បញ្ហា (The Problem)៖ ការស្រាវជ្រាវនេះដោះស្រាយបញ្ហាប្រឈមក្នុងការទាញយកព័ត៌មានអំពីការប្រើប្រាស់ដី/គម្របដី (LULC) ដែលមានភាពស្មុគស្មាញដូចជាវាលស្រែថ្នាក់ ពីរូបភាពតេឡេសិក្សាកម្រិតបង្ហាញមធ្យមនៅក្នុងខេត្តឡាវកៃ ប្រទេសវៀតណាម។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានវាយតម្លៃប្រៀបធៀបការវិភាគរូបភាពផ្អែកលើភីកសែល (PBIA) និងផ្អែកលើវត្ថុ (OBIA) ដោយប្រើប្រាស់ក្បួនតក្កវិទ្យាស្រពិចស្រពិល ម៉ាស៊ីនរៀន និងបណ្តាញសរសៃប្រសាទកុនវ៉ុលស្រាល (LCNN)។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| OBIA Fuzzy Approach វិធីសាស្ត្រផ្អែកលើវត្ថុដោយប្រើក្បួនតក្កវិទ្យាស្រពិចស្រពិល (OBIA Fuzzy) |
អាចបង្កើតផែនទីគម្របដី (LULC) ដោយទទួលបានភាពត្រឹមត្រូវរួមលើសពី ៩០%។ វាអាចទាញយកលក្ខណៈពិសេសនៃលំហ និងពន្លឺបានល្អសម្រាប់វត្ថុធំៗ។ | លំហូរការងារមានភាពស្មុគស្មាញច្រើនដំណាក់កាល និងទាមទារការកំណត់កម្រិតប៉ារ៉ាម៉ែត្រ (threshold parameters) ដោយការស្មាន។ មានភាពត្រឹមត្រូវទាបសម្រាប់ចំណាត់ថ្នាក់វាលស្រែថ្នាក់។ | សម្រេចបានភាពត្រឹមត្រូវរួម (Overall Accuracy) > ៩០% និងមេគុណ Kappa ០.៨៤ តែនៅមានចំណុចខ្សោយលើការកត់សម្គាល់វាលស្រែ។ |
| Machine Learning Classifiers (MLP, RF, SVM) via PBIA and OBIA ម៉ាស៊ីនរៀន (MLP, RF, SVM) តាមរយៈក្បួន PBIA និង OBIA |
ធ្វើឱ្យប្រសើរឡើងយ៉ាងខ្លាំងនូវការកំណត់អត្តសញ្ញាណវាលស្រែថ្នាក់ (rice terraces)។ ក្បួន PBIA ផ្តល់នូវវិធីសាស្ត្រសាមញ្ញ និងមានប្រសិទ្ធភាពខ្ពស់ជាង OBIA ។ | ទាមទារការរៀបចំទិន្នន័យហ្វឹកហាត់ច្រើន ហើយក្បួន OBIA ងាយរងផលប៉ះពាល់ពីការជ្រើសរើសកម្រិតនៃការបំបែករូបភាព (segmentation threshold)។ | ផ្តល់ភាពត្រឹមត្រូវខ្ពស់ជាង ៩០% សម្រាប់ការធ្វើចំណាត់ថ្នាក់វាលស្រែថ្នាក់ ពិសេសក្បួនផ្អែកលើភីកសែល (PBIA) ដំណើរការបានល្អជាង។ |
| Light Convolutional Neural Network (LCNN) បណ្តាញសរសៃប្រសាទកុនវ៉ុលស្រាល (LCNN) |
កាត់បន្ថយភាពស្មុគស្មាញនៃលំហូរការងារ និងដោះស្រាយបញ្ហានៃការទស្សន៍ទាយប៉ារ៉ាម៉ែត្រ។ ដំណើរការបានល្អទាំងការប្រើប្រាស់ Input ជា PBIA (Filter 1x1) និង OBIA (Filter 3x3)។ | ទោះបីជាជាម៉ូដែល 'ស្រាល' ក្តី ប៉ុន្តែនៅតែទាមទារសមត្ថភាពកុំព្យូទ័រ (Computational power) ខ្ពស់ជាងវិធីសាស្ត្រប្រពៃណី និងទិន្នន័យហ្វឹកហាត់ដែលមានគុណភាព។ | ទទួលបានភាពត្រឹមត្រូវរួម ៩៧% (Landsat-8), ៩៤% (RapidEye) និង ៩១% (Sentinel-2) ដោយដំណើរការលឿនជាងម៉ូដែល Fuzzy និង ML ធម្មតា។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការស្រាវជ្រាវនេះត្រូវបានអនុវត្តទាំងស្រុងដោយប្រើប្រាស់កម្មវិធីកូដបើកចំហ (Free and Open Source Software) និងទិន្នន័យបើកទូលាយ (Open Data) ដែលជួយកាត់បន្ថយចំណាយបានយ៉ាងច្រើនសម្រាប់ការអនុវត្តជាក់ស្តែង។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅខេត្ត Lao Cai ប្រទេសវៀតណាម ដែលជាតំបន់ភ្នំមានសណ្ឋានដីវាលស្រែថ្នាក់ (rice terraces) ច្បាស់លាស់។ ទិន្នន័យ និងគំរូនៃសណ្ឋានដីនេះមានលក្ខណៈប្រហាក់ប្រហែលនឹងតំបន់ភ្នំមួយចំនួននៅភាគឦសានប្រទេសកម្ពុជា ប៉ុន្តែអាចមិនឆ្លុះបញ្ចាំងពេញលេញពីសណ្ឋានដីវាលទំនាបកណ្តាលទូលំទូលាយរបស់កម្ពុជាឡើយ ដូចនេះការយកមកប្រើប្រាស់ចាំបាច់ត្រូវមានការប្រមូលទិន្នន័យហ្វឹកហាត់ (Training data) ថ្មីក្នុងបរិបទប្រទេសកម្ពុជា។
វិធីសាស្ត្រ LCNN រួមជាមួយទិន្នន័យបើកទូលាយនេះ មានសក្តានុពលខ្ពស់ខ្លាំងក្នុងការយកមកអនុវត្តនៅប្រទេសកម្ពុជា ពិសេសសម្រាប់ការគូសផែនទីគម្របដី និងតាមដានការប្រើប្រាស់ដីធ្លីចំណាយទាប។
ជារួម ការប្រើប្រាស់បណ្តាញ LCNN និងក្បួន PBIA/OBIA ជាមួយទិន្នន័យឥតគិតថ្លៃ គឺជាដំណោះស្រាយប្រកបដោយនវានុវត្តន៍ និងប្រសិទ្ធភាពខ្ពស់ សម្រាប់ការតាមដានការប្រែប្រួលបរិស្ថាន និងគាំទ្រដល់ការធ្វើផែនការអភិវឌ្ឍន៍នៅកម្ពុជា។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Pixel Based Image Analysis (PBIA) | វិធីសាស្ត្រវិភាគរូបភាពដែលចាត់ថ្នាក់គម្របដីដោយផ្អែកលើព័ត៌មាននៃភីកសែលនីមួយៗដាច់ដោយឡែកពីគ្នា ដោយមិនពិចារណាលើរូបរាង ឬទំហំនៃវត្ថុជុំវិញនោះទេ។ | ដូចជាការមើលផ្ទាំងគំនូរដោយយកចិត្តទុកដាក់តែលើចំណុចពណ៌តូចៗមួយៗ ដោយមិនខ្វល់ថារូបភាពរួមត្រូវបានគូសចេញជារូបអ្វីនោះទេ។ |
| Object Based Image Analysis (OBIA) | វិធីសាស្ត្រវិភាគរូបភាពដែលផ្តុំភីកសែលក្បែរៗគ្នាជាក្រុម (វត្ថុ) មុននឹងធ្វើចំណាត់ថ្នាក់ ដោយផ្អែកលើពណ៌ ទ្រង់ទ្រាយ និងវាយនភាព ដែលជួយឱ្យកុំព្យូទ័រស្គាល់វត្ថុធំៗ ឬមានទម្រង់ច្បាស់លាស់បានល្អប្រសើរ។ | ដូចជាការផ្គុំរូបល្បែង (Jigsaw puzzle) ដែលយើងមើលដុំនីមួយៗជារាង ឬវត្ថុជាក់លាក់ (ឧទាហរណ៍ ផ្ទះ ដើមឈើ) មិនមែនគ្រាន់តែជាចំណុចពណ៌នោះទេ។ |
