បញ្ហា (The Problem)៖ វិធីសាស្ត្រប្រពៃណីនៃការត្រួតពិនិត្យព្រៃឈើ រួមទាំងការប្រើប្រាស់រូបភាពផ្កាយរណប ខ្វះគុណភាពបង្ហាញទំហំនិងពេលវេលាច្បាស់លាស់ ដើម្បីស្វែងរកសញ្ញាដំបូងនៃជំងឺ ការរាតត្បាតពីសត្វល្អិត និងភាពតានតឹងនៅក្នុងប្រព័ន្ធអេកូឡូស៊ីព្រៃឈើដ៏ក្រាស់។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សាស្រាវជ្រាវនេះធ្វើការពិនិត្យឡើងវិញនូវអក្សរសិល្ប៍ស្តីពីការរួមបញ្ចូល និងការអនុវត្តយានយន្តអាកាសគ្មានមនុស្សបើក (UAVs) ដែលបំពាក់ដោយកាមេរ៉ាពហុវិសាលគមសម្រាប់ការគ្រប់គ្រងព្រៃឈើក្នុងកម្រិតគុណភាពខ្ពស់។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Traditional Fieldwork / Direct Observation ការចុះសិក្សាផ្ទាល់នៅមូលដ្ឋាន / ការសង្កេតដោយផ្ទាល់ |
ទទួលបានទិន្នន័យជាក់ស្តែងនៅនឹងកន្លែង និងអាចសិក្សាបានស៊ីជម្រៅលើដើមឈើនីមួយៗ។ | ចំណាយពេលវេលាយូរ កម្លាំងពលកម្មច្រើន និងពិបាកចូលទៅកាន់តំបន់ព្រៃក្រាស់ ឬមានសណ្ឋានដីស្មុគស្មាញ។ | មានការលំបាកក្នុងការវាយតម្លៃ និងវាស់វែងការខូចខាតព្រៃឈើក្នុងទ្រង់ទ្រាយធំឱ្យបានទាន់ពេលវេលា។ |
| Satellite Imagery ការថតរូបតាមផ្កាយរណបប្រពៃណី |
អាចគ្របដណ្តប់ផ្ទៃដីបានធំទូលាយ និងស័ក្តិសមសម្រាប់ការស្រាវជ្រាវកម្រិតម៉ាក្រូ។ | គុណភាពបង្ហាញទំហំទាប (កម្រិតម៉ែត្រ) មានកម្រិតក្នុងការថតពេលមានពពកច្រើន និងមិនអាចបត់បែនពេលវេលាថតបានងាយស្រួល។ | ពិបាកប្រើប្រាស់សម្រាប់ការសិក្សាវាលដែលត្រូវការការគូសផែនទីលម្អិតកម្រិតខ្ពស់។ |
| UAV-based Multispectral Imaging ការថតរូបពហុវិសាលគមតាមរយៈយានយន្តគ្មានមនុស្សបើក (UAV) |
ផ្តល់គុណភាពរូបភាពកម្រិតសង់ទីម៉ែត្រ ងាយស្រួលបត់បែនពេលវេលាថត និងអាចកំណត់អត្តសញ្ញាណរុក្ខជាតិឈឺចាប់បានតាំងពីដំណាក់កាលដំបូង។ | គ្របដណ្តប់ផ្ទៃដីបានតូចជាងផ្កាយរណប និងទាមទារការវិនិយោគលើកាមេរ៉ាពិសេស និងអ្នកជំនាញបញ្ជា។ | កំហុសរង្វាស់ជាមធ្យម (rRMSE) សម្រាប់ការវាស់វែងវិសាលគមមានត្រឹមតែ ១៤.៥% បើធៀបនឹង ២១.៥% នៃការវាស់វែងរចនាសម្ព័ន្ធធម្មតា។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តបច្ចេកវិទ្យានេះទាមទារការវិនិយោគលើឧបករណ៍ដ្រូន កាមេរ៉ាពហុវិសាលគមកម្រិតខ្ពស់ និងជំនាញក្នុងការវិភាគទិន្នន័យ។
