បញ្ហា (The Problem)៖ ការស្រាវជ្រាវនេះដោះស្រាយបញ្ហាប្រឈមក្នុងការកំណត់អត្តសញ្ញាណ និងចាត់ថ្នាក់ប្រភេទដើមឈើព្រៃឈើចម្រុះនៅតំបន់ត្រូពិចដែលមានតម្លៃសេដ្ឋកិច្ចខ្ពស់ ដើម្បីគាំទ្រដល់ជីវភាពសហគមន៍ជនបទ និងការគ្រប់គ្រងធនធានធម្មជាតិ។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានរួមបញ្ចូលគ្នានូវការវិភាគរូបភាពផ្អែកលើវត្ថុ (OBIA) ជាមួយនឹងបណ្តាញសរសៃប្រសាទសិប្បនិម្មិតសម្រាប់ការបែងចែកអត្ថន័យ (Semantic Segmentation) លើរូបភាពផ្កាយរណបកម្រិតច្បាស់ខ្ពស់។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Object-Based Image Analysis (OBIA) with GASC ការវិភាគរូបភាពផ្អែកលើវត្ថុ (OBIA) រួមជាមួយនឹងការវិភាគក្រាហ្វិកចំណាំងផ្លាតវិសាលគម (GASC) |
អាចបង្កើតរបាំងទិន្នន័យ (Masks) ដោយពាក់កណ្តាលស្វ័យប្រវត្តិលឿនជាងការធ្វើដោយដៃ និងប្រើប្រាស់លក្ខណៈពិសេសប្លែកៗដូចជា រាង ទំហំ និងពណ៌នៃមកុដដើមឈើ។ | ទាមទារការកែសម្រួលដោយមនុស្ស (Interactive editing) ដើម្បីលុបបំបាត់កំហុស និងនៅមានការលាយឡំគ្នានៃប្រភេទដើមឈើមួយចំនួន។ | បង្កើតបានជាទិន្នន័យបណ្តុះបណ្តាល (Training dataset) ដែលមានគុណភាពខ្ពស់សម្រាប់បន្តទៅកាន់ម៉ូដែលសិក្សាស៊ីជម្រៅ។ |
| DeepLabV3+ (Semantic Segmentation) ម៉ូដែលសិក្សាស៊ីជម្រៅ DeepLabV3+ សម្រាប់ការបែងចែកអត្ថន័យ |
ជាប្រព័ន្ធស្វ័យប្រវត្តិពេញលេញ មានប្រសិទ្ធភាពខ្ពស់ក្នុងការទាញយកមកុដដើមឈើ និងអាចចាប់យកព័ត៌មានលម្អិតនៃរូបភាពបានយ៉ាងល្អ។ | ត្រូវការទិន្នន័យបណ្តុះបណ្តាល (Ground-truth data) ច្រើន និងប្រើប្រាស់ថាមពលកុំព្យូទ័រខ្ពស់សម្រាប់ការបណ្តុះបណ្តាល។ | ទទួលបានសន្ទស្សន៍ IoU 0.806 កម្រិត Kappa 0.813 ជាមួយនឹងកំហុសអវត្តមាន (Omission error) ត្រឹមតែ 3% និងកំហុសកម្រៃជើងសារ (Commission error) 8% ។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តវិធីសាស្ត្រនេះទាមទារនូវធនធានបច្ចេកវិទ្យា ទិន្នន័យកម្រិតច្បាស់ខ្ពស់ដែលមានតម្លៃថ្លៃ និងឧបករណ៍សម្រាប់ចុះប្រមូលទិន្នន័យផ្ទាល់នៅទីវាល។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅក្នុងតំបន់ព្រៃល្បោះចម្រុះនៃខេត្ត