បញ្ហា (The Problem)៖ អ្នកគ្រប់គ្រងតំបន់ព្រៃឈើដែលផ្គត់ផ្គង់ទឹក (Forested water supply catchments) ត្រូវការវិធីសាស្ត្រច្បាស់លាស់ និងមានប្រសិទ្ធភាពដើម្បីវាស់ស្ទង់ពីការផ្លាស់ប្តូរនៃការប្រើប្រាស់ទឹករបស់ព្រៃឈើ បន្ទាប់ពីមានការរំខានដោយសារការកាប់ឈើ ឬភ្លើងឆេះព្រៃ។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះប្រើប្រាស់ទិន្នន័យពីបច្ចេកវិទ្យាពន្លឺឡាស៊ែរ (LiDAR) និងអនុវត្តក្បួនដោះស្រាយការរាវរកដើមឈើនីមួយៗ (Individual Tree Detection - ITD) ដើម្បីទស្សន៍ទាយលក្ខណៈរូបសាស្ត្រ និងរចនាសម្ព័ន្ធព្រៃឈើ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Local Maximum Filtering (LMF) វិធីសាស្ត្រចម្រោះយកចំណុចខ្ពស់បំផុតក្នុងតំបន់ |
មានដំណើរការលឿន ទាមទារថាមពលកុំព្យូទ័រតិច និងមានកំហុសវិភាគដើមឈើតែមួយជាពីរ (over-segmentation) ទាបបំផុត (ត្រឹមតែ ២%) ដែលស័ក្តិសមសម្រាប់ធ្វើការលើផ្ទៃដីធំទូលាយ។ | អាចរំលងដើមឈើតូចៗច្រើន (omission error ២៥%) ជាពិសេសនៅក្នុងតំបន់ព្រៃដែលមានដង់ស៊ីតេដើមឈើដុះក្រាស់ និងកៀកៗគ្នា។ | អាចរកឃើញដើមឈើនីមួយៗបានយ៉ាងត្រឹមត្រូវក្នុងអត្រា ៧២%។ |
| Normalised Cut (NCut) segmentation វិធីសាស្ត្រកាត់បំបែកតាមលក្ខណៈស្តង់ដារដើម្បីកំណត់រូបរាងដើមឈើ 3D |
អាចទស្សន៍ទាយផ្ទៃបាត (Basal Area) និងផ្ទៃសាច់ឈើ (Sapwood Area) បានច្បាស់លាស់ និងលម្អិតជាងវិធីសាស្ត្រចាស់ ដោយយកចិត្តទុកដាក់លើរចនាសម្ព័ន្ធដើមឈើនីមួយៗ។ | ទាមទារថាមពលកុំព្យូទ័រខ្លាំងបំផុត (មានតម្លៃខ្ពស់) និងមានកំហុសក្នុងការកាត់បំបែកដើមឈើធំមួយជាពីរច្រើន (១២%) សម្រាប់តំបន់ដែលមានចន្លោះប្រហោងព្រៃធំៗ។ | អត្រារកឃើញដើមឈើបានត្រឹមត្រូវមាន ៦៨% ប៉ុន្តែអាចពន្យល់ពីបម្រែបម្រួលនៃផ្ទៃបាត (Basal Area) បានល្អជាងវិធីសាស្ត្រមុនពី ៧% ទៅ ៣០%។ |
| Area-based mixture distribution functions វិធីសាស្ត្រផ្អែកលើផ្ទៃដីដោយប្រើអនុគមន៍បែងចែកចម្រុះ (វិធីសាស្ត្រគោល) |
មិនសូវស្មុគស្មាញ និងមិនតម្រូវឱ្យមានការកំណត់ទីតាំងដើមឈើនីមួយៗ (Individual Tree Detection) នោះទេ ដែលធ្វើឱ្យវាងាយស្រួលប្រើសម្រាប់ទិន្នន័យកម្រិតទាប។ | ភាពត្រឹមត្រូវនៃការប៉ាន់ស្មានលក្ខណៈរូបសាស្ត្រព្រៃឈើ (ដូចជា Basal Area) មានកម្រិតទាប ព្រោះមិនបានបំបែកចំណុចទិន្នន័យដែលជាដើមឈើនៅក្រៅព្រំប្រទល់ដីវាស់ស្ទង់។ | មានភាពត្រឹមត្រូវទាបជាងក្បួនដោះស្រាយ NCut ជាមធ្យម ៩% ក្នុងការគណនាផ្ទៃបាត (Basal Area)។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះទាមទារធនធានកុំព្យូទ័រខ្ពស់ខ្លាំង ជាពិសេសសម្រាប់ដំណើរការក្បួនដោះស្រាយ NCut ដែលតម្រូវឱ្យប្រើប្រាស់កុំព្យូទ័រមេខ្នាតធំ (Mainframe Computer)។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅក្នុងព្រៃ Eucalyptus regnans ដែលមានអាយុកាល ៦៩-៧៣ ឆ្នាំ ក្នុងរដ្ឋ Victoria ប្រទេសអូស្ត្រាលី ដែលជាប្រភេទព្រៃមានដើមឈើខ្ពស់ៗខ្លាំង (រហូតដល់ >៧៥ម៉ែត្រ) និងមានអាយុកាលប្រហាក់ប្រហែលគ្នា។ សម្រាប់ប្រទេសកម្ពុជា ទិន្នន័យនេះអាចមានដែនកំណត់បន្តិច ដោយសារព្រៃឈើនៅកម្ពុជាភាគច្រើនជាព្រៃត្រូពិចចម្រុះ (Tropical mixed forests) ដែលមានរចនាសម្ព័ន្ធស្មុគស្មាញ និងមានកម្ពស់ឬអាយុដើមឈើចម្រុះគ្នា។
ទោះបីជាប្រភេទព្រៃឈើខុសគ្នាក៏ដោយ បច្ចេកវិទ្យា LiDAR និងវិធីសាស្ត្រវិភាគទាំងនេះមានសក្តានុពលខ្ពស់សម្រាប់ការគ្រប់គ្រងព្រៃឈើទំនើបនៅកម្ពុជា។
សរុបមក ការសកល្បងយកវិធីសាស្ត្រ LMF មកប្រើប្រាស់ជាមួយទិន្នន័យ LiDAR នៅកម្ពុជា អាចជួយសន្សំសំចៃធនធាន និងពេលវេលាបានយ៉ាងច្រើនក្នុងការវាយតម្លៃស្តុកព្រៃឈើ និងស្រាវជ្រាវបរិស្ថាន។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Light Detection and Ranging (LiDAR) | បច្ចេកវិទ្យាប្រើប្រាស់ពន្លឺឡាស៊ែរបាញ់ពីយន្តហោះ ដ្រូន ឬផ្កាយរណបមកផ្ទៃដី ដើម្បីវាស់ចម្ងាយយ៉ាងច្បាស់លាស់ និងបង្កើតជាទិន្នន័យចំណុច 3D (Point Cloud) នៃរចនាសម្ព័ន្ធព្រៃឈើ និងដី។ | ដូចជាសត្វប្រចៀវប្រើសំឡេងខ្ទាតត្រឡប់មកវិញដើម្បីដឹងពីទីតាំងឧបសគ្គនៅពេលយប់ ប៉ុន្តែបច្ចេកវិទ្យានេះប្រើពន្លឺឡាស៊ែរជំនួសវិញដើម្បីគូរផែនទីព្រៃឈើ។ |
| Individual Tree Detection (ITD) | ជាក្បួនដោះស្រាយកុំព្យូទ័រដែលវិភាគលើទិន្នន័យ 3D ដើម្បីញែក កំណត់ទីតាំង និងរាប់ចំនួនដើមឈើនីមួយៗដាច់ដោយឡែកពីគ្នានៅក្នុងតំបន់ព្រៃដ៏ធំមួយ។ | ដូចជាកម្មវិធី Face ID ដែលអាចស្កេននិងញែកមុខមនុស្សម្នាក់ៗនៅក្នុងរូបថតដែលមានមនុស្សរាប់រយនាក់។ |
| Local Maximum Filtering (LMF) | វិធីសាស្ត្រក្នុងការវិភាគទិន្នន័យដោយស្វែងរកចំណុចដែលខ្ពស់ជាងគេបំផុតនៅក្នុងតំបន់ផ្ទាំងក្រណាត់ (Grid) តូចមួយ ដែលចំណុចខ្ពស់បំផុតនោះត្រូវបានសន្មតថាជាចុងកំពូលនៃដើមឈើមួយដើម។ | ដូចជាការដើររកមើលសិស្សដែលខ្ពស់ជាងគេបំផុតនៅក្នុងក្រុមតូចៗនីមួយៗ ដើម្បីរាប់ថាតើមានប៉ុន្មានក្រុម។ |
