បញ្ហា (The Problem)៖ ឯកសារនេះពិនិត្យមើលការវិវត្ត និងនិន្នាការចុងក្រោយបំផុតនៃការប្រើប្រាស់ប្រព័ន្ធព័ត៌មានភូមិសាស្ត្រ (GIS) និងការធ្វើម៉ូដែលលំហនៅក្នុងការស្រាវជ្រាវបុរាណវិទ្យា។ វាផ្តោតសំខាន់លើការផ្សារភ្ជាប់គម្លាតរវាងទិន្នន័យ និងការបកស្រាយ ដើម្បីស្វែងយល់ពីប្រព័ន្ធតាំងទីលំនៅសម័យរ៉ូម៉ាំងនៅឧបទ្វីបអ៊ីបេរី។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះត្រូវបានរៀបចំឡើងជាទម្រង់នៃការរំលឹកឡើងវិញនូវវិធីសាស្ត្រ (Literature Review) លើឧបករណ៍វិភាគលំហ និងបច្ចេកទេសធ្វើម៉ូដែលចុងក្រោយបង្អស់ក្នុងវិស័យបុរាណវិទ្យា។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Maximum Entropy vs. Logistic Regression (Predictive Modeling) ការប្រៀបធៀបរវាងម៉ូដែល Maximum Entropy និង Logistic Regression សម្រាប់ការទស្សន៍ទាយទីតាំង |
Maximum Entropy ផ្តល់លទ្ធផលល្អប្រសើរ និងមានប្រសិទ្ធភាពខ្ពស់ជាងនៅពេលប្រើប្រាស់ជាមួយទិន្នន័យសំណាកដែលមានទំហំតូច។ | Logistic Regression អាចមានការលំបាកក្នុងការបង្កើតម៉ូដែលដែលមានភាពសុក្រឹតខ្ពស់ នៅពេលដែលចំនួនទិន្នន័យទីតាំងមានមិនគ្រប់គ្រាន់។ | ការសិក្សារកឃើញថា Maximum Entropy មានប្រសិទ្ធភាពជាង Logistic Regression សម្រាប់ការប្រើប្រាស់ទិន្នន័យដែលមានកម្រិតក្នុងការទស្សន៍ទាយទីតាំងបុរាណវិទ្យា។ |
| Least-Cost Path (LCP) vs. Spatial Design Network Analysis (sDNA) ការវិភាគផ្លូវចំណាយតិចបំផុត (LCP) ប្រៀបធៀបនឹងការវិភាគបណ្តាញរចនាលំហ (sDNA) |
វិធីសាស្ត្រទាំងពីរនេះអាចជួយស្ថាបនាឡើងវិញប្រកបដោយប្រសិទ្ធភាពនូវបណ្តាញផ្លូវធ្វើដំណើរក្នុងអតីតកាល (ទាំងផ្លូវគោក និងផ្លូវទឹក) ដែលមិនមានសេសសល់ដានរូបវន្ត។ | ពឹងផ្អែកខ្លាំងទៅលើការបកស្រាយលក្ខណៈភូមិសាស្ត្របុរាណឱ្យបានត្រឹមត្រូវ និងទាមទារការសន្មតច្បាស់លាស់ពីអាកប្បកិរិយានៃការធ្វើដំណើររបស់មនុស្ស។ | ជោគជ័យក្នុងការរួមបញ្ចូលម៉ូដែលទាំងពីរដើម្បីបង្កើតបណ្តាញផ្លូវគោកនិងផ្លូវទឹកនៅក្នុងឈូងសមុទ្រ Cádiz និងការរកឃើញបណ្តាញផ្លូវរង (Secondary road networks) នាសម័យរ៉ូម៉ាំង។ |
| Machine Learning (CNN/Random Forests) vs. Traditional GIS ការប្រើប្រាស់ Machine Learning ប្រៀបធៀបនឹងឧបករណ៍ GIS បែបប្រពៃណី |
