ប្រធានបទ (Topic)៖ ឯកសារនេះដោះស្រាយតម្រូវការក្នុងការប្រើប្រាស់ស្ថិតិដើម្បីសង្ខេបទិន្នន័យវារីសាស្ត្រដែលមានភាពស្មុគស្មាញ និងទស្សន៍ទាយពីឥរិយាបថនាពេលអនាគតនៃបាតុភូតទឹក ដូចជាទឹកជំនន់ និងលំហូរទឹកទន្លេ។
រចនាសម្ព័ន្ធ (Structure)៖ អត្ថបទនេះបង្ហាញពីគំរូប្រូបាប៊ីលីតេ និងបច្ចេកទេសវិភាគទិន្នន័យ ដែលត្រូវបានអនុវត្តជាពិសេសលើទិន្នន័យវារីសាស្ត្រ។
ចំណុចសំខាន់ៗ (Key Takeaways)៖
បន្ទាប់ពីអានឯកសារនេះ អ្នកគួរអាច៖
ឯកសារមេរៀននេះណែនាំអំពីមូលដ្ឋានគ្រឹះនៃស្ថិតិដែលត្រូវបានប្រើប្រាស់ក្នុងការវិភាគទិន្នន័យវារីសាស្ត្រ។ វាគ្របដណ្តប់លើការប្រើប្រាស់របាយប្រូបាប៊ីលីតេ ការគណនារយៈពេលត្រឡប់នៃទឹកជំនន់ និងវិធីសាស្ត្រវាយតម្លៃភាពមិនប្រាកដប្រជានៅក្នុងការប៉ាន់ស្មានធនធានទឹក និងបាតុភូតធម្មជាតិ។
| គោលគំនិត (Concept) | ការពន្យល់ (Explanation) | ឧទាហរណ៍ (Example) |
|---|---|---|
| Flow Duration Curve (FDC) ខ្សែកោងថិរវេលាលំហូរ |
គឺជាក្រាហ្វដែលបង្ហាញពីភាគរយនៃពេលវេលាដែលលំហូរទឹកមានទំហំស្មើ ឬលើសពីតម្លៃជាក់លាក់ណាមួយ។ វាជួយឲ្យយើងយល់ពីទំនាក់ទំនងរវាងទំហំ និងប្រេកង់នៃអថេរវារីសាស្ត្រ។ | ការគណនាភាគរយនៃថ្ងៃក្នុងមួយឆ្នាំដែលទន្លេឡូហ្កាន (Logan River) មានលំហូរទឹកលើសពី ១០០០ ម៉ែត្រគូបក្នុងមួយវិនាទី។ |
| Frequency Analysis & Return Period ការវិភាគប្រេកង់ និងរយៈពេលត្រឡប់ |
រយៈពេលត្រឡប់ (T=1/P) គឺជាពេលវេលាគិតជាមធ្យមរវាងការកើតឡើងនៃព្រឹត្តិការណ៍ធ្ងន់ធ្ងរ (ដូចជាទឹកជំនន់)។ ការវិភាគប្រេកង់ប្រើដើម្បីប៉ាន់ស្មានប្រូបាប៊ីលីតេនៃការកើតឡើងលើសកម្រិត (Exceedance probability) នៃព្រឹត្តិការណ៍ទាំងនោះ។ | ការគណនាថា 'ទឹកជំនន់កម្រិត១០០ឆ្នាំ' មានប្រូបាប៊ីលីតេ ៦៣.៤% ក្នុងការកើតឡើងយ៉ាងហោចណាស់ម្តងក្នុងរយៈពេល១០០ឆ្នាំជាប់គ្នា។ |
| Parametric vs Non-Parametric Statistics ស្ថិតិប៉ារ៉ាម៉ែត្រ និងមិនមែនប៉ារ៉ាម៉ែត្រ |
ស្ថិតិប៉ារ៉ាម៉ែត្រពឹងផ្អែកលើការសន្មត់អំពីរាងនៃរបាយទិន្នន័យ (ដូចជាមធ្យមភាគ) ខណៈស្ថិតិមិនមែនប៉ារ៉ាម៉ែត្រពឹងផ្អែកលើចំណាត់ថ្នាក់នៃទិន្នន័យ (ដូចជាមេដ្យាន) ដែលធ្វើឱ្យវារឹងមាំជាងមុននៅពេលមានទិន្នន័យខុសប្លែកខ្លាំង (Outliers)។ | ការប្រើប្រាស់តម្លៃមេដ្យាន (Median) ជាជាងមធ្យមភាគ (Mean) ដើម្បីវាស់ស្ទង់កម្រិតទឹកភ្លៀងប្រចាំខែ ព្រោះទិន្នន័យទឹកភ្លៀងជារឿយៗមានលក្ខណៈវៀច (Skewed) និងមាន Outliers ។ |
