បញ្ហា (The Problem)៖ ការប៉ាន់ប្រមាណបរិមាណកាបូននៅក្នុងព្រៃឈើដ៏ធំទូលាយរបស់ប្រទេសកាណាដាដោយដៃមានការលំបាក និងចំណាយពេលច្រើន ដែលតម្រូវឱ្យមានប្រព័ន្ធកុំព្យូទ័រស្វ័យប្រវត្តិដើម្បីវិភាគទិន្នន័យពីចម្ងាយ (Remote Sensing) ។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះប្រើប្រាស់ការបញ្ចូលគ្នានៃទិន្នន័យពីចម្ងាយជាច្រើនប្រភព រួមមានទិន្នន័យរូបភាព និងកម្ពស់ ដើម្បីបង្កើតប្រព័ន្ធស្វ័យប្រវត្តិសម្រាប់ការគណនាកាបូន។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Manual Remote Sensing Processing ការដំណើរការទិន្នន័យពីចម្ងាយដោយដៃ (តាមរយៈកម្មវិធី ENVI) |
អនុញ្ញាតឱ្យមានការត្រួតពិនិត្យ និងការសម្រេចចិត្តផ្ទាល់ពីអ្នកជំនាញនៅគ្រប់ដំណាក់កាល។ មានភាពបត់បែនខ្ពស់សម្រាប់ការកែតម្រូវទិន្នន័យ។ | ចំណាយពេលយូរខ្លាំង (ប្រហែល ១ម៉ោងកន្លះ ក្នុងមួយផែនទី) និងមានភាពស្មុគស្មាញដែលងាយនឹងបង្កើតកំហុសដោយអចេតនា។ | ត្រូវបានប្រើជាគោលសម្រាប់ប្រៀបធៀបពេលវេលាដំណើរការ តែមានភាពយឺតយ៉ាវសម្រាប់ការគណនាទ្រង់ទ្រាយធំ។ |
| FACEM Automated System ប្រព័ន្ធកម្មវិធីស្វ័យប្រវត្តិ FACEM |
មានល្បឿនលឿនខ្លាំង ដំណើរការដោយភាពជាក់លាក់ និងកាត់បន្ថយពេលវេលាធ្វើការងារច្រំដែលៗដូចជាការបង្កើត Mask ជាដើម។ | ត្រូវការការបញ្ចូលសមីការ Allometric ជាមុនទៅក្នុងកូដ (Hardcoded) ដែលតម្រូវឱ្យអ្នកប្រើប្រាស់ចេះកែប្រែប្រភពកូដ (Source code) សម្រាប់ប្រភេទឈើថ្មីៗ។ | អាចបង្កើតផែនទីកាបូនលើផ្ទៃដី D4S2 ដោយប្រើពេលតិចជាង ២ វិនាទី។ |
| Maximum Likelihood Classification (MLC) ចំណាត់ថ្នាក់តាមកម្រិតលទ្ធភាពខ្ពស់បំផុត (MLC) |
មានភាពរឹងមាំខាងផ្នែកគណិតវិទ្យា និងមានប្រសិទ្ធភាពខ្ពស់ក្នុងការបែងចែកប្រភេទដី និងឈើ នៅពេលដែលទិន្នន័យមានចំនួនវិមាត្រ (Dimensions) ត្រូវបានកាត់បន្ថយ។ | ទាមទារទិន្នន័យបង្ហាត់ (Training data) ច្រើន និងមានទំនោរទៅរកការផ្តល់អាទិភាពដល់ប្រភេទឈើណាដែលមានទិន្នន័យបង្ហាត់ច្រើនជាងគេ។ | ទទួលបានភាពត្រឹមត្រូវនៃការធ្វើចំណាត់ថ្នាក់ប្រភេទព្រៃឈើជាង ៨០% សម្រាប់ទិន្នន័យ AVIRIS។ |
| Partial Least Squares (PLS) Regression តម្រែតម្រង់ PLS សម្រាប់ប៉ាន់ស្មានដង់ស៊ីតេដើមឈើ |
