មេរៀនទី១១៖ កសិកម្ម និងការធ្វើផែនទីស្រែ¶

ព័ត៌មានមេរៀន

រយៈពេលបង្រៀនដែលស្នើ៖ ៣ ម៉ោង · មេរៀនទី ១១ ក្នុងចំណោម ១៥

ស្រូវគឺជាដំណាំសំខាន់បំផុតនៅកម្ពុជា៖ វាគ្របដណ្ដប់ដីកសិកម្មភាគច្រើន ផ្ដល់ស្បៀងដល់ប្រទេស និងជាប្រភពចំណូលរបស់គ្រួសារជាច្រើនលាន។ ដើម្បីតាមដានស្ថានភាពដំណាំ ប៉ាន់ស្មានទិន្នផល និងវាយតម្លៃការខូចខាតពីទឹកជំនន់ ឬគ្រោះរាំងស្ងួត (មេរៀនទី៧–៨) យើងត្រូវដឹងជាមុនថា ស្រែនៅទីណា។

បញ្ហាគឺស្រូវវស្សា ត្រូវបានដាំក្នុងពេលដែលពពកគ្របដណ្ដប់ច្រើនបំផុត។ មេរៀននេះបង្រៀនវិធីធ្វើផែនទីស្រែដោយ Sentinel-1 ដោយប្រើហត្ថលេខាពេលវេលានៃ VH (មេរៀនទី៥) វិធីអុបទិកសម្រាប់រដូវប្រាំង និងការផ្ទៀងផ្ទាត់ផែនទីជាមួយចំណុច និងស្ថិតិ។

១១.១. គោលបំណងសិក្សា¶

បន្ទាប់ពីបញ្ចប់មេរៀន និស្សិតអាច៖

ពិពណ៌នាប្រតិទិនស្រូវនៅកម្ពុជា ហើយជ្រើសរយៈពេលរូបភាពដែលសមស្រប។
ពន្យល់ហត្ថលេខា VH នៃស្រូវ (ទាបពេលស្ទូង ខ្ពស់ពេលស្រូវធំ) ហើយបង្កើតស៊េរី VH ក្នុង Earth Engine។
ធ្វើផែនទីស្រែដោយក្បួនកម្រិត (អប្បបរមា + ការកើនឡើង) និងដោយ Random Forest លើ composite ប្រចាំខែ។
ប្រើវិធីអុបទិក (LSWI និង EVI) សម្រាប់ស្រូវប្រាំង ហើយប្រៀបធៀបជាមួយ SAR។
ផ្ទៀងផ្ទាត់ផែនទីស្រែដោយចំណុច និងស្ថិតិ ហើយរាយការណ៍ដែនកំណត់។

ចំណេះដឹងមុនត្រូវមាន¶

មេរៀនទី៥៖ ស៊េរីពេលវេលា · មេរៀនទី៦៖ Random Forest · មេរៀនទី៧៖ Sentinel-1។

១១.២. ស្ថានភាពបើកមេរៀន៖ ផ្ទៃស្រូវវស្សាខេត្តតាកែវ¶

មន្ទីរកសិកម្មខេត្តតាកែវ ចង់ផ្ទៀងផ្ទាត់ផ្ទៃស្រូវវស្សាឆ្នាំ ២០២៤ ដែលរាយការណ៍ដោយស្រុក ហើយចង់ដឹងថាស្រែណាខ្លះដែលមិនត្រូវបានដាំ (ទុកទំនេរ) ក្នុងឆ្នាំនេះ។ រូបភាព Sentinel-2 ក្នុងខែកក្កដា–តុលា ស្ទើរតែទាំងអស់មានពពក។ ក្រុមរបស់អ្នកមានចំណុចស្រែ និងមិនមែនស្រែ ដែលមន្ត្រីកសិកម្មបានប្រមូលក្នុងការចុះវាល។

សំណួរដែលមេរៀននេះឆ្លើយ៖

តើស្រូវមានលក្ខណៈអ្វីក្នុងរូបភាពរ៉ាដា ដែលដំណាំ និងគម្របដីផ្សេងទៀតគ្មាន?
តើក្បួនសាមញ្ញ ឬ classifier ល្អជាង?
តើផែនទីស្រែត្រូវផ្ទៀងផ្ទាត់ដោយរបៀបណា?

