បញ្ហា (The Problem)៖ ឯកសារនេះដោះស្រាយបញ្ហាភាពត្រឹមត្រូវទាប និងតម្រូវការក្នុងការកំណត់ប៉ារ៉ាម៉ែត្រដោយដៃច្រើន នៅក្នុងវិធីសាស្ត្រទាញយកដើមឈើនីមួយៗពីទិន្នន័យពពកចំណុច (Point clouds) របស់ UAV LiDAR ក្នុងបរិស្ថានព្រៃឈើដែលមានភាពស្មុគស្មាញ។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះស្នើឡើងនូវវិធីសាស្ត្របែងចែក Mean Shift ដោយស្វ័យប្រវត្តិ ដែលអាចគណនាទំហំ Bandwidth ដោយខ្លួនឯងរួមជាមួយបច្ចេកទេសបែងចែកតាមឋានានុក្រម។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Self-Adaptive Mean Shift Segmentation (Proposed) ការបែងចែក Mean Shift ដោយសម្របខ្លួនឯង (វិធីសាស្ត្រស្នើឡើង) |
មិនតម្រូវឱ្យកំណត់ប៉ារ៉ាម៉ែត្រ Bandwidth ដោយដៃទេ ព្រោះវាគណនាទំហំមកុដឈើដោយស្វ័យប្រវត្តិ។ ដំណើរការដោយស្វ័យប្រវត្តិកម្មខ្ពស់។ | ការគណនាដំបូងដើម្បីកំណត់ទីតាំងគល់ឈើ (Trunk points) អាចមានភាពស្មុគស្មាញ និងទាមទារការពឹងផ្អែកលើចំណុចដែលនៅជិតដី។ | ទទួលបានអត្រាភាពពេញលេញ (Completeness) និងភាពត្រឹមត្រូវមធ្យម (Mean accuracy) ខ្ពស់បំផុតដោយមិនចាំបាច់កែតម្រូវប៉ារ៉ាម៉ែត្រអ្វីឡើយ។ |
| Traditional Mean Shift Segmentation (Ferraz et al., 2012) ការបែងចែក Mean Shift បែបប្រពៃណី |
ជាវិធីសាស្ត្រមូលដ្ឋានដែលងាយស្រួលយល់ និងអនុវត្ត ប្រសិនបើដឹងពីទំហំមកុដឈើប្រហាក់ប្រហែលជាមុន។ | តម្រូវឱ្យសាកល្បងកំណត់ប៉ារ៉ាម៉ែត្រ Bandwidth (Trial and error) ដោយដៃច្រើនដង។ លទ្ធផលងាយប្រែប្រួលខ្លាំងអាស្រ័យលើតម្លៃដែលបានកំណត់។ | លទ្ធផលនៃភាពត្រឹមត្រូវកើនឡើងហើយធ្លាក់ចុះវិញអាស្រ័យលើទំហំ Bandwidth ផ្ដេក (ពី 1.0m ដល់ 3.5m) ដោយទាមទារការស្វែងរកទំហំដ៏ប្រសើរបំផុតដោយដៃ។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ទោះបីជាឯកសារមិនបានបញ្ជាក់លម្អិតពីថ្លៃដើមក៏ដោយ ប៉ុន្តែការអនុវត្តវិធីសាស្ត្រនេះតម្រូវឱ្យមានឧបករណ៍ ទិន្នន័យ និងចំណេះដឹងកម្រិតខ្ពស់ដូចខាងក្រោម៖
