បញ្ហា (The Problem)៖ ឯកសារនេះពិនិត្យឡើងវិញនូវការប្រើប្រាស់បណ្តាញសរសៃប្រសាទសិប្បនិម្មិត (Artificial Neural Network - ANN) ដើម្បីដោះស្រាយបញ្ហាស្មុគស្មាញ និងមិនលីនេអ៊ែរ (Non-linear) នៅក្នុងវិស័យជលសាស្ត្រ ដែលវិធីសាស្ត្រគណនាបែបបុរាណមានការលំបាក និងចំណាយពេលច្រើន។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះគឺជាការពិនិត្យឡើងវិញ (Literature Review) នៃឯកសារស្រាវជ្រាវផ្សេងៗដែលបានអនុវត្តម៉ូដែល ANN ទៅលើទិដ្ឋភាពសំខាន់ៗនៃដំណើរការជលសាស្ត្រ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Artificial Neural Network (ANN) បណ្តាញសរសៃប្រសាទសិប្បនិម្មិត |
មិនទាមទារការយល់ដឹងលម្អិតពីលក្ខណៈរូបវន្តនៃតំបន់រងទឹកភ្លៀងឡើយ ហើយអាចដោះស្រាយទំនាក់ទំនងមិនលីនេអ៊ែរ (Non-linear) នៃដំណើរការជលសាស្ត្របានយ៉ាងល្អ។ មានភាពបត់បែនខ្ពស់ក្នុងការយកទៅអនុវត្តលើបញ្ហាផ្សេងៗគ្នា។ | ទាមទារទិន្នន័យប្រវត្តិសាស្ត្រច្រើនសម្រាប់ការបង្វឹកម៉ូដែល (Training data) ហើយមានលក្ខណៈជាប្រអប់ខ្មៅ (Black-box) ដែលពិបាកពន្យល់ពីយន្តការខាងក្នុង។ | ផ្តល់លទ្ធផលទស្សន៍ទាយច្បាស់លាស់ និងល្អជាងម៉ូដែល ARMA និង ARIMA សម្រាប់ការទស្សន៍ទាយលំហូរទឹក និងកម្រិតទឹកភ្លៀង។ |
| Conventional / Conceptual Models (e.g., ARMA, ARIMA) ម៉ូដែលគណនាបែបបុរាណ ឬតាមគោលគំនិត |
ផ្អែកលើការបំប្លែងតាមបែបធរណីមាត្រ និងគោលគំនិតរូបវន្តជាក់លាក់ ដែលធ្វើឱ្យមានភាពងាយស្រួលក្នុងការយល់ពីយន្តការជាមូលដ្ឋាន។ | មានភាពស្មុគស្មាញ ចំណាយពេលច្រើន (Tedious) ក្នុងការអនុវត្ត និងមិនអាចចាប់យកសក្ដានុពលមិនលីនេអ៊ែរនៃទិន្នន័យជលសាស្ត្របានល្អនោះទេ។ | មានដំណើរការទាបជាងម៉ូដែល ANN ក្នុងការសិក្សាស្រាវជ្រាវភាគច្រើន ដោយសារមានដែនកំណត់ក្នុងការធ្វើម៉ូដែលបាតុភូតស្មុគស្មាញ។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ឯកសារនេះមិនបានបញ្ជាក់លម្អិតអំពីតម្រូវការផ្នែករឹង (Hardware) ឬផ្នែកទន់ (Software) នោះទេ ប៉ុន្តែតាមបរិបទ ការធ្វើម៉ូដែល ANN ទាមទារឱ្យមានសំណុំទិន្នន័យប្រវត្តិសាស្ត្រធំទូលាយ និងកុំព្យូទ័រដែលមានសមត្ថភាពគណនាគ្រប់គ្រាន់។
