បញ្ហា (The Problem)៖ ការគូសផែនទីប្លង់អគារនៅក្នុងតំបន់លំនៅឋានក្រៅផ្លូវការពាក់កណ្តាលមានការលំបាកយ៉ាងខ្លាំងដោយសារភាពខុសគ្នានៃលំហរៀបចំ ដែលធ្វើឱ្យប៉ះពាល់ដល់ការរៀបចំផែនការហេដ្ឋារចនាសម្ព័ន្ធ និងការផ្តល់សេវាសាធារណៈមូលដ្ឋាន។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានវាយតម្លៃក្បួនដោះស្រាយម៉ាស៊ីនរៀន (Machine Learning) ចំនួនបីប្រភេទ ដោយប្រើប្រាស់រូបភាពផ្កាយរណបកម្រិតច្បាស់ខ្ពស់រួមបញ្ចូលជាមួយទិន្នន័យវាយនភាព ដើម្បីទាញយកទិន្នន័យអគារ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Gaussian Mixture Model (GMM) ម៉ូដែល Gaussian Mixture (GMM) |
មានប្រសិទ្ធភាពខ្ពស់បំផុតក្នុងការទាញយកប្លង់អគារ និងគែមអគារបានច្បាស់លាស់ ដោយមិនចាំបាច់ប្រើទិន្នន័យវាយនភាព (GLCM textures)។ | សមត្ថភាពថយចុះនៅពេលប្រើរួមបញ្ចូលជាមួយទិន្នន័យវាយនភាព ដែលអាចបណ្តាលឱ្យម៉ូដែលដំណើរការលើសកម្រិត (Overfit) ឬខ្វះកម្រិត (Underfit)។ | ទទួលបានភាពត្រឹមត្រូវមធ្យម ៩២,៣៨% សម្រាប់ការរកឃើញអគារ ដែលជាលទ្ធផលខ្ពស់ជាងគេបំផុត។ |
| Random Forest (RF) ម៉ូដែល Random Forest (RF) |
មានស្ថិរភាពល្អក្នុងការចាត់ថ្នាក់វត្ថុផ្សេងៗគ្នាទូទៅនៅលើរូបភាព និងទទួលបានអត្ថប្រយោជន៍ខ្ពស់នៅពេលប្រើជាមួយទិន្នន័យវាយនភាព។ | មិនសូវមានប្រសិទ្ធភាពក្នុងការកំណត់ព្រំប្រទល់ ឬគែមរបស់អគារនីមួយៗនោះទេ ជាពិសេសនៅតំបន់ដែលមានអគារកកកុញ។ | មានភាពត្រឹមត្រូវរួម (Overall Accuracy) ខ្ពស់ដល់ ៩៩,៩០% តែភាពត្រឹមត្រូវសម្រាប់ការទាញយកប្លង់អគារមានត្រឹមតែ ៧០,៥៣% ប៉ុណ្ណោះ។ |
| Support Vector Machine (SVM) ម៉ូដែល Support Vector Machine (SVM) |
ស័ក្តិសមសម្រាប់សំណុំទិន្នន័យស្មុគស្មាញ និងមានប្រសិទ្ធភាពក្នុងការកំណត់គែមអគារបានល្អប្រសើរនៅពេលប្រើជាមួយទិន្នន័យវាយនភាព GLCM។ | មានភាពត្រឹមត្រូវទាបជាងម៉ូដែល GMM ក្នុងការទាញយកអគារ ហើយចាំបាច់ត្រូវទាមទារការប្រើប្រាស់សន្ទស្សន៍វាយនភាពដើម្បីទទួលបានលទ្ធផលល្អ។ | ទទួលបានភាពត្រឹមត្រូវមធ្យម ៧៩,២៦% សម្រាប់ការរកឃើញប្លង់អគារ។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះពឹងផ្អែកជាចម្បងលើទិន្នន័យរូបភាពផ្កាយរណបកម្រិតច្បាស់ខ្ពស់ដែលមានតម្លៃថ្លៃ និងទាមទារសមត្ថភាពកុំព្យូទ័រមធ្យមក្នុងការដំណើរការម៉ូដែល Machine Learning។