ការសិក្សានេះប្រើប្រាស់ទិន្នន័យ UAV LiDAR ពីតំបន់ព្រៃឈើដែលមានដើម Douglas Fir ជាចម្បង ដែលជាប្រភេទឈើនៅតំបន់ត្រជាក់មានទម្រង់មកុដស្រួចនិងច្បាស់លាស់។ សម្រាប់ប្រទេសកម្ពុជា ដែលមានព្រៃត្រូពិចក្រាស់ និងរុក្ខជាតិចម្រុះ ទម្រង់មកុដឈើមានភាពត្រួតស៊ីគ្នានិងស្មុគស្មាញជាង ដែលអាចតម្រូវឱ្យមានការកែតម្រូវក្បួនដោះស្រាយបន្ថែម ដើម្បីធានាបាននូវភាពត្រឹមត្រូវខ្ពស់នៅពេលអនុវត្តជាក់ស្តែង។
វិធីសាស្ត្រនេះមានសក្ដានុពលខ្ពស់ខ្លាំងសម្រាប់ការគ្រប់គ្រង និងស្រាវជ្រាវធនធានព្រៃឈើ និងកសិកម្មនៅប្រទេសកម្ពុជា ដោយសារវាមិនតម្រូវឱ្យកំណត់ប៉ារ៉ាម៉ែត្រដោយដៃច្រើន។
សរុបមក បច្ចេកវិទ្យា UAV LiDAR និងក្បួនដោះស្រាយនេះ អាចជួយជំរុញការធ្វើទំនើបកម្មលើការគ្រប់គ្រងធនធានធម្មជាតិ និងកសិ-ឧស្សាហកម្មនៅកម្ពុជា ប្រសិនបើមានការគាំទ្រផ្នែកថវិកាលើឧបករណ៍ដ្រូន។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| UAV LiDAR | បច្ចេកវិទ្យាប្រើប្រាស់ដ្រូន (UAV) បំពាក់ឧបករណ៍បាញ់ពន្លឺឡាស៊ែរ (LiDAR) ទៅកាន់ផ្ទៃដី ដើម្បីវាស់ចម្ងាយដោយគណនារយៈពេលដែលពន្លឺនោះចំណាយពេលផ្លាតត្រឡប់មកវិញ ដែលអាចបង្កើតជាទិន្នន័យ 3D នៃរចនាសម្ព័ន្ធព្រៃឈើបានយ៉ាងច្បាស់លាស់។ | ដូចជាសត្វប្រចៀវបញ្ចេញសំឡេងដើម្បីស្វែងរកទីតាំងចំណីក្នុងទីងងឹត ប៉ុន្តែនេះប្រើពន្លឺឡាស៊ែរពីលើអាកាសដើម្បីវាស់និងគូររូបភាពដីនិងដើមឈើ។ |
| Point Clouds | បណ្ដុំនៃចំណុចទិន្នន័យរាប់លាននៅក្នុងលំហ 3D (ដែលមានកូអរដោណេ x, y, z) ដែលប្រមូលបានពីឧបករណ៍ LiDAR ដើម្បីតំណាងឱ្យរូបរាងពិតប្រាកដនៃវត្ថុ ផ្ទៃដី ឬដើមឈើ។ ឯកសារនេះប្រើវាដើម្បីទាញយកទម្រង់ដើមឈើនីមួយៗ។ | ដូចជាការយកគ្រាប់ខ្សាច់តូចៗរាប់លានគ្រាប់មកតម្រៀបបញ្ឈរទល់មុខគ្នា ឱ្យចេញជារូបរាងដើមឈើ ឬផ្ទះមួយនៅក្នុងកុំព្យូទ័រ។ |
| Mean Shift Segmentation | ក្បួនដោះស្រាយផ្នែក Machine Learning សម្រាប់បែងចែកទិន្នន័យជាក្រុម (Clustering) ដោយស្វែងរកតំបន់ដែលមានដង់ស៊ីតេទិន្នន័យខ្ពស់បំផុត (ឧទាហរណ៍ ចំណុចកណ្ដាលនៃមកុដឈើ) ហើយប្រមូលចំណុចនៅជុំវិញនោះចូលជាក្រុមតែមួយ ដើម្បីកាត់ផ្តាច់ដើមឈើមួយពីដើមឈើមួយទៀត។ | ដូចជាការទម្លាក់មេដែកចូលក្នុងគំនរដែកគោល មេដែកនោះនឹងទាញទាក់ដែកគោលដែលនៅជិតៗវាបំផុតឱ្យផ្តុំគ្នាជាដុំៗដាច់ដោយឡែកពីគ្នា។ |