| Probability Distributions របាយប្រូបាប៊ីលីតេ |
ជាទម្រង់គណិតវិទ្យាដែលពិពណ៌នាពីឱកាសនៃការកើតឡើងនូវតម្លៃផ្សេងៗនៃអថេរចៃដន្យ (Random variables)។ ក្នុងវារីសាស្ត្រ គេច្រើនប្រើរបាយ Normal, Log-Normal, និង Gumbel។ | ការបំពាក់របាយ Gumbel (Gumbel distribution) ទៅលើទិន្នន័យលំហូរទឹកអតិបរមាប្រចាំឆ្នាំ ដើម្បីទស្សន៍ទាយហានិភ័យទឹកជំនន់។ |
| Quantifying Uncertainty ការវាយតម្លៃភាពមិនប្រាកដប្រជា |
គឺជាការប្រើប្រាស់វិធីសាស្ត្រស្ថិតិដូចជា Q-Q plots, ការធ្វើតេស្ត Kolmogorov-Smirnov និងចន្លោះទំនុកចិត្ត (Confidence intervals) ដើម្បីវាយតម្លៃថាតើទិន្នន័យជាក់ស្តែងស៊ីសង្វាក់គ្នាជាមួយគំរូប្រូបាប៊ីលីតេកម្រិតណា។ | ការគណនាចន្លោះទំនុកចិត្ត ៩៥% (95% Confidence Interval) សម្រាប់មធ្យមភាគបរិមាណរំហួតទឹក (Evapotranspiration) ប្រចាំឆ្នាំនៅក្នុងអាងរងទឹកភ្លៀង។ |
ការអនុវត្តវិធីសាស្ត្រស្ថិតិក្នុងវារីសាស្ត្រគឺមានសារៈសំខាន់បំផុតសម្រាប់ប្រទេសកម្ពុជា ដែលជាប្រទេសងាយរងគ្រោះដោយសារបម្រែបម្រួលអាកាសធាតុ ទឹកជំនន់ លំហូរទន្លេមេគង្គ និងការពឹងផ្អែកលើធនធានទឹកសម្រាប់ការអភិវឌ្ឍសេដ្ឋកិច្ច។
ចំណេះដឹងពីវិធីសាស្ត្រស្ថិតិនេះ នឹងផ្តល់សមត្ថភាពដល់អ្នកស្រាវជ្រាវ វិស្វករ និងអ្នកធ្វើគោលនយោបាយកម្ពុជា ក្នុងការធ្វើសេចក្តីសម្រេចចិត្តដោយផ្អែកលើទិន្នន័យ (Data-driven decisions) ដើម្បីធានាចីរភាពធនធានទឹក។
លំហាត់ និងសកម្មភាពសិក្សាដើម្បីពង្រឹងការយល់ដឹង៖
| ពាក្យបច្ចេកទេស (English) | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Random variable | ជាអថេរដែលតំណាងឱ្យតម្លៃនៃដំណើរការ ឬបាតុភូតធម្មជាតិដែលមិនអាចទាយទុកជាមុនបានច្បាស់លាស់ (មានភាពចៃដន្យ) ដូចជាបរិមាណទឹកភ្លៀង ឬលំហូរទឹកទន្លេ។ វារីសាស្ត្រប្រើប្រាស់របាយប្រូបាប៊ីលីតេដើម្បីពណ៌នាពីអថេរទាំងនេះ។ | ដូចជាការបោះគ្រាប់ឡុកឡាក់ ដែលយើងដឹងថានឹងចេញលេខ១ដល់៦ ប៉ុន្តែយើងមិនដឹងច្បាស់ថានឹងចេញលេខមួយណានៅពេលបោះម្តងៗ។ |
| Flow Duration Curve (FDC) | ជាក្រាហ្វដែលបង្ហាញពីភាគរយនៃពេលវេលាដែលលំហូរទឹកនៅក្នុងទន្លេមានទំហំស្មើ ឬលើសពីកម្រិតជាក់លាក់ណាមួយ។ វាត្រូវបានប្រើដើម្បីយល់ពីទំនាក់ទំនងរវាងទំហំ និងប្រេកង់នៃបាតុភូតទឹកដោយផ្អែកលើទិន្នន័យប្រវត្តិសាស្ត្រ។ | ដូចជាការកត់ត្រាពិន្ទុប្រឡងសិស្សក្នុងថ្នាក់សរុបប្រចាំឆ្នាំ ហើយគូសក្រាហ្វបង្ហាញថាមានប៉ុន្មានភាគរយនៃសិស្សដែលទទួលបានពិន្ទុលើសពី ៥០។ |