ការសិក្សានេះត្រូវបានអនុវត្តនៅក្នុងតំបន់ Old Naledi រដ្ឋធានី Gaborone ប្រទេស Botswana ដែលជាលំនៅឋានក្រៅផ្លូវការពាក់កណ្តាលមានផ្ទះតូចៗកកកុញ និងគ្មានសណ្តាប់ធ្នាប់រៀបរយ។ លក្ខណៈភូមិសាស្ត្រ និងសណ្ឋានអគារទាំងនេះមានភាពប្រហាក់ប្រហែលគ្នានឹងសហគមន៍ក្រីក្រ ឬការតាំងទីលំនៅក្រៅផ្លូវការមួយចំនួននៅក្នុងប្រទេសកម្ពុជា ដែលសបញ្ជាក់ថាម៉ូដែល GMM ពិតជាមានសក្តានុពលក្នុងការយកមកអនុវត្តក្នុងបរិបទប្រទេសយើង។
វិធីសាស្ត្រនៃការប្រើប្រាស់រូបភាពផ្កាយរណប និង Machine Learning នេះ មានសារៈសំខាន់ និងអាចយកមកអនុវត្តបានយ៉ាងល្អសម្រាប់ប្រទេសកម្ពុជា ក្នុងការអភិវឌ្ឍន៍ទីក្រុង និងការគ្រប់គ្រងហេដ្ឋារចនាសម្ព័ន្ធ។
ជារួម ការប្រើប្រាស់រូបភាពផ្កាយរណបកម្រិតច្បាស់ខ្ពស់រួមជាមួយក្បួនដោះស្រាយ GMM គឺជាដំណោះស្រាយទំនើបដែលចំណាយពេលវេលា និងថវិកាតិចជាងការចុះវាស់វែងផ្ទាល់ សម្រាប់ការធ្វើបច្ចុប្បន្នភាពទិន្នន័យនគរូបនីយកម្មនៅកម្ពុជា។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Gaussian Mixture Model (GMM) | ជាក្បួនដោះស្រាយម៉ាស៊ីនរៀនដោយគ្មានការត្រួតពិនិត្យ (Unsupervised Machine Learning) ដែលធ្វើការបែងចែកទិន្នន័យជាក្រុមៗ (Clusters) ដោយស្វ័យប្រវត្តិ ដោយផ្អែកលើការចែកចាយស្ថិតិបែប Gaussian នៃកម្រិតពណ៌ឬវាយនភាពក្នុងរូបភាព។ | ដូចជាការបែងចែកសិស្សក្នុងថ្នាក់ជាក្រុមៗដោយស្វ័យប្រវត្តិ ដោយផ្អែកលើកម្ពស់ និងទម្ងន់របស់ពួកគេ ដោយមិនចាំបាច់មានគ្រូប្រាប់មុនថានរណានៅក្រុមណានោះទេ។ |
| Gray-Level Co-Occurrence Matrix (GLCM) | ជាវិធីសាស្ត្រគណិតវិទ្យាសម្រាប់វិភាគ "វាយនភាព" (Texture) នៃរូបភាពផ្កាយរណប ដោយវាស់ស្ទង់ថាតើភីកសែល (Pixels) ដែលមានកម្រិតពណ៌ប្រផេះដូចគ្នាច្រើនតែកើតមាននៅក្បែរគ្នាក្នុងទម្រង់បែបណា ដើម្បីសម្គាល់វត្ថុផ្សេងៗគ្នា។ | ដូចជាការស្ទាបក្រណាត់ពីរប្រភេទដោយបិទភ្នែក ដើម្បីដឹងថាវារលោង ឬគ្រើម ដោយមិនបាច់ពឹងផ្អែកលើការមើលពណ៌របស់វានោះទេ។ |
| Pan-sharpening | ជាបច្ចេកទេសបូកបញ្ចូលគ្នារវាងរូបភាពសខ្មៅដែលមានកម្រិតច្បាស់ខ្ពស់ (Panchromatic) និងរូបភាពពណ៌ដែលមានកម្រិតច្បាស់ទាប (Multispectral) ដើម្បីបង្កើតជារូបភាពពណ៌ថ្មីមួយដែលមានភាពច្បាស់លាស់ខ្លាំងក្នុងការទាញយកប្លង់អគារ។ | ដូចជាការយកគំនូរព្រាងខ្មៅដៃដែលគូសបានលម្អិតច្បាស់ មកផាត់ពណ៌ពីលើរូបភាពដែលព្រិលៗ ដើម្បីទទួលបានគំនូរពណ៌ថ្មីមួយដែលច្បាស់និងលម្អិត។ |