| Light Convolutional Neural Network (LCNN) | ជាប្រភេទបណ្តាញសរសៃប្រសាទសិប្បនិម្មិត (Deep Learning) ម៉ូដែលស្រាល ដែលប្រើប្រាស់ស្រទាប់គណនា (Convolutional layers) តិចតួច ដើម្បីកាត់បន្ថយភាពស្មុគស្មាញ និងទាមទារកម្លាំងកុំព្យូទ័រតិចក្នុងការធ្វើចំណាត់ថ្នាក់រូបភាពផ្កាយរណប។ | ដូចជាអ្នកជំនាញដែលអាចសម្គាល់មុខសញ្ញាបានលឿន ដោយមើលតែលក្ខណៈសំខាន់ៗមួយចំនួនតូច ជំនួសឱ្យការពិនិត្យមើលគ្រប់ចំណុចល្អិតល្អន់ដែលធ្វើឱ្យខាតពេលច្រើន។ |
| Rate of Change-Local Variance (ROC-LV) | ជាក្រាហ្វិកគណិតវិទ្យាប្រើសម្រាប់វាយតម្លៃ និងស្វែងរកកម្រិតនៃការបំបែករូបភាពដ៏ល្អបំផុត (Optimal segmentation threshold) ដើម្បីកាត់រូបភាពទៅជាវត្ថុ (Objects) ក្នុងវិធីសាស្ត្រ OBIA កុំឱ្យធំពេក ឬតូចពេក។ | ដូចជាការស្វែងរកចំណុចដែលស័ក្តិសមបំផុតក្នុងការកាត់នំខេក ដើម្បីឱ្យបានដុំនំដែលមានទំហំនិងរូបរាងស្អាតបំផុតដោយមិនបែកខ្ទេច ឬធំពេកពិបាកញ៉ាំ។ |
| Support Vector Machine (SVM) | ជាក្បួនដោះស្រាយម៉ាស៊ីនរៀន (Machine Learning) ដែលមានមុខងារគូសបន្ទាត់ ឬប្លង់ព្រំដែនដ៏ល្អបំផុតរវាងក្រុមទិន្នន័យផ្សេងៗគ្នា ដើម្បីបែងចែកថ្នាក់នៃការប្រើប្រាស់ដីធ្លីឱ្យបានច្បាស់លាស់។ | ដូចជាការសង់របងព្រំដែនត្រង់កណ្តាលចន្លោះផ្ទះពីរ ដើម្បីបំបែកទីធ្លាផ្ទះទាំងពីរឱ្យបានដាច់ស្រឡះពីគ្នាល្អបំផុត។ |
| Multilayer Perceptron (MLP) | ជាទម្រង់មូលដ្ឋាននៃបណ្តាញសរសៃប្រសាទសិប្បនិម្មិត (Artificial Neural Network) ដែលមានស្រទាប់កោសិកាសិប្បនិម្មិតច្រើនជាន់សម្រាប់រៀនពីទិន្នន័យ និងធ្វើចំណាត់ថ្នាក់ប្រភេទដី។ | ដូចជារោងចក្រដែលមានបុគ្គលិកច្រើនជាន់ថ្នាក់ ធ្វើការបញ្ជូនព័ត៌មានពីមួយទៅមួយរហូតដល់ថ្នាក់លើ ដើម្បីសម្រេចចិត្តចុងក្រោយថាតើផលិតផលមួយជាអ្វីឱ្យប្រាកដ។ |
| Segmentation threshold | ជាតម្លៃដែនកំណត់ដែលអ្នកវិភាគ ឬប្រព័ន្ធកុំព្យូទ័រប្រើសម្រាប់សម្រេចចិត្តថាតើភីកសែលដែលនៅក្បែរគ្នាណាខ្លះ មានលក្ខណៈស្រដៀងគ្នាគ្រប់គ្រាន់ដើម្បីផ្តុំបញ្ចូលគ្នាជាវត្ថុតែមួយ (Object)។ | ដូចជាការកំណត់ពិន្ទុប្រឡងជាប់ ប្រសិនបើសិស្សបានពិន្ទុលើសកម្រិតនេះ ពួកគេនឹងត្រូវបានចាត់ចូលក្នុងក្រុមតែមួយគឺ "សិស្សប្រឡងជាប់"។ |
| Kappa coefficient | ជាសូចនាករស្ថិតិដែលវាស់ស្ទង់ភាពត្រឹមត្រូវនៃការធ្វើចំណាត់ថ្នាក់ម៉ូដែល ដោយប្រៀបធៀបរវាងភាពត្រឹមត្រូវជាក់ស្តែងនិងភាពត្រឹមត្រូវដែលអាចកើតឡើងដោយចៃដន្យ (មានតម្លៃពី 0 ដល់ 1)។ | ដូចជាការវាស់ស្ទង់ថាតើសិស្សម្នាក់ប្រឡងបានពិន្ទុល្អដោយសារគាត់ពិតជាចេះមេរៀន ឬគាត់គ្រាន់តែទាយត្រូវចម្លើយដោយចៃដន្យ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