ឯកសារនេះគឺជាការពិនិត្យឡើងវិញនូវអក្សរសិល្ប៍ (Literature Review) ដោយពឹងផ្អែកលើការសិក្សានៅអឺរ៉ុប អាមេរិកខាងជើង និងប្រទេសអភិវឌ្ឍន៍មួយចំនួនទៀត។ វាមិនបានធ្វើតេស្តផ្ទាល់លើព្រៃឈើត្រូពិចដែលមានអាកាសធាតុក្តៅសើម និងមានភាពចម្រុះច្រើនប្រភេទដូចនៅកម្ពុជានោះទេ។ សម្រាប់កម្ពុជា ការអនុវត្តអាចប្រឈមនឹងបញ្ហាសណ្ឋានដី របាយព្រៃឈើចម្រុះ និងរដូវវស្សាដែលភ្លៀងធ្លាក់ខ្លាំង។
បច្ចេកវិទ្យានេះមានសក្តានុពលខ្ពស់ក្នុងការយកមកអនុវត្តសម្រាប់ការគ្រប់គ្រងធនធានធម្មជាតិ និងវិស័យកសិកម្មនៅប្រទេសកម្ពុជា។
ការចាប់យកបច្ចេកវិទ្យា UAV បំពាក់ដោយកាមេរ៉ាពហុវិសាលគម នឹងជួយលើកកម្ពស់ប្រសិទ្ធភាពការងាររបស់ក្រសួងបរិស្ថាន ក្រសួងកសិកម្ម និងអង្គការក្រៅរដ្ឋាភិបាលនានានៅកម្ពុជាយ៉ាងខ្លាំង។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Multispectral Camera | កាមេរ៉ាប្រភេទនេះអាចថតយករូបភាពក្នុងកម្រិតរលកពន្លឺផ្សេងៗគ្នា (រួមទាំងពន្លឺដែលភ្នែកមនុស្សមើលមិនឃើញដូចជា ក្រហមគែម និង អ៊ិនហ្វ្រារ៉េដជិត) ដើម្បីវិភាគពីសុខភាពរបស់រុក្ខជាតិបានយ៉ាងជាក់លាក់។ | វាប្រៀបដូចជាវ៉ែនតាវេទមន្តដែលអាចឱ្យយើងមើលធ្លុះដល់សុខភាពខាងក្នុងរបស់ដើមឈើ ដែលភ្នែកទទេមិនអាចមើលឃើញ។ |
| Unmanned Aerial Vehicles (UAVs) | យានយន្តគ្មានមនុស្សបើក (ឬ ដ្រូន) ដែលត្រូវបានបញ្ជាពីចម្ងាយ ឬហោះហើរដោយស្វ័យប្រវត្តិ ដើម្បីប្រមូលទិន្នន័យ ឬថតរូបភាពពីលើអាកាសសម្រាប់ការស្រាវជ្រាវ និងការគូសផែនទីព្រៃឈើ។ | វាប្រៀបដូចជាសត្វបក្សីយន្តដែលអាចហោះហើរថតរូបពីលើអាកាសដោយស្វ័យប្រវត្តិ តាមការបញ្ជារបស់យើង។ |
| Remote Sensing | ជាបច្ចេកទេសប្រមូលព័ត៌មានអំពីវត្ថុ ឬតំបន់ណាមួយពីចម្ងាយ (ជាទូទៅតាមរយៈផ្កាយរណប ដ្រូន ឬយន្តហោះ) ដោយមិនចាំបាច់មានការចុះទៅប៉ះផ្ទាល់ជាមួយវត្ថុនោះឡើយ។ | វាដូចជាការប្រើប្រាស់កែវយឹតទំនើបដើម្បីពិនិត្យមើល និងវាយតម្លៃស្ថានភាពព្រៃឈើមួយតំបន់ធំពីចម្ងាយ ដោយមិនបាច់ដើរចូលទៅផ្ទាល់។ |
