បញ្ហា (The Problem)៖ ការសិក្សានេះដោះស្រាយលើបញ្ហានៃការវាយតម្លៃ និងស្វែងរកឧបករណ៍កម្មវិធីកូដចំហ (Open-source tools) ដែលមានប្រសិទ្ធភាពបំផុតសម្រាប់វិភាគទិន្នន័យស្កេន 3D (LiDAR) ដើម្បីទាញយករង្វាស់បញ្ជីសារពើភណ្ឌព្រៃឈើក្នុងបរិបទឧស្សាហកម្មព្រៃឈើខ្នាតធំ។
វិធីសាស្ត្រ (The Methodology)៖ អ្នកស្រាវជ្រាវបានធ្វើការវាយតម្លៃ និងប្រៀបធៀបឧបករណ៍កូដចំហរាប់សិបប្រភេទ ដោយប្រើប្រាស់ទិន្នន័យស្កេនជាក់ស្តែងពីព្រៃស្រល់ក្នុងដំណាក់កាលលូតលាស់ចំនួនបីផ្សេងគ្នា។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| TreeLS កញ្ចប់កម្មវិធី TreeLS ផ្អែកលើ R សម្រាប់ការវិភាគទិន្នន័យ LiDAR ព្រៃឈើ |
មានដំណើរការលឿនខ្លាំង (ប្រើពេលជាមធ្យមត្រឹម ៧ នាទីសម្រាប់ T3) និងមានភាពសុក្រឹតខ្ពស់បំផុតក្នុងការរកទីតាំងដើមឈើនៅដំណាក់កាលព្រៃក្មេង (T1, T2)។ ផ្តល់លទ្ធផល DBH ល្អបំផុតសម្រាប់ព្រៃចាស់។ | ដំណើរការមិនសូវបានល្អសម្រាប់ព្រៃចាស់ (T3) ក្នុងការកំណត់ទីតាំងដើមឈើបើធៀបនឹង FSCT។ | អត្រាចាប់បានទីតាំងដើមឈើ (Hit Rate) ៩៨.៧% (T1) និងកម្រិតលម្អៀង DBH ទាបបំផុតត្រឹម ១.១៨ ស.ម (T3)។ |
| FSCT (Forest Structural Complexity Tool) ឧបករណ៍ FSCT ផ្អែកលើ Python និង Deep Learning (PointNet++) |
មានប្រសិទ្ធភាពខ្ពស់ក្នុងការកំណត់ទីតាំងដើមឈើក្នុងព្រៃចាស់ (T3) និងវាស់ DBH ក្នុងព្រៃក្មេង (T1) ដោយមានសមត្ថភាពច្រោះយកគុម្ពោតព្រៃតូចៗចេញបានល្អ។ | ទាមទារពេលវេលាដំណើរការយូរខ្លាំង (រហូតដល់ ១៨២ នាទីសម្រាប់ T3) និងតែងតែវាស់កម្ពស់ដើមឈើទាបជាងការពិត។ | អត្រាចាប់បានទីតាំងដើមឈើ ៩៩.១% (T3) និងកម្រិតលម្អៀង DBH ទាបបំផុតនៅដំណាក់កាល T1 (RMSE ៧.២៣ ស.ម)។ |
| TreeQSM ឧបករណ៍ TreeQSM ផ្អែកលើ MATLAB សម្រាប់បង្កើតទម្រង់ដើមឈើ Quantitative Structure Models (QSM) |