អាចធ្វើការកំណត់ចំណាត់ថ្នាក់ និងរកទីតាំងលក្ខណៈបុរាណវិទ្យាបានដោយស្វ័យប្រវត្តិពីទិន្នន័យទំហំធំ (Big Data) ដូចជាទិន្នន័យស្កេនពីលើអាកាសជាដើម។ | ទាមទារការកំណត់និយមន័យក្បួនដោះស្រាយឱ្យបានច្បាស់លាស់បំផុត និងទិន្នន័យបង្វឹក (Training Data) ច្រើន បើមិនដូច្នោះទេ លទ្ធផលអាចនឹងខុស ឬមិនអាចបកស្រាយបាន។ | Machine Learning (ដូចជា Random Forests និង Neural Networks) បានក្លាយជាឧបករណ៍ដ៏ទំនើបក្នុងការចាត់ថ្នាក់ទិន្នន័យរាប់ម៉ឺនទីតាំងក្នុងពេលដំណាលគ្នាយ៉ាងឆាប់រហ័ស។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការប្រើប្រាស់វិធីសាស្ត្រទាំងនេះទាមទារនូវការវិនិយោគច្រើនលើទិន្នន័យដែលមានគុណភាពខ្ពស់ និងម៉ាស៊ីនកុំព្យូទ័រដែលមានសមត្ថភាពខ្លាំងសម្រាប់ដំណើរការម៉ូដែលសិប្បនិម្មិតទំនើបៗ។
ការសិក្សានេះត្រូវបានអនុវត្តជាចម្បងលើទិន្នន័យបរិស្ថាននៃឧបទ្វីបអ៊ីបេរី (អេស្ប៉ាញ និងព័រទុយហ្គាល់) និងតំបន់អឺរ៉ុប ក្នុងអតីតកាលសម័យរ៉ូម៉ាំង ដែលទីតាំងភាគច្រើនមានលក្ខណៈភូមិសាស្ត្រស្ងួត ឬមេឌីទែរ៉ាណេ។ សម្រាប់ប្រទេសកម្ពុជា ការធ្វើម៉ូដែលនេះត្រូវតែសម្របទៅនឹងលក្ខណៈភូមិសាស្ត្រតំបន់ត្រូពិច ដែលមានព្រៃក្រាស់គ្របដណ្តប់ និងទទួលរងឥទ្ធិពលខ្យល់មូសុង ដែលធ្វើឱ្យការប្រមូលទិន្នន័យផ្ទៃដីមានការលំបាកខុសគ្នា។
វិធីសាស្ត្រទាំងនេះពិតជាមានសក្តានុពលធំធេង និងអាចយកមកអនុវត្តបានយ៉ាងល្អសម្រាប់ប្រទេសកម្ពុជា ពិសេសក្នុងការងារស្រាវជ្រាវ និងអភិរក្សបេតិកភណ្ឌ។
ជារួម បច្ចេកវិទ្យា GIS និង Machine Learning មិនត្រឹមតែជួយស្ដារឡើងវិញនូវទំព័រប្រវត្តិសាស្ត្រខ្មែរប៉ុណ្ណោះទេ តែថែមទាំងជាឧបករណ៍ដ៏សំខាន់សម្រាប់ការរៀបចំផែនការប្រើប្រាស់ដីធ្លីប្រកបដោយចីរភាពនៅកម្ពុជា។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Predictive Modelling | ដំណើរការប្រើប្រាស់ទិន្នន័យទីតាំងបុរាណវិទ្យាដែលគេបានស្គាល់រួចមកហើយ រួមបញ្ចូលជាមួយទិន្នន័យបរិស្ថាន (ដូចជាកម្ពស់ដី ប្រភពទឹក ជម្រាល) ចូលទៅក្នុងប្រព័ន្ធកុំព្យូទ័រ ដើម្បីទស្សន៍ទាយរកទីតាំងផ្សេងទៀតដែលទំនងជាមានកាកសំណល់បុរាណវិទ្យា។ | ដូចជាការសង្កេតមើលកន្លែងដែលផ្សិតដុះញឹកញាប់ (ឧទាហរណ៍ ជិតគល់ឈើ និងមានសំណើម) ដើម្បីទាយថាតើកន្លែងណាខ្លះទៀតនៅក្នុងព្រៃដែលអាចមានផ្សិតដុះ។ |
| Least-Cost Path (LCP) | ការវិភាគតាមប្រព័ន្ធភូមិសាស្ត្រ GIS ដើម្បីរកមើលផ្លូវធ្វើដំណើរដែលងាយស្រួលបំផុត ឬត្រូវចំណាយកម្លាំងតិចបំផុត រវាងទីតាំងពីរ ដោយគិតគូរលើកត្តាភូមិសាស្ត្រជាក់ស្តែងដូចជា ជម្រាលភ្នំ ព្រៃក្រាស់ និងឧបសគ្គធម្មជាតិ។ | ដូចជាកម្មវិធី Google Maps ដែលរើសផ្លូវណាដែលជៀសវាងការស្ទះចរាចរណ៍ជាងគេ ដើម្បីឱ្យយើងធ្វើដំណើរដល់គោលដៅលឿន និងចំណាយសាំងតិចបំផុត។ |
| LiDAR | បច្ចេកវិទ្យាស្កេនពីលើអាកាស (Light Detection and Ranging) ដោយប្រើពន្លឺឡាស៊ែរបាញ់ទៅលើដី ដែលអាចឆ្លុះទម្លុះគម្របព្រៃឈើ ដើម្បីបង្កើតជាផែនទីរូបរាងផ្ទៃដីពិតៗ ជួយដល់ការស្វែងរកសំណង់បុរាណដែលកប់កំបាំង។ | ដូចជាការប្រើម៉ាស៊ីនអ៊ិចរ៉េ (X-ray) ដើម្បីមើលឆ្លុះកាត់សាច់ ទៅឃើញឆ្អឹងដែលនៅខាងក្នុងរាងកាយមនុស្សអញ្ចឹងដែរ។ |