១១.៣. ទ្រឹស្ដីស្នូល¶

១១.៣.១. ប្រតិទិនស្រូវ¶

រូបទី១១.១៖ ស្រូវច្រើនប្រភេទ ច្រើនរដូវ។

អានរូបនេះ

ស្រូវវស្សា គ្របដណ្ដប់ផ្ទៃធំជាងគេ ហើយដាំក្នុងពេលពពកច្រើនបំផុត។
ស្រូវប្រាំង និងស្រូវទឹកស្រក នៅតំបន់ធារាសាស្ត្រ និងជុំវិញបឹង៖ អុបទិកមើលឃើញបានល្អជាង។
ប្រតិទិននេះប្រហាក់ប្រហែល៖ ត្រូវកែតាមខេត្ត ដើម្បីជ្រើសរយៈពេលស្ទូងដែលត្រឹមត្រូវ។

កម្ពុជាមានប្រព័ន្ធស្រូវច្រើនប្រភេទ៖ ស្រូវវស្សា (ស្ទូងមិថុនា–សីហា ច្រូតវិច្ឆិកា–ធ្នូ) ដែលគ្របផ្ទៃធំជាងគេ ស្រូវវស្សាដំបូង (ស្រូវខ្លី) ស្រូវប្រាំង ក្នុងតំបន់ធារាសាស្ត្រ និង ស្រូវទឹកស្រក ជុំវិញបឹងទន្លេសាប និងតាមដងទន្លេ។ ពេលវេលាខុសគ្នាតាមខេត្ត ពូជ និងភ្លៀងក្នុងឆ្នាំនីមួយៗ។ ដូច្នេះ មុនធ្វើផែនទី ត្រូវកំណត់ រយៈពេលស្ទូង និង រយៈពេលលូតលាស់ សម្រាប់តំបន់សិក្សា ដោយប្រើប្រតិទិនក្នុងស្រុក ឬស៊េរី NDVI/VH នៃស្រែដែលដឹង។

១១.៣.២. ហត្ថលេខា VH របស់ស្រូវ¶

រូបទី១១.២៖ ទាបពេលស្ទូង ខ្ពស់ពេលស្រូវធំ។

អានរូបនេះ

ពេលស្ទូង វាលស្រែមានទឹក៖ VH ធ្លាក់ទាបដូចទឹក (−២២ ដល់ −២៥ dB)។
ពេលស្រូវលូតលាស់ ដើមស្រូវបង្កើនការចាំងត្រឡប់៖ VH ឡើង ៥–៩ dB។
ទឹកអចិន្ត្រៃយ៍ទាបជានិច្ច ព្រៃ និងទីក្រុងខ្ពស់ជានិច្ច៖ មិនមានទម្រង់ «ចុះ រួចឡើង» ទេ។

ស្រូវមានហត្ថលេខារ៉ាដាដែលពិសេស៖

មុនស្ទូង៖ ដីភ្ជួរ ឬស្រែស្ងួត VH ប្រហែល −១៦ ដល់ −១៨ dB។
ពេលបញ្ចូលទឹក និងស្ទូង៖ វាលស្រែជាផ្ទៃទឹករលោង VH ធ្លាក់ដល់ −២២ ដល់ −២៥ dB (ដូចមេរៀនទី៧)។
ពេលស្រូវលូតលាស់៖ ដើម និងស្លឹកស្រូវបង្កើតការចាំងត្រឡប់ច្រើនដង VH ឡើង ៥–៩ dB ក្នុងរយៈពេល ១–២ ខែ។
ពេលទុំ និងច្រូត៖ VH ថយបន្តិច ហើយស្ថិតលំនឹង។

លំនាំ «ចុះ រួចឡើង» នេះហើយដែលបែងចែកស្រូវ ពីទឹកអចិន្ត្រៃយ៍ (ទាបជានិច្ច) ពីព្រៃ និងទីក្រុង (ខ្ពស់ជានិច្ច) និងពីដំណាំដីទួល (មិនដែលធ្លាក់ទាបដូចទឹក)។ VH ប្រតិកម្មទៅនឹងជីវម៉ាសរុក្ខជាតិខ្លាំងជាង VV ដូច្នេះវាជាប៉ូលការីសាស្យុងចម្បងសម្រាប់ស្រូវ។

var aoi = ee.FeatureCollection('FAO/GAUL/2015/level1').filter(ee.Filter.eq('ADM1_NAME', 'Takeo'));
var s1 = ee.ImageCollection('COPERNICUS/S1_GRD').filterBounds(aoi)
  .filter(ee.Filter.eq('instrumentMode', 'IW'))
  .filter(ee.Filter.listContains('transmitterReceiverPolarisation', 'VH'))
  .filter(ee.Filter.eq('orbitProperties_pass', 'DESCENDING'))
  .filterDate('2024-04-01', '2025-01-15').select('VH');
var paddy = ee.Geometry.Point([104.79, 10.99]);         // ស្រែដែលដឹង (ប្ដូរ)
print(ui.Chart.image.series(s1, paddy.buffer(50), ee.Reducer.mean(), 10).setOptions({title: 'VH ស្រែ'}));

