បញ្ហា (The Problem)៖ ការវាយតម្លៃគុណភាពនៃការបែងចែករូបភាពផ្កាយរណបពហុវិសាលគម (Multi-spectral satellite images) ជួបប្រទះការលំបាកដោយសារតែខ្វះទិន្នន័យយោង (Reference segmentation) សម្រាប់ធ្វើការប្រៀបធៀបដោយផ្ទាល់។ ឯកសារនេះស្នើឡើងនូវក្របខ័ណ្ឌថ្មីមួយដើម្បីដោះស្រាយបញ្ហានេះតាមរយៈការបង្កើតរូបភាពសំយោគ។
វិធីសាស្ត្រ (The Methodology)៖ វិធីសាស្ត្រនេះពឹងផ្អែកលើការបង្កើតរូបភាពពហុវិសាលគមសំយោគដែលមានទីតាំងវត្ថុជាក់លាក់សម្រាប់ធ្វើជាទិន្នន័យយោង ដើម្បីវាយតម្លៃបរិមាណនៃក្បួនដោះស្រាយការបែងចែករូបភាព។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Hammoude Metric រង្វាស់ Hammoude |
មានភាពងាយស្រួល និងមានប្រសិទ្ធភាពខ្ពស់ក្នុងការវាយតម្លៃភាពត្រឹមត្រូវនៃការបែងចែករូបភាពសម្រាប់ប្រភេទគម្របដី (land cover types) នីមួយៗដាច់ដោយឡែកពីគ្នា។ | មិនសូវមានប្រសិទ្ធភាព និងមិនសូវរហ័សក្នុងការវាយតម្លៃភាពត្រឹមត្រូវដោយផ្អែកលើទំហំនៃក្បាលដី (parcel sizes) នោះទេ។ | ផ្តល់តម្លៃច្បាស់លាស់ដែលបង្ហាញថាប្រភេទគម្របដីដែលមានលក្ខណៈវិសាលគមខុសគ្នាខ្លាំង (ឧទាហរណ៍ ទឹក និងខ្សាច់) ទទួលបានលទ្ធផលបែងចែកត្រឹមត្រូវឥតខ្ចោះ (perfect score)។ |
| Similarity Indices (Jaccard & Corrected Rand) សន្ទស្សន៍ភាពស្រដៀងគ្នា (Jaccard និង Corrected Rand) |
មានប្រសិទ្ធភាពខ្ពស់ក្នុងការវាយតម្លៃផ្អែកលើទំហំក្បាលដី ហើយសន្ទស្សន៍ Jaccard មានភាពងាយស្រួលបំផុតក្នុងការគណនា។ | មិនផ្តល់ភាពងាយស្រួលក្នុងការទាញយកលទ្ធផលតាមប្រភេទគម្របដីនីមួយៗឡើយ ហើយសន្ទស្សន៍ Rand ធម្មតាមានចន្លោះតម្លៃតូចចង្អៀតដែលពិបាកក្នុងការកំណត់ភាពខុសគ្នា។ | បង្ហាញយ៉ាងច្បាស់ថា ក្បាលដីដែលមានទំហំធំ (ធំជាង 3x3 ឯកតា) ទទួលបានលទ្ធផលបែងចែកល្អប្រសើរជាងក្បាលដីតូចៗយ៉ាងខ្លាំង។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តក្របខ័ណ្ឌនេះទាមទារកម្មវិធីកុំព្យូទ័រសម្រាប់ដំណើរការរូបភាព និងសំណុំទិន្នន័យរូបភាពផ្កាយរណបជាមូលដ្ឋាន។
ការសិក្សានេះប្រមូលទិន្នន័យរូបភាពផ្កាយរណប (SPOT និង Landsat) ពីតំបន់ភ្នំក្បែរទីក្រុង Montalegre ប្រទេសព័រទុយហ្គាល់ ដោយផ្តោតលើគម្របដីនៅតំបន់អឺរ៉ុប ដូចជា វាលស្មៅ ព្រៃឈើ និងដំណាំ។ សម្រាប់ប្រទេសកម្ពុជា ទិន្នន័យនេះមិនឆ្លុះបញ្ចាំងពីលក្ខណៈភូមិសាស្ត្រក្នុងស្រុកឡើយ ដូច្នេះការទាញយកចំណាំងវិសាលគម (spectral signatures) ត្រូវតែធ្វើឡើងជាថ្មីដោយប្រើទិន្នន័យតំបន់ត្រូពិច ដូចជាព្រៃស្រោង កៅស៊ូ ឬវាលស្រែ ដែលមានការប្រែប្រួលខ្លាំងតាមរដូវកាល។
វិធីសាស្ត្រវាយតម្លៃតាមរយៈការបង្កើតរូបភាពសំយោគនេះ មានអត្ថប្រយោជន៍ និងសក្តានុពលខ្ពស់សម្រាប់កម្ពុជា ក្នុងការធានាគុណភាពនៃការបែងចែករូបភាពផ្កាយរណបដោយមិនចាំបាច់ត្រូវការទិន្នន័យយោងផ្ទាល់ដី (ground truth) ច្រើន។