Nagpur ប្រទេសឥណ្ឌា ដោយផ្តោតលើប្រភេទដើមឈើត្រូពិចចំនួន ៤ ប្រភេទប៉ុណ្ណោះ។ ទោះបីជាកម្ពុជាមានប្រភេទដើមឈើដូចគ្នា (ឧទាហរណ៍៖ ដើមម៉ៃសាក់ និងឫស្សី) ក៏ដោយ ក៏លក្ខណៈនៃមកុដដើមឈើអាចប្រែប្រួលទៅតាមអាកាសធាតុ និងប្រភេទដី។ ការយកមកអនុវត្តផ្ទាល់នៅកម្ពុជាអាចនឹងមានភាពលម្អៀង (Bias) ប្រសិនបើមិនមានការប្រមូលទិន្នន័យមូលដ្ឋានក្នុងស្រុកមកបង្វឹកម៉ូដែលឡើងវិញទេ។
វិធីសាស្ត្រនេះមានសក្តានុពលខ្ពស់ណាស់ក្នុងការយកមកអនុវត្តនៅប្រទេសកម្ពុជា ជាពិសេសសម្រាប់ការគ្រប់គ្រងធនធានព្រៃឈើ និងការគាំទ្រដល់ជីវភាពសហគមន៍ជនបទ។
ការរួមបញ្ចូលគ្នានូវទិន្នន័យផ្កាយរណបកម្រិតច្បាស់ខ្ពស់ និងបច្ចេកវិទ្យាបញ្ញាសិប្បនិម្មិត (AI) នឹងផ្តល់នូវដំណោះស្រាយប្រកបដោយភាពច្នៃប្រឌិត និងភាពត្រឹមត្រូវខ្ពស់សម្រាប់ការត្រួតពិនិត្យធនធានព្រៃឈើនៅក្នុងប្រទេសកម្ពុជា។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Semantic segmentation | ដំណើរការបែងចែករូបភាពទៅជាផ្នែកតូចៗ (pixels) ដោយកំណត់អត្តសញ្ញាណថាភីកសែលនីមួយៗជារបស់វត្ថុអ្វី (ឧទាហរណ៍៖ ដើមឈើ ផ្លូវ ឬដីទទេ) ជាជាងគ្រាន់តែគូសប្រអប់ព័ទ្ធជុំវិញវត្ថុ។ | ដូចជាការផាត់ពណ៌លើរូបភាពសខ្មៅ ដោយប្រើពណ៌ខុសៗគ្នាសម្រាប់វត្ថុខុសៗគ្នា (ពណ៌បៃតងសម្រាប់ដើមឈើ ពណ៌ត្នោតសម្រាប់ដី) ដើម្បីឱ្យកុំព្យូទ័រយល់ពីអ្វីដែលមានក្នុងរូបភាពយ៉ាងលម្អិត។ |
| Object-based image analysis (OBIA) | បច្ចេកទេសវិភាគរូបភាពដោយផ្តុំភីកសែល (pixels) ដែលមានលក្ខណៈស្រដៀងគ្នា (ពណ៌ រូបរាង ទំហំ) ទៅជា "វត្ថុ" តែមួយ រួចទើបធ្វើចំណាត់ថ្នាក់វត្ថុនោះ ជំនួសឱ្យការវិភាគលើភីកសែលនីមួយៗដាច់ដោយឡែកពីគ្នា។ | ដូចជាការលេងរូបផ្គុំ (Jigsaw puzzle) ដែលយើងមិនមើលត្រឹមតែចំណុចពណ៌តូចៗទេ តែយើងផ្តុំបំណែកដែលមានពណ៌និងរាងស្រដៀងគ្នាចូលគ្នា ដើម្បីដឹងថាវាជារូបអ្វីឱ្យប្រាកដ។ |
| Intersection over Union (IoU) | រង្វាស់សម្រាប់វាស់ស្ទង់ភាពត្រឹមត្រូវនៃម៉ូដែលបញ្ញាសិប្បនិម្មិតក្នុងការកាត់ព្រំដែនវត្ថុ ដោយគណនាផលធៀបរវាងផ្ទៃដែលម៉ូដែលទាយត្រូវត្រួតស៊ីគ្នាជាមួយផ្ទៃពិតប្រាកដ (Intersection) ធៀបនឹងផ្ទៃសរុបទាំងពីរបញ្ចូលគ្នា (Union)។ | ដូចជាការប្រៀបធៀបគំនូរដែលអ្នកគូសត្រាប់តាមរូបដើម ប្រសិនបើគំនូររបស់អ្នកត្រួតស៊ីគ្នាបេះបិទជាមួយរូបដើម នោះពិន្ទុ IoU នឹងខ្ពស់បំផុត (១០០%)។ |