ប្រើ buffer ៥០ ម ជុំវិញចំណុច ដើម្បីកាត់បន្ថយ speckle ក្នុងក្រាប។

១១.៣.៣. ក្បួនកម្រិត៖ អប្បបរមា និងការកើនឡើង¶

រូបទី១១.៣៖ លក្ខខណ្ឌពីរ បែងចែកស្រែបាន។

អានរូបនេះ

ទឹកអចិន្ត្រៃយ៍មាន min ទាប ប៉ុន្តែមិនឡើងវិញ៖ លក្ខខណ្ឌទីពីរកាត់វាចេញ។
ដំណាំដទៃ និងព្រៃមិនធ្លាក់ដល់ −១៩ dB៖ លក្ខខណ្ឌទីមួយកាត់វាចេញ។
កម្រិតក្នុងរូបនេះជាឧទាហរណ៍៖ ត្រូវកែតាមតំបន់ ដោយប្រើចំណុចស្រែដែលដឹង។

ដោយប្រើ composite ១២ ថ្ងៃ (ឬ median ក្នុងរយៈពេល ១២ ថ្ងៃ) យើងគណនាលក្ខណៈពីរក្នុងក្រឡានីមួយៗ៖

var start = ee.Date('2024-05-01');
var steps = ee.List.sequence(0, 17);                          // ១៨ × ១២ ថ្ងៃ ≈ ៧ ខែ
var series = ee.ImageCollection.fromImages(steps.map(function(k) {
  var d = start.advance(ee.Number(k).multiply(12), 'day');
  var sub = s1.filterDate(d, d.advance(12, 'day'));
  var empty = ee.Image.constant(0).rename('VH').updateMask(0);      // ចន្លោះដែលគ្មានការថត
  return ee.Image(ee.Algorithms.If(sub.size().gt(0), sub.median().focalMedian(30, 'circle', 'meters'), empty))
    .set('system:time_start', d.millis());
}));
var transplant = series.filterDate('2024-06-01', '2024-09-15');   // រយៈពេលស្ទូង
var growth = series.filterDate('2024-07-15', '2024-11-15');       // រយៈពេលលូតលាស់
var vhMin = transplant.min();
var rise = growth.max().subtract(vhMin);
var rice = vhMin.lt(-19).and(rise.gt(5)).rename('rice');
Map.addLayer(rice.selfMask().clip(aoi), {palette: ['#2e7d32']}, 'ស្រែ (ក្បួន)');

ee.Algorithms.If ជំនួស composite ដែលគ្មានរូបភាព (ចន្លោះ ១២ ថ្ងៃដែលគ្មានការថត) ដោយរូបភាព VH ទទេ ដូចក្នុងមេរៀនទី៥ ដើម្បីកុំឱ្យ min() និង max() បរាជ័យ។ កម្រិត −១៩ dB និង ៥ dB ជាចំណុចចាប់ផ្ដើម៖ ត្រូវកែតាមតំបន់ ដោយមើលហ៊ីស្តូក្រាមនៃ vhMin និង rise នៅចំណុចស្រែ និងមិនមែនស្រែដែលដឹង។

ពិសោធន៍៖ ក្បួនស្រែពី VH

ប្ដូរកម្រិតអប្បបរមា និងការកើនឡើង ហើយមើលថាក្រឡាប្រភេទណាត្រូវបានចាត់ជាស្រែ។ ក្រឡាក្នុងពិសោធន៍ត្រូវបានក្លែងធ្វើតាមលំនាំ VH នៃស្រែ ដំណាំដទៃ ព្រៃ ទីក្រុង និងទឹក។

១១.៣.៤. Composite ប្រចាំខែ និង Random Forest¶

រូបទី១១.៤៖ មើលស្រែក្នុងរូបភាពតែមួយ។

អានរូបនេះ

ដាក់ VH បីខែជា RGB៖ ពណ៌ប្រាប់ពីការប្ដូរតាមពេលវេលា មិនមែនពណ៌ពិតទេ។
ស្រែដែលស្ទូងយឺត ឬលឿន បង្ហាញពណ៌ខុសគ្នា (ក្រហម បៃតង ខៀវ)។
Composite ប្រចាំខែ ក៏អាចជាលក្ខណៈសម្រាប់ Random Forest (មេរៀនទី៦)។