មានភាពសុក្រឹតខ្ពស់បំផុតក្នុងការវាស់កម្ពស់ដើមឈើសម្រាប់ព្រៃវ័យក្មេង និងមធ្យម (T1, T2)។ | ត្រូវការអាជ្ញាប័ណ្ណកម្មវិធី MATLAB (ទោះបីជាកូដខ្លួនឯងជា Open-source ក៏ដោយ)។ មិនសូវល្អក្នុងការវាស់ DBH ដូច TreeLS ទេ។ | កម្រិតលម្អៀងនៃការវាស់កម្ពស់ (RMSE) ទាបបំផុតត្រឹម ១.៣២ ម៉ែត្រ សម្រាប់គម្រូទាំងអស់ និងល្អបំផុតនៅ T2។ |
| ITSMe កញ្ចប់កម្មវិធី ITSMe ផ្អែកលើ R សម្រាប់ការទាញយករង្វាស់រចនាសម្ព័ន្ធដើមឈើ |
មានភាពសុក្រឹតខ្ពស់ក្នុងការវាស់កម្ពស់ដើមឈើសម្រាប់ព្រៃវ័យចាស់ (T3) ដោយអាចគណនាកម្ពស់ដី (DTM) បានល្អពេលមានរុក្ខជាតិគម្របដីស្មុគស្មាញ។ | មានកម្រិតលម្អៀងខ្ពស់បំផុត និងលំអៀងវិជ្ជមានខ្លាំង (Overestimation) ក្នុងការវាស់អង្កត់ផ្ចិត (DBH)។ | ផ្តល់លទ្ធផលវាស់កម្ពស់ល្អបំផុតនៅដំណាក់កាល T3 ជាមួយនឹងអត្រាលម្អៀង (RMSE) ១.៦៩ ម៉ែត្រ។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការវិភាគទិន្នន័យ 3D Point Cloud ទាមទារកុំព្យូទ័រដែលមានកម្លាំងម៉ាស៊ីនខ្លាំង ជាពិសេសទំហំ RAM ធំដើម្បីគ្រប់គ្រងទិន្នន័យរាប់លានចំណុច ព្រមទាំងទាមទារជំនាញផ្នែកសរសេរកូដដើម្បីរៀបចំខ្សែចង្វាក់ការងារ។
ការសិក្សានេះត្រូវបានធ្វើឡើងផ្តោតសំខាន់ទៅលើតែតំបន់ព្រៃស្រល់ប្រភេទ Radiata pine ដែលដាំដុះជាលក្ខណៈឯកត្តកម្ម (Monoculture) ក្នុងរដ្ឋ South Australia ដែលមានរចនាសម្ព័ន្ធដើមឈើស្រដៀងៗគ្នា។ ទិន្នន័យនិងការកំណត់រចនាសម្ព័ន្ធ (Calibration) នេះមិនឆ្លុះបញ្ចាំងពីភាពស្មុគស្មាញនៃព្រៃឈើចម្រុះប្រភេទ (Mixed-species forests) ឬព្រៃស្រោងនៅប្រទេសកម្ពុជានោះទេ ដែលទាមទារឱ្យមានការសាកល្បង និងកែសម្រួលឡើងវិញយ៉ាងហ្មត់ចត់មុននឹងយកមកប្រើប្រាស់ក្នុងស្រុក។
ទោះបីជាមានភាពខុសគ្នានៃបរិស្ថានព្រៃឈើក៏ដោយ វិធីសាស្ត្ររួមបញ្ចូលឧបករណ៍កូដចំហទាំងនេះមានសក្តានុពលខ្ពស់ខ្លាំងសម្រាប់ប្រទេសកម្ពុជា ក្នុងការធ្វើទំនើបកម្មការគ្រប់គ្រងព្រៃឈើ និងគម្រោងទាក់ទងនឹងអាកាសធាតុ។
