត្ររួមបញ្ចូលបណ្តាញ ANN និង L-moments នេះមានសារៈសំខាន់ និងអាចយកមកអនុវត្តបានយ៉ាងប្រសើរសម្រាប់ប្រទេសកម្ពុជា ក្នុងការគ្រប់គ្រងហានិភ័យទឹកជំនន់នៅតាមតំបន់ដែលខ្វះទិន្នន័យ។
សរុបមក ការប្រើប្រាស់បច្ចេកវិទ្យា Machine Learning សម្រាប់ការវិភាគទឹកជំនន់នៅតំបន់គ្មានស្ថានីយវាស់ស្ទង់ នឹងជួយពង្រឹងភាពធន់នៃហេដ្ឋារចនាសម្ព័ន្ធរបស់កម្ពុជាទប់ទល់នឹងបម្រែបម្រួលអាកាសធាតុប្រកបដោយនិរន្តរភាព។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Regional Flood Frequency Analysis (RFFA) | ជាវិធីសាស្ត្រស្ថិតិដែលប្រើប្រាស់ទិន្នន័យពីស្ថានីយវាស់ស្ទង់ជាច្រើននៅក្នុងតំបន់ដែលមានលក្ខណៈប្រហាក់ប្រហែលគ្នា ដើម្បីប៉ាន់ប្រមាណប្រេកង់ និងទំហំទឹកជំនន់នៅទីតាំងដែលគ្មានទិន្នន័យវាស់ស្ទង់ទាល់តែសោះ។ | ដូចជាការសួរអ្នកជិតខាងពីរបៀបដែលភូមិរបស់ពួកគេលិចទឹក ដើម្បីទស្សន៍ទាយថាផ្ទះរបស់អ្នកដែលទើបសង់ថ្មីអាចនឹងលិចកម្រិតណា។ |
| L-moments | ជាវិធីសាស្ត្រគណនាស្ថិតិដែលត្រូវបានប្រើដើម្បីវាស់ស្ទង់រូបរាងនៃការចែកចាយទិន្នន័យ (ដូចជាមធ្យម ភាពវៀច និងភាពស្រួច) ដោយវាមានភាពធន់នឹងឥទ្ធិពលនៃទិន្នន័យខុសប្រក្រតី (outliers) ខ្លាំងជាងវិធីសាស្ត្រធម្មតា។ | ដូចជាការប្រើប្រាស់ជញ្ជីងថ្លឹងដែលមិនរងឥទ្ធិពលពីទម្ងន់ខុសប្រក្រតីមួយរំពេច ដើម្បីរកទម្ងន់មធ្យមពិតប្រាកដយ៉ាងសុក្រឹត។ |
| Ungauged Sites | សំដៅលើទីតាំងនៅតាមដងទន្លេ ឬស្ទឹងដែលមិនមានការដំឡើងស្ថានីយឧបករណ៍វាស់ស្ទង់កម្រិតទឹក ឬលំហូរទឹកប្រចាំថ្ងៃ ដែលធ្វើឱ្យគ្មានទិន្នន័យប្រវត្តិសាស្ត្រផ្ទាល់ខ្លួនសម្រាប់ការវិភាគ។ | ដូចជាផ្លូវមួយដែលគ្មានកាមេរ៉ាសុវត្ថិភាព ឬប៉ូលីសវាស់ល្បឿន ធ្វើឱ្យយើងមិនដឹងថានៅទីនោះគេបើកបរលឿនប៉ុណ្ណា លុះត្រាតែយើងសង្កេតមើលកំណត់ត្រានៅផ្លូវជុំវិញនោះ។ |