ក្បួនកម្រិតងាយយល់ ប៉ុន្តែពិបាកកែនៅពេលស្រែមានប្រតិទិនខុសគ្នាច្រើន។ ជម្រើសមួយទៀតគឺប្រើ VH ប្រចាំខែជា លក្ខណៈ ហើយបណ្ដុះបណ្ដាល Random Forest (មេរៀនទី៦)៖

var months = ee.List.sequence(5, 11);
var stack = ee.ImageCollection.fromImages(months.map(function(m) {
  var d = ee.Date.fromYMD(2024, m, 1);
  return s1.filterDate(d, d.advance(1, 'month')).median();
})).toBands().rename(months.map(function(m) { return ee.String('VH_').cat(ee.Number(m).format('%02d')); }));
Map.addLayer(stack.select(['VH_07', 'VH_08', 'VH_10']).clip(aoi), {min: -25, max: -10}, 'VH កក្កដា សីហា តុលា');
// training = ចំណុចស្រែ (1) និងមិនមែនស្រែ (0) ដែលមាន property 'rice'

toBands() ដាក់ឈ្មោះក្រុមរលកដោយលេខរៀង ដូច្នេះយើង rename វាវិញ។ Random Forest រៀនទម្រង់ពេលវេលាដោយខ្លួនឯង រួមទាំងស្រែដែលស្ទូងយឺត ឬលឿន។ ប៉ុន្តែវាត្រូវការចំណុចគំរូច្រើន ដែលតំណាងប្រតិទិនទាំងអស់ក្នុងតំបន់។

១១.៣.៥. វិធីអុបទិក៖ ស្រូវប្រាំង¶

រូបទី១១.៥៖ ទឹកមុន បៃតងក្រោយ (អុបទិក)។

អានរូបនេះ

ក្នុងរយៈពេលស្ទូង LSWI ឡើងជិត ឬលើស EVI៖ ផ្ទៃមានទឹក និងរុក្ខជាតិតិច។
បន្ទាប់ពីសញ្ញាលិចទឹក EVI ត្រូវឡើងខ្ពស់ក្នុងរយៈពេល ២–៣ ខែ ដើម្បីបញ្ជាក់ថាជាស្រូវ។
វិធីនេះល្អសម្រាប់ស្រូវប្រាំង ប៉ុន្តែក្នុងរដូវវស្សា ពពកធ្វើឱ្យខកសញ្ញាលិចទឹកញឹកញាប់។

សម្រាប់ស្រូវប្រាំង (ដែលមានពពកតិច) វិធី Xiao et al. (២០០៥) ប្រើ MODIS ឬ Sentinel-2 ដើម្បីរកសញ្ញាលិចទឹក៖ ក្រឡាដែល LSWI + ០,០៥ ≥ EVI (ឬ NDVI) ក្នុងរយៈពេលស្ទូង ហើយបន្ទាប់មក EVI ឡើងខ្ពស់ក្នុងរយៈពេល ២–៣ ខែ៖

function idx(img) {
  var evi = img.expression('2.5 * (N - R) / (N + 6 * R - 7.5 * B + 1)',
    {N: img.select('B8'), R: img.select('B4'), B: img.select('B2')}).rename('EVI');
  var lswi = img.normalizedDifference(['B8', 'B11']).rename('LSWI');
  return evi.addBands(lswi).copyProperties(img, ['system:time_start']);
}
// s2 = Sentinel-2 ដែលបានលុបពពក និង divide(10000) (មេរៀនទី៣)
var flood = s2.filterDate('2024-12-01', '2025-02-01').map(idx).map(function(i) {
  return i.select('LSWI').add(0.05).gte(i.select('EVI'));
}).max();
var green = s2.filterDate('2025-02-01', '2025-04-15').map(idx).select('EVI').max().gt(0.45);
var dryRice = flood.and(green);

ក្នុងរដូវវស្សា ពពកធ្វើឱ្យខកសញ្ញាលិចទឹកញឹកញាប់ ដូច្នេះវិធីអុបទិក និង SAR គួរតែប្រើរួមគ្នា៖ SAR សម្រាប់វស្សា អុបទិកសម្រាប់ប្រាំង ឬលក្ខណៈទាំងពីរក្នុង Random Forest តែមួយ។