| Graphic analysis of spectral reflectance curve (GASC) | ការវិភាគក្រាហ្វិកនៃខ្សែកោងចំណាំងផ្លាតពន្លឺ ដើម្បីស្វែងរកលក្ខណៈសម្គាល់ពិសេសរបស់ប្រភេទដើមឈើនីមួយៗ ផ្អែកលើរបៀបដែលស្លឹករបស់វាស្រូប និងចំណាំងផ្លាតរលកពន្លឺផ្សេងៗគ្នា (ដូចជាពន្លឺក្រហម ឬពន្លឺក្រៅតំបន់មើលឃើញ)។ | ដូចជាការប្រើម៉ាស៊ីនស្កេនក្រសែភ្នែក ឬស្នាមម្រាមដៃ ដើម្បីបែងចែកមនុស្សម្នាក់ពីម្នាក់ទៀត ដោយដើមឈើនីមួយៗមាន "ស្នាមម្រាមដៃពន្លឺ" រៀងៗខ្លួន។ |
| Pléiades Neo | ប្រព័ន្ធផ្កាយរណបសង្កេតផែនដីរបស់អឺរ៉ុប ដែលមានសមត្ថភាពផ្តិតយករូបភាពក្នុងកម្រិតច្បាស់ខ្ពស់ខ្លាំង (ទំហំដល់ទៅ ៣០ សង់ទីម៉ែត្រក្នុងមួយភីកសែល) ដែលអនុញ្ញាតឱ្យគេអាចមើលឃើញមកុដដើមឈើនីមួយៗបានយ៉ាងច្បាស់ពីលំហ។ | ដូចជាកែវយឹតដ៏មានអានុភាពខ្លាំងបំពាក់លើលំហអាកាស ដែលអាចថតរូបផ្ទៃដីបានច្បាស់រហូតដល់អាចមើលឃើញដំបូលផ្ទះ ឬដើមឈើមួយដើមៗបាន។ |
| Non-timber forest products (NTFPs) | អនុផលព្រៃឈើ ឬផលិតផលទាំងឡាយណាដែលប្រមូលបានពីព្រៃក្រៅពីឈើមានតម្លៃសម្រាប់យកទៅសាងសង់ ដូចជា ផ្លែឈើ គ្រាប់ ជ័រ វល្លិ៍ ឫស្សី និងរុក្ខជាតិឱសថ ដែលមានសារៈសំខាន់ខ្លាំងសម្រាប់សេដ្ឋកិច្ចនិងជីវភាពសហគមន៍មូលដ្ឋាន។ | គឺជារបស់របរទាំងអស់ដែលព្រៃឈើផ្តល់ឱ្យក្រៅពីឈើធំៗ ដូចជាផ្សិត ទឹកឃ្មុំ ឬទំពាំង ដែលអ្នកស្រុកអាចរកបានដើម្បីហូប ឬលក់ដោយមិនបាច់កាប់រំលំដើមឈើ។ |
| Data augmentation | បច្ចេកទេសបំប្លែងទិន្នន័យដើម (ដូចជាការបង្វិល បង្រួម ពង្រីក ឬប្តូរពន្លឺរូបភាព) ដើម្បីបង្កើតទិន្នន័យថ្មីៗបន្ថែមសម្រាប់យកទៅបង្វឹកម៉ូដែល AI ជួយការពារកុំឱ្យម៉ូដែលទន្ទេញចាំតែរូបភាពចាស់ៗ (Overfitting)។ | ដូចជាការបង្រៀនក្មេងឱ្យស្គាល់សត្វឆ្មា ដោយបង្ហាញរូបឆ្មាពីមុខ ពីចំហៀង ពេលដេក និងពេលរត់ ដើម្បីឱ្យក្មេងអាចចំណាំសត្វឆ្មាបានទោះវានៅក្នុងស្ថានភាពបែបណាក៏ដោយ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