ការសិក្សាភាគច្រើនដែលបានលើកឡើងនៅក្នុងឯកសារនេះត្រូវបានធ្វើឡើងនៅតាមតំបន់ភូមិសាស្ត្របរទេស ដូចជាប្រទេសឥណ្ឌា កូរ៉េ សហរដ្ឋអាមេរិក អូស្ត្រាលី និងចិន ជាដើម។ នេះជារឿងដ៏សំខាន់សម្រាប់ប្រទេសកម្ពុជា ពីព្រោះលក្ខណៈអាកាសធាតុ និងលក្ខណៈដីនៅកម្ពុជាមានភាពខុសប្លែកគ្នា ដូច្នេះយើងចាំបាច់ត្រូវបង្វឹកម៉ូដែលឡើងវិញដោយប្រើសំណុំទិន្នន័យក្នុងស្រុក ដើម្បីទទួលបានភាពត្រឹមត្រូវខ្ពស់។
វិធីសាស្ត្រនៃម៉ូដែលបណ្តាញសរសៃប្រសាទសិប្បនិម្មិត (ANN) នេះមានសក្តានុពល និងអត្ថប្រយោជន៍ខ្ពស់ខ្លាំងណាស់សម្រាប់រៀបចំយុទ្ធសាស្ត្រគ្រប់គ្រងធនធានទឹកនៅកម្ពុជា។
ការធ្វើសមាហរណកម្មបច្ចេកវិទ្យាបញ្ញាសិប្បនិម្មិត (AI) ជាមួយទិន្នន័យជលសាស្ត្រក្នុងស្រុក នឹងជួយឱ្យកម្ពុជាមានប្រព័ន្ធគ្រប់គ្រងធនធានទឹកដ៏រឹងមាំ និងមានប្រសិទ្ធភាពក្នុងការទប់ទល់នឹងបម្រែបម្រួលអាកាសធាតុ។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Artificial Neural Network (ANN) | ជាប្រព័ន្ធកុំព្យូទ័រដែលត្រូវបានបង្កើតឡើងដោយត្រាប់តាមទម្រង់នៃបណ្តាញសរសៃប្រសាទក្នុងខួរក្បាលមនុស្ស ដើម្បីរៀនស្វែងយល់ពីទំនាក់ទំនងស្មុគស្មាញ និងមិនលីនេអ៊ែរ (Non-linear) រវាងទិន្នន័យបញ្ចូលនិងទិន្នន័យបញ្ចេញ ដោយស្វ័យប្រវត្តិ។ | ដូចជាការបង្ហាត់ក្មេងតូចម្នាក់ឱ្យស្គាល់សត្វឆ្មា ដោយបង្ហាញរូបភាពឆ្មាដដែលៗរហូតដល់គេអាចចំណាំលក្ខណៈរបស់វាបានដោយខ្លួនឯង។ |
| Feed Forward Back-propagation | ជាក្បួនដោះស្រាយ (Algorithm) បង្វឹកម៉ូដែល ដែលបញ្ជូនទិន្នន័យទៅមុខដើម្បីទស្សន៍ទាយលទ្ធផល រួចប្រៀបធៀបជាមួយលទ្ធផលពិត ហើយបញ្ជូនកំហុស (Error) ត្រឡប់ថយក្រោយវិញដើម្បីកែតម្រូវទម្ងន់ (Weights) នៃទិន្នន័យឱ្យកាន់តែសុក្រឹតសម្រាប់ការទស្សន៍ទាយលើកក្រោយ។ | ដូចជាអ្នករៀនបាញ់ធ្នូ ដែលបាញ់ខុសគោលដៅ រួចពិនិត្យមើលកំហុសរបស់ខ្លួន ហើយកែតម្រូវកម្លាំង និងទិសដៅសម្រាប់ការពន្លែងព្រួញលើកបន្ទាប់។ |