| Maximum Entropy | ជាក្បួនដោះស្រាយស្ថិតិ និង Machine Learning មួយប្រភេទដែលប្រើសម្រាប់ធ្វើម៉ូដែលទស្សន៍ទាយទីតាំង។ វាយកព័ត៌មានដែលគេដឹងច្បាស់មកគណនា និងរក្សាភាពមិនប្រាកដប្រជាឱ្យនៅខ្ពស់បំផុតចំពោះអ្វីដែលមិនទាន់ដឹង ដែលធ្វើឱ្យវាមានប្រសិទ្ធភាពខ្ពស់ទោះបីជាមានទិន្នន័យគំរូតិចតួចក្តី។ | ដូចជាអ្នកស៊ើបអង្កេតម្នាក់ដែលព្យាយាមសន្និដ្ឋានរកកន្លែងលាក់ខ្លួនរបស់ចោរ ដោយផ្អែកលើតម្រុយដ៏តិចតួចបំផុតដែលបន្សល់ទុកនៅកន្លែងកើតហេតុ ដោយមិនសន្និដ្ឋានផ្តេសផ្តាសលើរឿងដែលខ្លួនមិនដឹង។ |
| Exploratory Data Analysis (EDA) | វិធីសាស្ត្រវិភាគ និងបង្ហាញទិន្នន័យជាបឋម (ដូចជាការធ្វើតារាង ចំណាត់ថ្នាក់ និងក្រាហ្វិក) ដើម្បីស្វែងយល់ពីលំនាំ ទំនាក់ទំនង និងភាពមិនប្រក្រតីនៃទិន្នន័យ មុននឹងឈានទៅធ្វើការវិភាគស៊ីជម្រៅឬសាកល្បងសម្មតិកម្ម។ | ដូចជាចុងភៅភ្លក់រស់ជាតិគ្រឿងផ្សំ និងពិនិត្យមើលសាច់បន្លែជាមុនសិន មុននឹងសម្រេចចិត្តថាត្រូវយកវាទៅស្លជាមុខម្ហូបអ្វីឱ្យស័ក្តិសម។ |
| Random Forests | ជាក្បួន Machine Learning ដែលបង្កើតសំណុំនៃម៉ូដែលតូចៗជាច្រើនហៅថា 'ដើមឈើសម្រេចចិត្ត' (Decision Trees) រួចបូកបញ្ចូលលទ្ធផលរបស់វាចូលគ្នា ដើម្បីធ្វើចំណាត់ថ្នាក់ទិន្នន័យ ឬទស្សន៍ទាយលទ្ធផលឱ្យកាន់តែមានភាពសុក្រឹតខ្ពស់ និងកាត់បន្ថយភាពលម្អៀង។ | ដូចជាការសួរយោបល់ពីវេជ្ជបណ្ឌិតចំនួន ១០០ នាក់ផ្សេងៗគ្នាលើរោគសញ្ញាមួយ រួចយកចម្លើយដែលវេជ្ជបណ្ឌិតភាគច្រើនឆ្លើយដូចគ្នាជាការសន្និដ្ឋានចុងក្រោយ។ |
| Viewshed Analysis | ការវិភាគដោយប្រើម៉ូដែលកម្ពស់ដីក្នុងប្រព័ន្ធ GIS ដើម្បីកំណត់ទំហំផ្ទៃដីដែលអាចមើលឃើញពីចំណុចជាក់លាក់ណាមួយ (ឧទាហរណ៍ពីកំពូលភ្នំ)។ វាជារឿយៗត្រូវបានប្រើដើម្បីយល់ពីមូលហេតុដែលមនុស្សបុរាណជ្រើសរើសទីតាំងសាងសង់បន្ទាយ ឬប៉មយាមកាម។ | ដូចជាការឈរនៅលើដំបូលអគារខ្ពស់មួយ រួចគូសផែនទីចំណាំទុកថាតើកន្លែងណាខ្លះនៅលើដីដែលយើងអាចមើលឃើញ និងកន្លែងណាខ្លះដែលបាំងមិនឃើញកប់ក្រោយអគារផ្សេង។ |
| Spatial Autocorrelation | ការវាស់វែងកម្រិតនៃភាពស្រដៀងគ្នារវាងទីតាំងនានាក្នុងលំហ (Space) ដើម្បីដឹងថាវត្ថុឬបាតុភូតដែលនៅជិតគ្នា មានលក្ខណៈដូចគ្នាខ្លាំងជាងវត្ថុដែលនៅឆ្ងាយពីគ្នាឬអត់ ដែលជួយបញ្ជាក់ពីឥទ្ធិពលភូមិសាស្ត្រ។ | ដូចជាការសង្កេតឃើញថា ផ្ទះដែលនៅក្បែរៗគ្នាក្នុងភូមិភាគច្រើនមានម៉ូដ និងពណ៌ស្រដៀងៗគ្នា ជាងផ្ទះដែលស្ថិតនៅភូមិមួយផ្សេងទៀតនៅឯនាយ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