អាចទាញយកទិន្នន័យដង់ស៊ីតេដើមឈើលើផ្ទៃដីធំៗបានដោយគ្រាន់តែប្រើរូបភាព Hyperspectral ជាជាងការហោះហើរ LiDAR លើផ្ទៃដីទាំងមូល។ | ងាយនឹងជួបប្រទះបញ្ហា Overfitting និងពិបាកក្នុងការផ្ទេរម៉ូដែលពីតំបន់ភូមិសាស្ត្រមួយទៅតំបន់មួយទៀតដោយសារភាពខុសគ្នានៃប្រភេទឈើ។ | ទទួលបានទំនាក់ទំនង R2 = 0.94 សម្រាប់តំបន់បង្ហាត់ ប៉ុន្តែបានបរាជ័យ (R2 ជិត 0) ពេលផ្ទេរទៅអនុវត្តនៅតំបន់ Rithet ដែលមានលក្ខណៈខុសគ្នា។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តប្រព័ន្ធនេះទាមទារការវិនិយោគខ្ពស់លើការប្រមូលទិន្នន័យពីចម្ងាយកម្រិតខ្ពស់ ក៏ដូចជាកម្មវិធី និងសមត្ថភាពកុំព្យូទ័រ។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅតំបន់ Greater Victoria Watershed District ប្រទេសកាណាដា ដែលមានលក្ខណៈជាព្រៃស្រល់ (Coniferous) នៅតំបន់ត្រជាក់។ វាមិនតំណាងឱ្យប្រភេទព្រៃឈើចម្រុះនៅតំបន់ត្រូពិចឡើយ ដូចនេះកម្ពុជាមិនអាចយកសមីការអាឡូម៉ែត្រ (Allometric equations) ទាំងនេះមកប្រើប្រាស់ដោយផ្ទាល់បានទេ។
ប្រព័ន្ធនេះមានសក្តានុពលខ្ពស់សម្រាប់ជួយពន្លឿនគម្រោងអភិរក្សព្រៃឈើ និងទីផ្សារកាបូន (REDD+) នៅប្រទេសកម្ពុជា ប្រសិនបើមានការសម្រួលទិន្នន័យមូលដ្ឋាន។
ជារួម បច្ចេកវិទ្យានេះអាចផ្លាស់ប្តូររបៀបដែលកម្ពុជាតាមដាន និងរកចំណូលពីធនធានព្រៃឈើ ប៉ុន្តែទាមទារការវិនិយោគលើការប្រមូលទិន្នន័យ (Remote Sensing) និងការចុះវាស់វែងទម្រង់ដើមឈើក្នុងស្រុកជាមុនសិន។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Hyperspectral | ការថតរូបភាពពីចម្ងាយ (Remote Sensing) ដែលបំបែកពន្លឺទៅជារាប់រយរលកពន្លឺតូចៗ (Bands) ផ្សេងៗគ្នា ដើម្បីចាប់យករូបភាព និងវិភាគសារធាតុគីមីរបស់រុក្ខជាតិ ដើម្បីបែងចែកប្រភេទដើមឈើឲ្យបានច្បាស់លាស់។ | ដូចជាកាមេរ៉ាវេទមន្តដែលអាចមើលឃើញពណ៌រាប់រយប្រភេទលើសពីអ្វីដែលភ្នែកមនុស្សអាចមើលឃើញ ដើម្បីដឹងថាដើមឈើនោះជាប្រភេទដើមអ្វីច្បាស់លាស់។ |
| Lidar | បច្ចេកវិទ្យាចាប់សញ្ញាពីចម្ងាយ (Active Sensor) ដែលបាញ់កាំរស្មីឡាស៊ែរពីយន្តហោះទៅដី រួចវាស់រយៈពេលដែលពន្លឺនោះផ្លាតត្រឡប់មកវិញ ដើម្បីគណនាកម្ពស់ដើមឈើ និងបង្កើតជាផែនទីរូបរាងដី 3D ។ | ដូចជាសត្វប្រចៀវបញ្ចេញសំឡេងហើយស្តាប់អេកូដើម្បីដឹងទីតាំងវត្ថុ តែបច្ចេកវិទ្យានេះប្រើកាំរស្មីឡាស៊ែរដើម្បីវាស់កម្ពស់ដើមឈើពីលើអាកាសយ៉ាងសុក្រឹត។ |