១១.៣.៦. Mask និងការសម្អាត¶

ដកចេញ៖ ទឹកអចិន្ត្រៃយ៍ (JRC · មេរៀនទី៧) តំបន់ជម្រាលលើស ៥° (ស្រមោលរ៉ាដា និងមិនមែនស្រែ) និងទីក្រុង (WorldCover ៥០)។ បន្ទាប់មកដកក្រុមក្រឡាតូចៗ ដោយ connectedPixelCount() ដើម្បីកាត់ speckle ដែលនៅសល់។

១១.៣.៧. ផ្ទៀងផ្ទាត់ពីរកម្រិត¶

រូបទី១១.៦៖ ផែនទីត្រឹមត្រូវតាមចំណុច មិនធានាផ្ទៃត្រឹមត្រូវទេ។

អានរូបនេះ

ភាពត្រឹមត្រូវតាមចំណុច វាស់ថាផែនទីដាក់ស្លាកត្រឹមត្រូវប៉ុណ្ណា នៅកន្លែងដែលមានចំណុច។
ការប្រៀបធៀបផ្ទៃតាមខេត្តជាមួយស្ថិតិក្រសួងកសិកម្ម បង្ហាញលំអៀងជាប្រព័ន្ធ (ច្រើន ឬតិចពេក)។
ស្ថិតិក៏មានកំហុសដែរ៖ ភាពខុសគ្នាធំ ត្រូវពិនិត្យទាំងពីរផ្នែក។ ចំណុចក្នុងក្រាបជាតម្លៃគំរូ។

តាមចំណុច៖ តារាងកំហុស ២ × ២ (ស្រែ / មិនមែនស្រែ) ជាមួយ PA UA និង OA (មេរៀនទី៦) ពីចំណុចដែលមិនបានប្រើក្នុងការកែកម្រិត ឬបណ្ដុះបណ្ដាល។
តាមផ្ទៃ៖ ផ្ទៃស្រូវតាមស្រុក ឬខេត្ត ធៀបនឹងស្ថិតិក្រសួងកសិកម្ម។ គណនាផ្ទៃដោយ pixelArea ហើយគូរក្រាប scatter (ផែនទី ធៀបនឹងស្ថិតិ)។

ភាពខុសគ្នាជាប្រព័ន្ធ (ឧ. ផែនទីតិចជាងស្ថិតិ ២០% គ្រប់ខេត្ត) បង្ហាញលំអៀង៖ ប្រហែលជាស្រែតូចៗ និងភ្លឺស្រែ ត្រូវបានខក។ ភាពខុសគ្នាធំតែនៅខេត្តមួយ ត្រូវពិនិត្យទាំងផែនទី និងស្ថិតិ។

១១.៣.៨. លំហូរការងារ¶

រូបទី១១.៧៖ ពីស៊េរី VH ទៅផែនទីស្រែ។

អានរូបនេះ

ស៊េរីត្រូវមកពីគន្លងតែមួយ ដើម្បីកុំឱ្យការប្ដូរមុំមើលធ្វើឱ្យ VH ឡើងចុះ។
លក្ខណៈពីស៊េរី (min ការឡើង ពេលវេលា) សំខាន់ជាងរូបភាពណាមួយ។
Mask ដកទឹកអចិន្ត្រៃយ៍ តំបន់ភ្នំ និងទីក្រុង មុនគណនាផ្ទៃ។

ផែនទីស្រែជាមូលដ្ឋានសម្រាប់ការងារបន្ត៖ mask ដំណាំសម្រាប់ VHI (មេរៀនទី៨) ផ្ទៃស្រែលិចទឹក (មេរៀនទី៧) និងការប៉ាន់ស្មានទិន្នផលពី NDVI ឬ VH អតិបរមា ដែលត្រូវការទិន្នន័យទិន្នផលពីវាលសម្រាប់ធ្វើម៉ូដែល។

១១.៤. ឧទាហរណ៍ដែលបានដោះស្រាយ៖ ស្រូវវស្សា ២០២៤ ខេត្តតាកែវ¶

ជំហានទី១៖ ពិនិត្យស្រែដែលដឹង¶

ដាក់ចំណុចស្រែបីកន្លែងដែលអ្នកដឹង ហើយទាញក្រាប VH (ផ្នែក ១១.៣.២)។ កំណត់ពេលធ្លាក់ទាបបំផុត និងពេលឡើងខ្ពស់ ដើម្បីកែ transplant និង growth។