| Normalised Cut (NCut) | ក្បួនដោះស្រាយគណិតវិទ្យាដ៏ស្មុគស្មាញដែលកាត់បំបែកទិន្នន័យ 3D ជាផ្នែកៗ ដោយប្រមូលផ្តុំចំណុច (Voxels) ដែលនៅកៀកគ្នា និងមានលក្ខណៈស្រដៀងគ្នាចូលជាក្រុមតែមួយ ដើម្បីបង្កើតជារូបរាងមកុដដើមឈើ។ | ដូចជាការបែងចែកសិស្សរាប់ពាន់នាក់នៅទីធ្លា ដោយចងក្រងអ្នកដែលឈរកៀកគ្នាបំផុតឱ្យចូលជាក្រុមរង្វង់តែមួយ ដើម្បីងាយស្រួលរាប់។ |
| Sapwood Area | ផ្ទៃក្រឡានៃសាច់ឈើផ្នែកខាងក្រៅ (រវាងសំបក និងស្នូលឈើ) ដែលមានមុខងារដឹកនាំទឹកពីឫសទៅកាន់ស្លឹក ដែលអ្នកវិទ្យាសាស្ត្រប្រើវាដើម្បីគណនាពីបរិមាណទឹកដែលព្រៃឈើនោះស្រូបយក។ | ដូចជាទំហំនៃបំពង់ទុយោទឹកនៅក្នុងផ្ទះ ប្រសិនបើមុខកាត់បំពង់កាន់តែធំ ទឹកក៏អាចហូរបានកាន់តែច្រើន។ |
| Basal Area | ទំហំផ្ទៃក្រឡាសរុបនៃមុខកាត់ដើមឈើទាំងអស់ក្នុងមួយហិកតា ដែលជាទូទៅវាស់នៅកម្ពស់ដើមទ្រូងមនុស្ស (១.៣ម៉ែត្រ) ត្រូវបានប្រើសម្រាប់វាយតម្លៃដង់ស៊ីតេ និងទំហំឈើក្នុងព្រៃ។ | ប្រសិនបើយើងកាត់រំលំដើមឈើទាំងអស់ក្នុងចម្ការត្រឹមចង្កេះ ហើយយកផ្ទៃមុខកាត់របស់គល់ឈើទាំងអស់នោះមកបូកបញ្ចូលគ្នា នោះហើយគឺជា Basal Area។ |
| Canopy Height Model (CHM) | ម៉ូដែលផ្ទៃរាបឌីជីថល (Raster) ដែលបង្ហាញតែពីកម្ពស់ពិតប្រាកដរបស់រុក្ខជាតិ ដោយយកទិន្នន័យផ្ទៃខាងលើបង្អស់របស់ព្រៃ ដកជាមួយនឹងកម្ពស់ផ្ទៃដីខាងក្រោមចេញ។ | ដូចជាការយកកម្ពស់សរុបរបស់មនុស្សម្នាក់ដែលឈរលើកៅអី ដកកម្ពស់កៅអីនោះចេញ ដើម្បីទទួលបានកម្ពស់ពិតរបស់មនុស្សនោះ។ |
| Voxel | ប្រអប់គូបតូចៗក្នុងទម្រង់ 3D (Volumetric pixel) ដែលគេប្រើសម្រាប់បែងចែកលំហទិន្នន័យព្រៃឈើ ដើម្បីងាយស្រួលដល់កុំព្យូទ័រក្នុងការវិភាគនិងគណនារូបរាងដោយប្រើក្បួនដោះស្រាយ (ដូចជា NCut)។ | ដូចជាដុំឡេហ្គោ (Lego) តូចៗដែលគេយកមកតម្រៀបផ្គុំគ្នា ដើម្បីបង្កើតជារូបរាងផ្ទះ ឬដើមឈើក្នុងកុំព្យូទ័រ 3D។ |
| Ridge regression | បច្ចេកទេសស្ថិតិសម្រាប់បង្កើតម៉ូដែលទស្សន៍ទាយ (Predictive Model) ដែលជួយដោះស្រាយបញ្ហាទិន្នន័យដែលមានអថេរច្រើនពេក ដោយកាត់បន្ថយឥទ្ធិពលនៃអថេរដែលមិនសូវសំខាន់ ដើម្បីចៀសវាងបញ្ហា Over-fitting។ | ដូចជាការដាក់ពិន័យដល់សិស្សដែលរៀនទន្ទេញចាំមាត់តែមិនយល់ ដើម្បីបង្ខំឱ្យពួកគេចេះគិតវិភាគរកចម្លើយដោយខ្លួនឯងសម្រាប់សំណួរថ្មីៗនៅថ្ងៃប្រឡង។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