| Vegetation Indices | ជារូបមន្តគណនាតាមគណិតវិទ្យាដែលប្រើប្រាស់ទិន្នន័យពន្លឺ (ដូចជាកម្រិតចំណាំងផ្លាតនៃពន្លឺក្រហម និង អ៊ិនហ្វ្រារ៉េដ) ដើម្បីវាស់ស្ទង់កម្រិតភាពបៃតង ដង់ស៊ីតេ និងភាពរឹងមាំរបស់រុក្ខជាតិ។ | វាដូចជាឧបករណ៍ទែម៉ូម៉ែត្រសម្រាប់វាស់កម្តៅដើម្បីប្រាប់ថាតើដើមឈើកំពុងតែមានសុខភាពល្អ (ពណ៌បៃតងខ្ចី) ឬកំពុងឈឺ (ពណ៌លឿង ឬស្ងួត)។ |
| Near-Infrared (NIR) | ជាប្រភេទរលកពន្លឺដែលស្ថិតនៅក្រៅវិសាលភាពនៃការមើលឃើញរបស់មនុស្ស ប៉ុន្តែត្រូវបានរុក្ខជាតិដែលមានសុខភាពល្អចំណាំងផ្លាតយ៉ាងខ្លាំង ដែលជួយអ្នកវិទ្យាសាស្ត្រក្នុងការកំណត់អត្តសញ្ញាណរុក្ខជាតិដែលមានជំងឺ។ | វាដូចជាពន្លឺសម្ងាត់មួយដែលរុក្ខជាតិមានសុខភាពល្អបញ្ចេញមក ដើម្បីប្រាប់យើងថាពួកវាលូតលាស់បានល្អ។ |
| Red Edge | ជាចន្លោះតូចមួយនៅក្នុងវិសាលគមពន្លឺរវាងពណ៌ក្រហម និងអ៊ិនហ្វ្រារ៉េដ ដែលមានភាពរសើបខ្លាំងចំពោះការប្រែប្រួលនៃសារធាតុក្លរ៉ូហ្វីល (chlorophyll) ក្នុងស្លឹកឈើ ជួយក្នុងការរកឃើញភាពតានតឹងរបស់រុក្ខជាតិទាន់ពេលវេលា។ | វាប្រៀបដូចជាសញ្ញាប្រកាសអាសន្នដំបូងបំផុតរបស់រុក្ខជាតិ នៅពេលដែលពួកវាចាប់ផ្តើមខ្វះជាតិទឹក ឬមានជំងឺដង្កូវស៊ី។ |
| Photogrammetry | វិទ្យាសាស្ត្រនៃការធ្វើការវាស់វែងច្បាស់លាស់ពីសំណុំរូបភាព ដែលអាចយកមកបង្កើតជាផែនទី 3D ឬគំរូកម្ពស់នៃផ្ទៃដី និងរចនាសម្ព័ន្ធទំហំរបស់ព្រៃឈើ។ | វាដូចជាការយករូបថតរាប់រយសន្លឹកមកផ្គុំចូលគ្នាជាល្បែងរូបផ្គុំ (Puzzle) ដើម្បីបង្កើតជាទម្រង់ព្រៃឈើ 3D មួយដ៏ល្អឥតខ្ចោះ។ |
| Spatial Resolution | ទំហំកម្រិតភាពច្បាស់នៃរូបភាព ដែលបញ្ជាក់ពីទំហំតំបន់ជាក់ស្តែងដែលត្រូវបានតំណាងដោយភីកសែល (pixel) នីមួយៗក្នុងរូបភាព។ កម្រិតកាន់តែតូច (ឧ. កម្រិតសង់ទីម៉ែត្រ) រូបភាពកាន់តែលម្អិត។ | វាប្រៀបដូចជាភាពច្បាស់នៃកញ្ចក់ទូរទស្សន៍ ដែលបើភីកសែលកាន់តែតូច យើងអាចមើលឃើញសរសៃស្លឹកឈើកាន់តែច្បាស់។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