| Bandwidth | នៅក្នុងបរិបទនៃ Mean Shift ពាក្យនេះមិនមែនជាល្បឿនអ៊ីនធឺណិតទេ តែវាសំដៅលើទំហំកាំ (Radius) នៃរង្វង់ឬស្វ៊ែរដែលប្រើសម្រាប់រុករក និងប្រមូលផ្តុំចំណុចទិន្នន័យ។ បើវាតូចពេក ដើមឈើមួយអាចត្រូវបែកជាពីរ បើវាធំពេក ដើមឈើពីរអាចត្រូវច្របាច់បញ្ចូលគ្នាជាដើមឈើតែមួយ។ | ដូចជាទំហំនៃសំណាញ់ចាប់ត្រី បើប្រើសំណាញ់តូច ចាប់បានតែត្រីនៅជិតៗខ្លួន បើប្រើសំណាញ់ធំ អាចចាប់បានត្រីក្នុងបរិវេណធំទូលាយជាង និងអាចជាប់ទាំងកំទេចកំទីផ្សេងៗមកជាមួយផងដែរ។ |
| DBSCAN Clustering | ក្បួនដោះស្រាយសម្រាប់ចាប់ក្រុមទិន្នន័យដោយផ្អែកលើភាពកកកុញ (Density-based) ដែលអាចរកឃើញរូបរាងក្រុមទិន្នន័យស្មុគស្មាញ និងទម្លាក់ចោលចំណុចរំខាន (Outliers) ដែលនៅដាច់តែឯង។ ក្នុងឯកសារនេះ វាត្រូវប្រើសម្រាប់ចង្កោមចំណុចឱ្យក្លាយជាគល់ឈើ។ | ដូចជាការកំណត់សម្គាល់ក្រុមមនុស្សនៅក្នុងពិធីបុណ្យ តំបន់ណាមានមនុស្សឈរជុំគ្នាច្រើនចាត់ទុកជាក្រុមមួយ ចំណែកអ្នកដែលឈរនៅឆ្ងាយដាច់តែឯងត្រូវបានចាត់ទុកជាអ្នកដើរកាត់ (Outliers)។ |
| Canopy Height Model (CHM) | ម៉ូដែលឌីជីថលតំណាងឱ្យកម្ពស់សុទ្ធរបស់មកុដឈើ (Canopy) ដែលទទួលបានតាមរយៈការយកកម្ពស់ផ្ទៃខាងលើបង្អស់នៃព្រៃឈើដកកម្ពស់ផ្ទៃដីធម្មតាចេញ ដើម្បីដឹងថាតើដើមឈើនោះខ្ពស់ផុតពីដីប៉ុន្មានម៉ែត្រ។ | ដូចជាការវាស់កម្ពស់មនុស្សដោយដកកម្រាស់ស្បែកជើងចេញ ដើម្បីដឹងថាតើមនុស្សនោះមានកម្ពស់ពិតប្រាកដប៉ុន្មានចាប់ពីបាតជើងដល់កំពូលក្បាល។ |
| Morphological filtering | ដំណើរការនៃក្បួនដោះស្រាយក្នុងការសម្អាតទិន្នន័យ Point Clouds តាមរយៈការវិភាគរូបរាង និងកម្ពស់ ដើម្បីបែងចែកឱ្យដាច់រវាងចំណុចដែលជាដី (Ground) និងចំណុចដែលជាវត្ថុនៅពីលើដី (Non-ground ដូចជាដើមឈើ) មុននឹងឈានទៅធ្វើការវិភាគបន្ត។ | ដូចជាការប្រើកញ្ច្រែងដើម្បីច្រោះយកគ្រាប់ក្រួសធំៗចេញពីខ្សាច់ម៉ដ្ឋ ដើម្បីយកតែដីខ្សាច់សុទ្ធ (តំណាងឱ្យផ្ទៃដី) ទុកសម្រាប់ប្រើប្រាស់បន្ត។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