| Multi-Layer Perceptron (MLP) | ជាប្រភេទនៃបណ្តាញសរសៃប្រសាទសិប្បនិម្មិតកម្រិតមូលដ្ឋានដែលមានស្រទាប់យ៉ាងតិចបី (ស្រទាប់បញ្ចូល ស្រទាប់កណ្តាល/លាក់ និងស្រទាប់បញ្ចេញ) ដែលរាល់ទិន្នន័យធ្វើដំណើរតែមួយទិសទៅមុខជានិច្ច ដោយគ្មានការត្រឡប់ថយក្រោយពេលកំពុងគណនានោះទេ។ | ដូចជារោងចក្រកែច្នៃខ្សែសង្វាក់ផលិតកម្មដែលមាន ៣ ផ្នែក៖ ផ្នែកទទួលវត្ថុធាតុដើម ផ្នែកកែច្នៃនៅកណ្តាល និងផ្នែកបញ្ចេញផលិតផលសម្រេចចុងក្រោយ។ |
| Rainfall-Runoff Modelling | ជាការបង្កើតម៉ូដែលដើម្បីវិភាគ និងទស្សន៍ទាយថាតើបរិមាណទឹកភ្លៀងដែលធ្លាក់មកលើផ្ទៃដី នឹងក្លាយជាលំហូរទឹកលើផ្ទៃដី (Runoff) ហូរចូលទៅក្នុងស្ទឹង ឬទន្លេក្នុងបរិមាណប៉ុន្មាន ដោយទម្លាក់ចោលនូវទឹកដែលជ្រាបចូលដី ឬហួត។ | ដូចជាការគណនាទស្សន៍ទាយថាតើទឹកប៉ុន្មានលីត្រនឹងហូរចូលលូទឹកស្អុយមុខផ្ទះ បន្ទាប់ពីមានមេឃភ្លៀងធ្លាក់ខ្លាំងរយៈពេលមួយម៉ោង។ |
| Recurrent Neural Network (RNN) | ជាប្រភេទបណ្តាញសរសៃប្រសាទសិប្បនិម្មិតកម្រិតខ្ពស់ ដែលមានសមត្ថភាពចងចាំព័ត៌មានពីទិន្នន័យមុនៗ (Memory) តាមរយៈរង្វិលជុំ ដែលធ្វើឱ្យវាមានប្រសិទ្ធភាពខ្ពស់បំផុតក្នុងការទស្សន៍ទាយទិន្នន័យដែលប្រែប្រួលតាមពេលវេលាដូចជាលំហូរទឹកទន្លេ។ | ដូចជាមនុស្សដែលកំពុងអានសៀវភៅរឿង ដោយអាចយល់ន័យប្រយោគថ្មីៗបាន គឺដោយសារការចងចាំសាច់រឿងពីទំព័រមុនៗដែលបានអានរួច។ |
| Autoregressive Moving Average (ARMA) | ជាវិធីសាស្ត្រស្ថិតិបែបបុរាណដែលប្រើសម្រាប់វិភាគ និងទស្សន៍ទាយទិន្នន័យតាមពេលវេលា (Time-series) ដោយផ្អែកលើតម្លៃអតីតកាលផ្ទាល់របស់វា និងមធ្យមភាគនៃកំហុស ប៉ុន្តែវាមានដែនកំណត់ក្នុងការធ្វើម៉ូដែលទិន្នន័យជលសាស្ត្រដែលប្រែប្រួលខ្លាំង។ | ដូចជាការទស្សន៍ទាយសីតុណ្ហភាពនៅថ្ងៃស្អែក ដោយយកកម្រិតសីតុណ្ហភាព៣ថ្ងៃមុនមកបូកបញ្ចូលគ្នាហើយចែកជាមធ្យមភាគ។ |
| Neural kriging | ជាបច្ចេកទេសកូនកាត់ដែលរួមបញ្ចូលគ្នារវាងបណ្តាញសរសៃប្រសាទសិប្បនិម្មិត (ANN) និងវិធីសាស្ត្រស្ថិតិភូមិសាស្ត្រ (Kriging) ដើម្បីប៉ាន់ស្មានលក្ខណៈសម្បត្តិនៃស្រទាប់ទឹកក្រោមដីនៅទីតាំងដែលមិនមានទិន្នន័យវាស់វែងផ្ទាល់។ | ដូចជាការស្មានកម្រិតភាពផ្អែមរបស់ផ្លែឪឡឹកទាំងមូល ដោយគ្រាន់តែចោះភ្លក់សាច់ឪឡឹកតែ២ទៅ៣កន្លែងប៉ុណ្ណោះ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