ជំហានទី២៖ ស៊េរី និងលក្ខណៈ¶

បង្កើត series vhMin និង rise (ផ្នែក ១១.៣.៣)។ បង្ហាញ vhMin និង rise ជាផែនទី ហើយពិនិត្យតម្លៃនៅស្រែ ភូមិ ព្រៃ និងបឹងដោយ Inspector។

ជំហានទី៣៖ កម្រិត mask និងផ្ទៃ¶

var jrc = ee.Image('JRC/GSW1_4/GlobalSurfaceWater').select('seasonality').unmask(0);
var slope = ee.Terrain.slope(ee.Image('USGS/SRTMGL1_003'));
var wc = ee.ImageCollection('ESA/WorldCover/v200').first();
var riceClean = rice.updateMask(jrc.lt(10)).updateMask(slope.lt(5)).updateMask(wc.neq(50));
riceClean = riceClean.updateMask(riceClean.connectedPixelCount(20, true).gte(10)).selfMask();
var ha = ee.Image.pixelArea().divide(1e4).updateMask(riceClean).reduceRegions({
  collection: ee.FeatureCollection('FAO/GAUL/2015/level2').filter(ee.Filter.eq('ADM1_NAME', 'Takeo')),
  reducer: ee.Reducer.sum(), scale: 10, tileScale: 8});
print(ha.select(['ADM2_NAME', 'sum']));

ជំហានទី៤៖ ផ្ទៀងផ្ទាត់¶

ប្រើចំណុចស្រែ និងមិនមែនស្រែ (property rice = ១ ឬ ០)៖

var cm = riceClean.unmask(0).rename('classification').sampleRegions({collection: points, properties: ['rice'], scale: 10})
  .errorMatrix('rice', 'classification');
print('OA', cm.accuracy(), 'PA', cm.producersAccuracy(), 'UA', cm.consumersAccuracy());

ជំហានទី៥៖ បកស្រាយ¶

«ស្រូវវស្សា ២០២៤ ខេត្តតាកែវ ត្រូវបានធ្វើផែនទីពី Sentinel-1 VH (descending · composite ១២ ថ្ងៃ) ដោយលក្ខខណ្ឌ VH អប្បបរមា < −១៩ dB ក្នុងរយៈពេលស្ទូង និងការកើនឡើង > ៥ dB ក្រោយមក ដកទឹកអចិន្ត្រៃយ៍ ជម្រាល និងទីក្រុង។ ផ្ទៃតាមស្រុកត្រូវបានប្រៀបធៀបជាមួយស្ថិតិ ហើយភាពត្រឹមត្រូវត្រូវបានវាយតម្លៃលើចំណុចវាល។»

អ្វីដែលយើងមិនអាចសន្និដ្ឋាន

ក្រឡា ១០ ម មិនអាចបែងចែកភ្លឺស្រែ និងផ្លូវលំតូចៗទេ ដូច្នេះផ្ទៃស្រែពីផែនទីអាចខុសពីផ្ទៃដែលដាំពិត។ ស្រែដែលមិនបានបញ្ចូលទឹកមុនស្ទូង (ស្រូវព្រោះ ឬស្រែទួល) អាចមិនបង្ហាញការធ្លាក់ VH ច្បាស់ ហើយត្រូវបានខក។

១១.៥. សកម្មភាពអនុវត្ត¶

លំហាត់ទី១១៖ ធ្វើផែនទីស្រូវវស្សាពី Sentinel-1 សម្រាប់ខេត្តរបស់អ្នក ដោយក្បួនកម្រិត និង Random Forest ប្រៀបធៀបភាពត្រឹមត្រូវ និងផ្ទៃ ហើយនាំចេញ។ មើល លំហាត់ទី១១។
ក្នុងថ្នាក់៖ និស្សិតទាញក្រាប VH នៃស្រែនៅភូមិកំណើត ហើយប្រៀបធៀបពេលស្ទូងជាមួយអ្វីដែលគ្រួសារបានធ្វើ។

១១.៦. ការយល់ច្រឡំដែលត្រូវប្រុងប្រយ័ត្ន¶

១. «ស្រូវត្រូវបានរកឃើញដោយ NDVI ខ្ពស់» ដំណាំ និងរុក្ខជាតិជាច្រើនមាន NDVI ខ្ពស់។ ស្រូវខុសគេដោយ «ទឹកមុន បៃតងក្រោយ» មិនមែនដោយភាពបៃតងទេ។