| Return period | ជារយៈពេលជាមធ្យមដែលព្រឹត្តិការណ៍ធម្មជាតិធ្ងន់ធ្ងរណាមួយ (ដូចជាទឹកជំនន់អតិបរមា) ត្រូវបានរំពឹងថានឹងកើតឡើងម្តង ដែលវាគណនាដោយយករូបមន្ត T = 1/P (P ជាប្រូបាប៊ីលីតេនៃការកើតឡើងលើសកម្រិត)។ | ដូចជាការកត់សម្គាល់ថាតាមមធ្យម ព្យុះទីហ្វុងធំៗតែងតែបោកបក់មកលើតំបន់មួយក្នុងរៀងរាល់ ១០ ឆ្នាំម្តង។ |
| Probability density function (PDF) | ជាអនុគមន៍គណិតវិទ្យាដែលពិពណ៌នាអំពីឱកាស ឬប្រូបាប៊ីលីតេនៃការកើតឡើងនូវតម្លៃផ្សេងៗនៃអថេរចៃដន្យជាប់ (Continuous random variable) ណាមួយ។ តំបន់នៅក្រោមក្រាហ្វនេះតំណាងឱ្យប្រូបាប៊ីលីតេសរុបដែលស្មើនឹង ១។ | ដូចជាការមើលគំនរខ្សាច់ដែលចាក់លើដី ដែលផ្នែកកណ្តាលខ្ពស់តំណាងឱ្យកន្លែងដែលគ្រាប់ខ្សាច់ធ្លាក់ប្រមូលផ្តុំច្រើនជាងគេ (ប្រូបាប៊ីលីតេខ្ពស់)។ |
| Non-parametric statistics | ជាវិធីសាស្ត្រស្ថិតិដែលពឹងផ្អែកលើចំណាត់ថ្នាក់ (Ranking) នៃទិន្នន័យ ជាជាងតម្លៃពិតប្រាកដរបស់ទិន្នន័យនោះ។ វិធីនេះមិនសូវរងឥទ្ធិពលពីតម្លៃខុសប្លែកខ្លាំង (Outliers) ទេ ដែលស័ក្តិសមខ្លាំងសម្រាប់ទិន្នន័យវារីសាស្ត្រ។ | ដូចជាការរៀបសិស្សតាមលំដាប់កម្ពស់ពីទាបទៅខ្ពស់ដើម្បីរកអ្នកកណ្តាល (មេដ្យាន) ជាជាងការយកកម្ពស់អ្នកទាំងអស់បូកបញ្ចូលគ្នាដើម្បីរកមធ្យមភាគដែលរងឥទ្ធិពលពីអ្នកខ្ពស់ខុសគេម្នាក់។ |
| Kolmogorov-Smirnov Test | ជាការធ្វើតេស្តស្ថិតិដែលវាស់ស្ទង់គម្លាតអតិបរមា (Largest difference) រវាងរបាយប្រូបាប៊ីលីតេទិន្នន័យជាក់ស្តែង (Observed CDF) និងរបាយប្រូបាប៊ីលីតេទ្រឹស្តី (Target CDF) ដើម្បីវាយតម្លៃថាគំរូស័ក្តិសមនឹងទិន្នន័យកម្រិតណា។ | ដូចជាការយកអាវដែលយើងកាត់ផ្ទាល់ដៃ ទៅត្រួតពីលើពុម្ពអាវស្តង់ដាររោងចក្រ ដើម្បីមើលថាតើវាមានទំហំខុសគ្នាត្រង់កន្លែងណាខ្លាំងជាងគេ។ |
| Skewness | ជាទំហំរង្វាស់ដែលបង្ហាញពីភាពមិនស៊ីមេទ្រី (Asymmetry) នៃរបាយទិន្នន័យជុំវិញតម្លៃមធ្យមរបស់វា។ ក្នុងវារីសាស្ត្រ ទិន្នន័យច្រើនមានរាងវៀចវិជ្ជមាន (Positive skewness) ដោយសារមានតម្លៃទាបបំផុតត្រឹមសូន្យ ប៉ុន្តែអាចមានតម្លៃខ្ពស់ខ្លាំង។ | ដូចជាប្រាក់ចំណូលរបស់ប្រជាជនក្នុងភូមិមួយ ដែលភាគច្រើនមានចំណូលប្រហាក់ប្រហែលគ្នា ប៉ុន្តែមានសេដ្ឋីពីរឬបីនាក់ដែលមានចំណូលខ្ពស់កប់ពពក ធ្វើឱ្យក្រាហ្វទិន្នន័យមានកន្ទុយលយទៅខាងស្តាំយូរ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