ជារួម ការប្រើប្រាស់កម្មវិធី Open-source បន្សំជាមួយបច្ចេកវិទ្យា LiDAR ផ្តល់នូវដំណោះស្រាយប្រកបដោយនវានុវត្តន៍ ចំណាយទាប និងប្រសិទ្ធភាពខ្ពស់ សម្រាប់ការតាមដាននិងប្រមូលទិន្នន័យព្រៃឈើនៅកម្ពុជា ប្រសិនបើវាត្រូវបានបន្សាំឱ្យស្របនឹងបរិបទព្រៃឈើចម្រុះក្នុងតំបន់។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| LiDAR (Light Detection and Ranging) | បច្ចេកវិទ្យាប្រើប្រាស់ពន្លឺឡាស៊ែរដើម្បីវាស់ចម្ងាយពីម៉ាស៊ីនស្កេនទៅវត្ថុផ្សេងៗ ដោយបង្កើតបានជាទិន្នន័យផែនទី 3D នៃមជ្ឈដ្ឋានជុំវិញ (ក្នុងករណីនេះគឺព្រៃឈើ) ដែលអនុញ្ញាតឱ្យកុំព្យូទ័រអាចវិភាគរចនាសម្ព័ន្ធដើមឈើ កម្ពស់ និងទំហំបានយ៉ាងលម្អិត។ | ដូចជាសត្វប្រចៀវបញ្ចេញសំឡេងក្នុងទីងងឹត ហើយរាប់វិនាទីដែលសំឡេងខ្ទាតត្រឡប់មកវិញ ដើម្បីដឹងថាវត្ថុនៅឆ្ងាយប៉ុណ្ណា និងមានរូបរាងបែបណា។ |
| Point Cloud | បណ្តុំនៃចំណុចទិន្នន័យរាប់លាននៅក្នុងលំហ 3D ដែលចំណុចនីមួយៗមានកូអរដោណេ (X, Y, Z) តំណាងឱ្យផ្ទៃនៃវត្ថុដែលម៉ាស៊ីន LiDAR ស្កេនប៉ះ។ កម្មវិធីកុំព្យូទ័រប្រើប្រាស់ចំណុចទាំងនេះដើម្បីបង្កើតជារូបរាងដើមឈើឌីជីថល។ | ដូចជាគំនូរដែលគូរដោយចំណុចតូចៗរាប់លានផ្តុំគ្នាបង្កើតបានជារូបភាព 3D នៃដើមឈើមួយដើមនៅចំពោះមុខយើង។ |
| Stem Segmentation | ដំណើរការនៃការប្រើប្រាស់ក្បួនអាល់កូរីតកុំព្យូទ័រ ដើម្បីបំបែកនិងសម្គាល់ចំណុចទិន្នន័យ (Point Cloud) ជាក្រុមៗ ថាតើចំណុចណាជារបស់ដើមឈើទី១ ចំណុចណាជារបស់ដើមឈើទី២ និងចំណុចណាជាមែក ឬស្លឹក។ វាជាជំហានដំបូងដ៏សំខាន់មុននឹងអាចវាស់ទំហំដើមឈែនីមួយៗបាន។ | ដូចជាការរើសញែកគ្រាប់សណ្តែកខៀវនិងសណ្តែកក្រហមចេញពីគ្នាក្នុងកន្ត្រកតែមួយ ដោយប្រាប់កុំព្យូទ័រឱ្យស្គាល់ថាគ្រាប់ណារបស់ដើមមួយណា។ |
| Diameter at Breast Height (DBH) | រង្វាស់អង្កត់ផ្ចិតនៃគល់ឈើដែលគេវាស់នៅកម្ពស់ស្តង់ដារប្រមាណ ១.៣ ម៉ែត្រពីលើដី។ វាជារង្វាស់ដ៏សំខាន់បំផុតមួយក្នុងវិស័យគ្រប់គ្រងព្រៃឈើ សម្រាប់គណនាទំហំ បរិមាណឈើ ដែលអាចទាញយកបាន និងស្តុកកាបូន។ | ដូចជាការវាស់ទំហំចង្កេះរបស់មនុស្សនៅត្រឹមផ្ចិត ដើម្បីដឹងថាមនុស្សនោះមានទំហំប៉ុនណា និងត្រូវការសម្លៀកបំពាក់ទំហំប៉ុនណា។ |