២. «កម្រិតមួយប្រើបានគ្រប់ខេត្ត» ប្រតិទិន ពូជ និងប្រភេទដីខុសគ្នា។ កម្រិត និងរយៈពេលត្រូវកែតាមតំបន់ ដោយប្រើស្រែដែលដឹង។

៣. «VV និង VH ល្អដូចគ្នាសម្រាប់ស្រូវ» VH ប្រតិកម្មទៅនឹងជីវម៉ាសរុក្ខជាតិខ្លាំងជាង ហើយបង្ហាញការកើនឡើងច្បាស់ជាង។ VV ល្អសម្រាប់ទឹក។

៤. «ផ្ទៃស្រែពីផែនទីគួរតែស្មើស្ថិតិ» ស្ថិតិ និងផែនទីមាននិយមន័យ និងកំហុសខុសគ្នា។ ភាពខុសគ្នា ១០–២០% ជារឿងធម្មតា ហើយត្រូវពន្យល់។

៥. «ផែនទីស្រែមួយឆ្នាំ ប្រើបានរៀងរហូត» ស្រែខ្លះត្រូវទុកទំនេរ ឬប្ដូរទៅដំណាំផ្សេង ឬក្លាយជាដីសង់ផ្ទះ។ ផែនទីត្រូវធ្វើរៀងរាល់ឆ្នាំ។

១១.៧. សេចក្ដីសង្ខេបមេរៀន¶

ស្រូវវស្សាដាំក្នុងរដូវពពក ដូច្នេះ Sentinel-1 ជាប្រភពចម្បង។ VH នៃស្រែធ្លាក់ទាបពេលបញ្ចូលទឹក និងស្ទូង ហើយឡើង ៥–៩ dB ពេលស្រូវលូតលាស់៖ លំនាំ «ចុះ រួចឡើង» នេះបែងចែកស្រូវពីទឹក ព្រៃ ទីក្រុង និងដំណាំដីទួល។ ក្បួនកម្រិត (VH អប្បបរមា និងការកើនឡើង) ងាយយល់ ខណៈ Random Forest លើ VH ប្រចាំខែ សម្របនឹងប្រតិទិនខុសគ្នាបានល្អជាង។

វិធីអុបទិក (LSWI + ០,០៥ ≥ EVI) ល្អសម្រាប់ស្រូវប្រាំង។ Mask ទឹក ជម្រាល និងទីក្រុង ហើយការផ្ទៀងផ្ទាត់ពីរកម្រិត (ចំណុច និងស្ថិតិ) ធ្វើឱ្យផែនទីទុកចិត្តបាន។

គំនិតស្នូលនៃមេរៀន

ស្រូវត្រូវបានរកឃើញដោយអ្វីដែលវាធ្វើតាមពេលវេលា មិនមែនដោយរូបរាងក្នុងថ្ងៃតែមួយទេ៖ ទឹកមុន បៃតងក្រោយ។ រ៉ាដាមើលឃើញលំនាំនេះ សូម្បីតែក្រោមពពក។

១១.៨. ពាក្យគន្លឹះខ្មែរ–អង់គ្លេស¶

ពាក្យខ្មែរ	ពាក្យអង់គ្លេស	អត្ថន័យខ្លី
ស្រូវវស្សា / ប្រាំង	Wet / dry season rice	ស្រូវតាមរដូវ
ស្រូវទឹកស្រក	Recession rice	ដាំពេលទឹកបឹងស្រក
រយៈពេលស្ទូង	Transplanting window	ពេលបញ្ចូលទឹក និងស្ទូង
ជីវម៉ាស	Biomass	បរិមាណរុក្ខជាតិ
សន្ទស្សន៍ទឹកលើផ្ទៃដី	LSWI	NIR និង SWIR1 សម្រាប់ទឹក/សំណើម
សន្ទស្សន៍រុក្ខជាតិកែលម្អ	EVI	សន្ទស្សន៍បៃតងដែលមិនឆ្អែតលឿន
ក្បួនកម្រិត	Rule-based (threshold)	ចាត់ថ្នាក់ដោយលក្ខខណ្ឌ
ស្ថិតិកសិកម្ម	Agricultural statistics	ផ្ទៃ និងទិន្នផលផ្លូវការ

១១.៩. សំណួររំលឹក និងវាយតម្លៃ¶

ក. សំណួរយល់ដឹង¶

ពិពណ៌នាដំណាក់កាលបួននៃហត្ថលេខា VH នៃស្រូវ។
ហេតុអ្វី VH ល្អជាង VV សម្រាប់ធ្វើផែនទីស្រូវ?
ហេតុអ្វីក្បួនត្រូវការលក្ខខណ្ឌទាំងពីរ (អប្បបរមា និងការកើនឡើង)?
ពន្យល់វិធី LSWI + ០,០៥ ≥ EVI ហើយប្រាប់ពេលណាវាមិនដំណើរការ។
ហេតុអ្វីភាពត្រឹមត្រូវតាមចំណុចល្អ មិនធានាថាផ្ទៃត្រឹមត្រូវ?