| Random Forest (RF) | ជាក្បួនដោះស្រាយម៉ាស៊ីនរៀនដែលបង្កើត "ដើមឈើសម្រេចចិត្ត" (Decision Trees) តូចៗជាច្រើន ហើយយកលទ្ធផលទស្សន៍ទាយពីដើមឈើទាំងអស់នោះមកបោះឆ្នោតជ្រើសរើសចម្លើយរួមមួយដែលត្រឹមត្រូវបំផុត ដើម្បីចាត់ថ្នាក់វត្ថុក្នុងរូបភាព។ | ដូចជាការសួរមតិពីអ្នកជំនាញចំនួន ១០០ នាក់ អំពីបញ្ហាមួយ រួចយកចម្លើយដែលអ្នកជំនាញភាគច្រើនយល់ស្របគ្នាធ្វើជាសេចក្តីសន្និដ្ឋានចុងក្រោយ។ |
| Support Vector Machine (SVM) | ជាម៉ូដែលម៉ាស៊ីនរៀនដែលព្យាយាមស្វែងរកបន្ទាត់ ឬប្លង់ (Hyperplane) ដ៏ល្អបំផុតមួយ ដើម្បីខណ្ឌចែកចំណាត់ថ្នាក់ទិន្នន័យ (ឧទាហរណ៍៖ អគារ និង មិនមែនអគារ) ជាពីរក្រុមដាច់ពីគ្នាបានច្បាស់លាស់បំផុត។ | ដូចជាការគូសបន្ទាត់មួយនៅលើតុដើម្បីបំបែកក្រុមផ្លែប៉ោម និងក្រុមផ្លែក្រូច ឱ្យនៅឆ្ងាយពីគ្នាឲ្យបានច្រើនបំផុតតាមដែលអាចធ្វើទៅបាន ដើម្បីកុំឱ្យច្រឡំគ្នា។ |
| Multispectral Image (MSI) | ជារូបភាពផ្កាយរណបដែលថតយកទិន្នន័យចំណាំងផ្លាតពន្លឺតាមប្រេកង់រលកផ្សេងៗគ្នា (ដូចជាពណ៌ក្រហម បៃតង ខៀវ និងពន្លឺអ៊ីនហ្វ្រារ៉េដ) ដែលជួយឲ្យម៉ាស៊ីនកុំព្យូទ័រអាចបែងចែកប្រភេទវត្ថុនៅលើដីបានកាន់តែច្បាស់។ | ដូចជាការប្រើវ៉ែនតាវេទមន្តដែលអាចឲ្យយើងមើលឃើញរលកកម្ដៅ ឬប្រភេទរុក្ខជាតិ ដែលភ្នែកធម្មតាមនុស្សយើងមិនអាចមើលឃើញ។ |
| Semi-Informal Settlements | ជាតំបន់លំនៅឋានដែលសាងសង់ដោយមិនមានការរៀបចំផែនការទីក្រុងត្រឹមត្រូវ សំណង់កកកុញ និងខ្វះខាតហេដ្ឋារចនាសម្ព័ន្ធសាធារណៈមូលដ្ឋាន ប៉ុន្តែមិនមែនជាការតាំងទីលំនៅអនាធិបតេយ្យទាំងស្រុងនោះទេ។ | ដូចជាភូមិ ឬសហគមន៍ដែលប្រជាជនសង់ផ្ទះតាមចិត្តដោយគ្មានប្លង់និងផ្លូវខ្វាត់ខ្វែង ប៉ុន្តែពួកគេរស់នៅទីនោះយូរមកហើយនិងមានផ្ទះសំបែងរឹងមាំគួរសម។ |
| WorldView-2 (WV2) | ជាផ្កាយរណបពាណិជ្ជកម្មសម្រាប់សង្កេតមើលផែនដីដែលផ្តល់រូបភាពក្នុងកម្រិតច្បាស់ខ្ពស់បំផុត (Resolution 0.46m សម្រាប់រូបភាពសខ្មៅ) ដែលអាចឱ្យគេកំណត់ទីតាំង និងគែមអគារតូចៗបានយ៉ាងច្បាស់។ | ដូចជាកែវយឺតដ៏មានអានុភាពខ្លាំងបំពាក់លើលំហអាកាស ដែលអាចចាប់យករូបភាពដំបូលផ្ទះរបស់អ្នកពីលើមេឃបានយ៉ាងច្បាស់កម្រិត HD។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