| Quantitative Structure Models (QSMs) | ការសាងសង់ទម្រង់គណិតវិទ្យា 3D នៃដើមឈើដោយប្រើរាងស៊ីឡាំងតូចៗតភ្ជាប់គ្នា ដើម្បីតំណាងឱ្យគល់ មែក និងមែកធាងតូចៗ ដែលជួយក្នុងការគណនាមាឌឈើ និងស្វែងយល់ពីរចនាសម្ព័ន្ធដើមឈើបានយ៉ាងលម្អិតបំផុត។ | ដូចជាការយកបំពង់ជ័រ (ទុយោ) ច្រើនទំហំមកតភ្ជាប់គ្នាជាទម្រង់ដើមឈើ ដើម្បីងាយស្រួលគណនាថាតើត្រូវប្រើជ័រអស់ប៉ុន្មានកាឡុង។ |
| Simultaneous Location and Mapping (SLAM) | បច្ចេកវិទ្យាដែលអនុញ្ញាតឱ្យឧបករណ៍ស្កេន (ដូចជាម៉ាស៊ីនកាបូបស្ពាយ Hovermap) អាចគូសផែនទីមជ្ឈដ្ឋានជុំវិញខ្លួនបណ្តើរ និងដឹងពីទីតាំងខ្លួនឯងនៅក្នុងផែនទីនោះបណ្តើរ ក្នុងពេលតែមួយ ដោយមិនពឹងផ្អែកលើប្រព័ន្ធ GPS ដែលជារឿយៗបាត់សេវានៅក្រោមដើមឈើធំៗ។ | ដូចជាមនុស្សម្នាក់ដើរចូលក្នុងរូងភ្នំងងឹតដែលមិនធ្លាប់ស្គាល់ ហើយចងចាំផ្លូវដើរបណ្តើរ ព្រមទាំងគូសផែនទីរូងភ្នំនោះក្នុងខួរក្បាលបណ្តើរ។ |
| Subsampling | វិធីសាស្ត្រក្នុងការកាត់បន្ថយចំនួនចំណុចទិន្នន័យ (Point Cloud) ដែលក្រាស់ពេកឱ្យនៅស្តើងជាងមុន ដើម្បីកាត់បន្ថយទំហំឯកសារ និងសម្រួលដល់ដំណើរការកុំព្យូទ័រ ដោយរក្សាទុកតែទម្រង់រាងដើមសំខាន់ៗ ជៀសវាងម៉ាស៊ីនគាំង (Out of memory) ពេលកុំព្យូទ័រខ្សោយ។ | ដូចជាការសង្ខេបសៀវភៅ ១០០០ ទំព័រ មកត្រឹម ១០០ ទំព័រ ដោយកាត់ចោលពាក្យរៀបរាប់មិនចាំបាច់ តែរក្សាទុកអត្ថន័យសំខាន់ៗដដែល ដើម្បីងាយស្រួលអានឆាប់ចប់។ |
| Root Mean Squared Error (RMSE) | រង្វាស់ស្តង់ដារខាងស្ថិតិដែលប្រើសម្រាប់គណនាទំហំនៃកំហុស ឬភាពលម្អៀងរវាងទិន្នន័យដែលគណនាដោយកម្មវិធីកុំព្យូទ័រ និងទិន្នន័យដែលចុះវាស់ផ្ទាល់ដោយមនុស្ស។ តម្លៃ RMSE កាន់តែតូច មានន័យថាកម្មវិធីកុំព្យូទ័រកាន់តែមានភាពសុក្រឹត។ | ដូចជាការបាញ់ព្រួញទៅកាន់ផ្ទាំងស៊ីប ហើយវាស់ចម្ងាយមធ្យមពីគ្រាប់ព្រួញនីមួយៗទៅកាន់ចំណុចកណ្តាលស៊ីប ដើម្បីដឹងថាអ្នកបាញ់ខុសគោលដៅប៉ុន្មានសង់ទីម៉ែត្រ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