| Allometric Equations | រូបមន្តគណិតវិទ្យាដែលត្រូវបានបង្កើតឡើងសម្រាប់ប៉ាន់ស្មានទម្ងន់ ឬបរិមាណជីវម៉ាស (និងកាបូន) របស់ដើមឈើទាំងមូល ដោយគ្រាន់តែប្រើទិន្នន័យដែលងាយស្រួលវាស់ ដូចជាកម្ពស់ឈើ និងអង្កត់ផ្ចិតគល់ឈើ (DBH)។ | ដូចជារូបមន្តពេទ្យដែលប្រើកម្ពស់ និងទំហំចង្កេះរបស់អ្នក ដើម្បីទស្សន៍ទាយទម្ងន់សរុបរបស់អ្នកដោយមិនបាច់ឡើងថ្លឹងផ្ទាល់។ |
| Canopy Height Model | ផែនទីគំរូកម្ពស់ដែលបង្កើតឡើងដោយយកកម្ពស់ផ្ទៃខាងលើនៃចុងឈើ (DSM) ដកនឹងកម្ពស់ផ្ទៃដីសុទ្ធ (DTM) ដើម្បីបង្ហាញតែកម្ពស់ពិតប្រាកដរបស់ដើមឈើនីមួយៗពីលើដីប៉ុណ្ណោះ។ | ដូចជាការយកកម្ពស់សរុបនៃដំបូលផ្ទះធៀបនឹងនីវ៉ូទឹកសមុទ្រ ដកនឹងកម្ពស់ទីតាំងដីដែលផ្ទះនោះសង់ ដើម្បីដឹងថាតួផ្ទះមានកម្ពស់ប៉ុន្មានម៉ែត្រពិតប្រាកដ។ |
| Stem Density Model | ទម្រង់ទិន្នន័យ ឬផែនទីដែលបង្ហាញពីចំនួនដើមឈើ (ដង់ស៊ីតេ) ក្នុងមួយហិកតា ឬក្នុងមួយឯកតាផ្ទៃដី ដែលជារឿយៗត្រូវបានបង្កើតដោយពឹងផ្អែកលើក្បួនដោះស្រាយការរាប់ចំនួនកំពូលឈើដែលថតបានពីអាកាស។ | ដូចជាផែនទីបង្ហាញពីចំនួនមនុស្សដែលឈរកកកុញគ្នាក្នុងទីលានប្រគំតន្ត្រី ដើម្បីឲ្យដឹងថាកន្លែងណាចង្អៀតមានមនុស្សច្រើនជាងគេ។ |
| Maximum Likelihood Classification | ក្បួនដោះស្រាយតាមបែបស្ថិតិក្នុង Machine Learning ដែលបែងចែកចំណាត់ថ្នាក់ប្រភេទដើមឈើដោយស្វ័យប្រវត្តិ ដោយគណនាប្រូបាប៊ីលីតេ (Probability) ខ្ពស់បំផុតថាតើចំណុចនីមួយៗ (Pixel) លើរូបភាពគួរតែស្ថិតក្នុងប្រភេទដើមឈើមួយណា។ | ដូចជាគ្រូបង្រៀនទស្សន៍ទាយថាសិស្សម្នាក់ណាជាអ្នកធ្វើកិច្ចការនេះ ដោយផ្អែកលើទម្លាប់ និងអាកប្បកិរិយាដែលសិស្សម្នាក់ៗធ្លាប់បានបង្ហាញកន្លងមក។ |
| Partial Least Squares (PLS) Regression | វិធីសាស្ត្រស្ថិតិដែលស្វែងរកទំនាក់ទំនងរវាងទិន្នន័យរូបភាពពីផ្កាយរណប (ដែលមានអថេរច្រើននិងស្មុគស្មាញ) ទៅនឹងទិន្នន័យជាក់ស្តែងលើដី (ដូចជាកម្រិតដង់ស៊ីតេដើមឈើ) ដើម្បីបង្កើតជាម៉ូដែលទស្សន៍ទាយសម្រាប់តំបន់ផ្សេងទៀត។ | ដូចជាការតាមដានទម្លាប់ចាយវាយប្រចាំថ្ងៃរបស់អ្នក ដើម្បីបង្កើតជារូបមន្តទស្សន៍ទាយថាខែក្រោយអ្នកនឹងត្រូវចំណាយលុយអស់ប៉ុន្មាន។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