| Quantiles | ក្នុងបរិបទជលសាស្ត្រ វាគឺជាតម្លៃបរិមាណ (ឧទាហរណ៍៖ ទំហំលំហូរទឹកជំនន់) ដែលមានប្រូបាប៊ីលីតេជាក់លាក់មួយក្នុងការកើតឡើង ឬត្រូវបានជួបប្រទះក្នុងរយៈពេលកំណត់ណាមួយ (Return period ដូចជា ១០ឆ្នាំ ឬ ១០០ឆ្នាំម្តង)។ | ដូចជាការទស្សន៍ទាយថា "តើពិន្ទុប៉ុន្មានដែលសិស្សម្នាក់ត្រូវតែមាន ដើម្បីស្ថិតក្នុងចំណាត់ថ្នាក់កំពូល ១% ប្រចាំសាលា"។ |
| Artificial Neural Networks (ANN) | ជាប្រព័ន្ធកុំព្យូទ័រដែលត្រូវបានបង្កើតឡើងដោយយកគំរូតាមបណ្តាញសរសៃប្រសាទខួរក្បាលមនុស្ស ដែលមានសមត្ថភាពរៀនសូត្រពីទិន្នន័យចាស់ៗ ដើម្បីស្វែងរកទំនាក់ទំនងដ៏ស្មុគស្មាញ និងទស្សន៍ទាយលទ្ធផលថ្មីៗដោយស្វ័យប្រវត្តិ។ | ដូចជាក្មេងម្នាក់ដែលរៀនស្គាល់មុខសត្វឆ្កែដោយការមើលរូបភាពសត្វឆ្កែជាច្រើនដង រហូតដល់អាចចំណាំបានភ្លាមៗ ទោះបីជាឃើញពូជឆ្កែថ្មីដែលមិនធ្លាប់ឃើញក៏ដោយ។ |
| Quadratic Regression | ជាប្រភេទនៃម៉ូដែលស្ថិតិដែលបង្កើតទំនាក់ទំនងមិនមែនជាបន្ទាត់ត្រង់ (non-linear) រវាងអថេរឯករាជ្យ និងអថេរអាស្រ័យ ដោយប្រើសមីការដឺក្រេទី២ ដើម្បីចាប់យកបម្រែបម្រួលទិន្នន័យដែលមានរាងកោង។ | ដូចជាការគូសខ្សែបន្ទាត់រាងកោងតាមគន្លងគ្រាប់បាល់ដែលត្រូវគេទាត់ ដើម្បីទស្សន៍ទាយថាតើវានឹងធ្លាក់នៅទីតាំងណាឱ្យប្រាកដ។ |
| Robust Estimation | ជាបច្ចេកទេសគណនាស្ថិតិ (ឧ. M-estimation) ដែលត្រូវបានរចនាឡើងដើម្បីកាត់បន្ថយឥទ្ធិពលនៃទិន្នន័យដែលខុសប្រក្រតីខ្លាំង (outliers) ធ្វើឱ្យម៉ូដែលនៅតែមានភាពត្រឹមត្រូវ ទោះបីជាទិន្នន័យមានកំហុសខ្លះៗក៏ដោយ។ | ដូចជាការយកមតិភាគច្រើនក្នុងចំណោមមនុស្ស១០នាក់ ដោយមិនខ្វល់ពីមតិរំខានរបស់មនុស្សម្នាក់ដែលនិយាយខុសគេទាំងស្រុងនោះទេ។ |
| Discordancy measure | ជារង្វាស់ស្ថិតិនៅក្នុងវិធីសាស្ត្រ RFFA ដែលប្រើដើម្បីពិនិត្យមើលថាតើមានស្ថានីយវាស់ស្ទង់ណាមួយមានលក្ខណៈទិន្នន័យខុសប្លែកដាច់ពីស្ថានីយដទៃទៀតនៅក្នុងតំបន់តែមួយឬអត់។ | ដូចជាការស្វែងរកមើលថាតើមានសិស្សម្នាក់ណាដែលតែងតែទទួលបានពិន្ទុខុសប្លែកពីគេខ្លាំងរហូតគួរឱ្យសង្ស័យនៅក្នុងថ្នាក់រៀនមួយ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