ជារួម ក្របខ័ណ្ឌនេះផ្តល់នូវវិធីសាស្ត្រចំណាយទាប និងមានប្រសិទ្ធភាពខ្ពស់ក្នុងការបង្កើនភាពត្រឹមត្រូវនៃគម្រោងវិភាគទិន្នន័យពីចម្ងាយ (Remote Sensing) នៅក្នុងស្ថាប័នស្រាវជ្រាវ និងក្រសួងពាក់ព័ន្ធនៅកម្ពុជា។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Multi-spectral image | រូបភាពដែលចាប់យកទិន្នន័យពីបណ្តុំរលកពន្លឺច្រើនខុសៗគ្នា (ទាំងពន្លឺដែលអាចមើលឃើញ និងពន្លឺមិនអាចមើលឃើញដូចជា infrared) ដើម្បីវិភាគលក្ខណៈនៃផ្ទៃដីដែលភ្នែកមនុស្សមិនអាចមើលឃើញផ្ទាល់។ | ដូចជាការពាក់វ៉ែនតាវេទមន្តដែលអាចមើលឃើញកម្តៅ ឬរលកពន្លឺផ្សេងៗដែលភ្នែកយើងមើលមិនឃើញ ដើម្បីសម្គាល់ថាដីនោះជាព្រៃ ឬជាទឹក។ |
| Image segmentation | ដំណើរការនៃការបំបែករូបភាពមួយទៅជាផ្នែកតូចៗ (objects ឬ segments) ដែលមានលក្ខណៈស្រដៀងគ្នា ដើម្បីងាយស្រួលក្នុងការវិភាគ និងកំណត់អត្តសញ្ញាណវត្ថុនៅលើរូបភាពនោះកម្រិតស្វ័យប្រវត្តិ។ | ដូចជាការយកកន្ត្រៃកាត់រូបភាពផ្ដុំ (Jigsaw puzzle) ទៅតាមពណ៌ ឬរូបរាង ដើម្បីញែករូបដើមឈើចេញពីរូបមេឃ។ |
| Synthetic images | រូបភាពដែលមិនមែនថតផ្ទាល់ពីកាមេរ៉ាផ្កាយរណបពិតប្រាកដ ប៉ុន្តែត្រូវបានបង្កើតឡើងដោយកម្មវិធីកុំព្យូទ័រតាមរយៈការក្លែងធ្វើលក្ខណៈទិន្នន័យពិត ដើម្បីយកមកប្រើជាទិន្នន័យយោង (Reference Data) ក្នុងការធ្វើតេស្ត។ | ដូចជាការគូររូបទេសភាពក្នុងកុំព្យូទ័រឱ្យដូចរូបថតពិតៗ ដើម្បីយកទៅហ្វឹកហាត់និងវាស់ស្ទង់សមត្ថភាពរបស់កម្មវិធីកុំព្យូទ័រ។ |
| Hammoude metric | រង្វាស់គណិតវិទ្យាសម្រាប់ប្រៀបធៀបភាពត្រឹមត្រូវរវាងការបែងចែករូបភាពពីរ ដោយវាស់ស្ទង់ចំនួនភីកសែល (pixels) ដែលត្រួតស៊ីគ្នានិងមិនត្រួតស៊ីគ្នានៃវត្ថុតែមួយ។ តម្លៃខិតជិត 0 មានន័យថាត្រឹមត្រូវបំផុត។ | ដូចជាការយកផ្ទាំងគំនូរពីរផ្ទាំងដែលគូររូបតែមួយមកដាក់ត្រួតស៊ីគ្នា ដើម្បីមើលថាតើមានកន្លែងណាខ្លះដែលគូសខុសពីគ្នា ឬលើសខ្វះគ្នា។ |
| Jaccard coefficient | សន្ទស្សន៍ស្ថិតិសម្រាប់វាស់ស្ទង់ភាពស្រដៀងគ្នារវាងសំណុំទិន្នន័យពីរ ដោយគណនាផលធៀបរវាងចំណុចរួម (intersection) និងចំណុចសរុប (union) នៃសំណុំទាំងពីរនោះ។ | ដូចជាការរាប់ចំនួនមិត្តភក្តិរួមគ្នារវាងអ្នកនិងមិត្តរបស់អ្នក ធៀបនឹងចំនួនមិត្តភក្តិសរុបរបស់អ្នកទាំងពីរ ដើម្បីមើលថាអ្នកទាំងពីរមានក្រុមមិត្តភក្តិដូចគ្នាច្រើនកម្រិតណា។ |
| Object-based image analysis | វិធីសាស្ត្រវិភាគរូបភាពពីចម្ងាយ (Remote Sensing) ដែលមិនផ្ដោតលើភីកសែលនីមួយៗដាច់ដោយឡែកពីគ្នា តែផ្ដោតលើបណ្តុំភីកសែលដែលបង្កើតបានជា "វត្ថុ" ដូចជាផ្ទះ ផ្លូវ ឬបឹង ដោយផ្អែកលើរូបរាង ទំហំ និងពណ៌។ | ដូចជាការសម្លឹងមើលឃើញព្រៃមួយទាំងមូល ជាជាងការផ្តោតមើលស្លឹកឈើម្តងមួយសន្លឹកៗ។ |
| Scale parameter | កត្តាកំណត់ (Parameter) ដ៏សំខាន់នៅក្នុងកម្មវិធីបែងចែករូបភាព (ដូចជា eCognition) ដែលគ្រប់គ្រងទំហំអតិបរមានៃវត្ថុដែលត្រូវបង្កើតឡើង។ តម្លៃមាត្រដ្ឋាននេះកាន់តែធំ វត្ថុដែលកាត់បានមានទំហំកាន់តែធំនិងមានចំនួនតិច។ | ដូចជាការកំណត់ទំហំក្រឡាសំណាញ់នេសាទត្រី បើក្រឡាសំណាញ់ធំ នោះយើងចាប់បានតែត្រីធំៗ តែបើក្រឡាតូច យើងអាចចាប់បានទាំងត្រីតូចៗលម្អិត។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