ខ. សំណួរអនុវត្តគោលគំនិត¶

សរសេរកូដគណនា VH ប្រចាំខែ ពីឧសភា ដល់វិច្ឆិកា ហើយបង្ហាញជាក្រាបសម្រាប់ចំណុចបី។
ផែនទីរបស់អ្នកចាត់បឹង និងស្រះជាស្រែ។ មូលហេតុ និងដំណោះស្រាយ?
ផែនទីមានផ្ទៃស្រូវតិចជាងស្ថិតិ ៣០% នៅស្រុកមួយ។ រាយមូលហេតុបីដែលអាចកើតឡើង។
ស្នើរបៀបរួមបញ្ចូល VH និង NDVI ក្នុង Random Forest តែមួយ។
តើផែនទីស្រែ ជួយការវាយតម្លៃគ្រោះរាំងស្ងួត (មេរៀនទី៨) យ៉ាងដូចម្ដេច?

គ. កិច្ចការខ្លី¶

ទាញក្រាប VH នៃស្រែចំនួនប្រាំ ពីស្រុកខុសគ្នាក្នុងខេត្តរបស់អ្នក។ ធ្វើតារាងពេលស្ទូង (VH ទាបបំផុត) និងពេលកំពូល ហើយសរសេរកថាខណ្ឌមួយពីភាពខុសគ្នា និងផលប៉ះពាល់លើការជ្រើសរយៈពេលក្នុងក្បួន។

កំណត់សម្គាល់សម្រាប់គ្រូបង្រៀន¶

ក. ការបែងចែកពេលវេលា ១៨០ នាទី¶

សកម្មភាព	ពេលវេលា
ស្ថានភាពបើកមេរៀន៖ តាកែវ	១០ នាទី
ប្រតិទិនស្រូវ · ហត្ថលេខា VH	២៥ នាទី
ក្បួនកម្រិត · ពិសោធន៍	៣៥ នាទី
Composite ប្រចាំខែ និង Random Forest	២០ នាទី
វិធីអុបទិក · mask	២០ នាទី
ផ្ទៀងផ្ទាត់ · ឧទាហរណ៍តាកែវ	៣៥ នាទី
សង្ខេប និងណែនាំលំហាត់	១៥ នាទី
សរុប	១៨០ នាទី / ៣ ម៉ោង

ខ. ចំណាំអំពីទិន្នន័យ¶

ស៊េរី VH និងក្រឡាក្នុងរូប និងពិសោធន៍ ត្រូវបានក្លែងធ្វើតាមលំនាំដែលបានរាយការណ៍សម្រាប់ស្រែអាស៊ីអាគ្នេយ៍។ និស្សិតទាញស៊េរីពិតក្នុងលំហាត់ទី១១។
ប្រសិនបើគ្មានចំណុចវាល និស្សិតអាចបង្កើតចំណុចផ្ទៀងផ្ទាត់ពីរូបភាព Google Earth និងក្រាប VH ប៉ុន្តែត្រូវរាយការណ៍ថាវាមិនមែនការស្ទង់វាល។

គ. ការភ្ជាប់ទៅមេរៀនបន្ទាប់¶

ស្រែជាច្រើនជុំវិញភ្នំពេញ និងទីរួមខេត្ត កំពុងក្លាយជាបុរី និងរោងចក្រ។ ការប្ដូរនេះមិនត្រឹមតែកាត់បន្ថយដីកសិកម្មទេ ប៉ុន្តែក៏ប្ដូរសីតុណ្ហភាពផ្ទៃ និងហានិភ័យទឹកជំនន់ផងដែរ។

តើទីក្រុងពង្រីកលឿនប៉ុណ្ណា ហើយវាក្ដៅជាងជនបទជុំវិញប៉ុណ្ណា?

សំណួរនេះនាំទៅ មេរៀនទី១២៖ ទីក្រុង ការពង្រីក និងសីតុណ្ហភាពផ្ទៃដី។

⬅️ មេរៀនទី១០ · ➡️ មេរៀនទី១២