បន្ទាប់ពីបញ្ចប់មេរៀន និស្សិតអាច៖
សាលារាជធានីភ្នំពេញ ចង់ដាំដើមឈើ និងបង្កើតឧទ្យានតូចៗ នៅតំបន់ដែលក្ដៅបំផុត និងមានប្រជាជនរស់នៅក្រាស់។ ពួកគេក៏ចង់ដឹងថាទីក្រុងបានពង្រីកប៉ុណ្ណាចាប់ពីឆ្នាំ ២០១៦ ហើយតំបន់ពង្រីកថ្មី ក្ដៅជាងតំបន់ដែលនៅតែជាស្រែឬទេ។ ស្ថានីយឧតុនិយមមានតែពីរបីកន្លែង មិនអាចបង្ហាញភាពខុសគ្នាក្នុងទីក្រុងបានទេ។
សំណួរដែលមេរៀននេះឆ្លើយ៖
តើត្រូវវាស់ផ្ទៃទីក្រុង និងការពង្រីករបស់វាយ៉ាងដូចម្ដេច?
គិតម្នាក់ឯង ១ នាទី · ពិភាក្សាជាគូ ២ នាទី · ចែករំលែកជាមួយថ្នាក់។
រយៈពេលបង្រៀនដែលស្នើ៖ ៣ ម៉ោង · មេរៀនទី ១២ ក្នុងចំណោម ១៥
:material-presentation-play: ស្លាយបង្រៀនមេរៀននេះ
ភ្នំពេញ និងទីរួមខេត្តធំៗ កំពុងពង្រីកយ៉ាងលឿន៖ បុរីថ្មី រោងចក្រ ផ្លូវល្បឿនលឿន និងការចាក់ដីបំពេញបឹង និងវាលស្រែជុំវិញ។ ក្រុងព្រះសីហនុបានប្ដូររូបរាងស្ទើរទាំងស្រុងក្នុងរយៈពេលតែប៉ុន្មានឆ្នាំ។ ការពង្រីកនេះប៉ះពាល់ដល់ដីកសិកម្ម ផ្លូវទឹក និងហានិភ័យទឹកជំនន់ ហើយវាធ្វើឱ្យទីក្រុង ក្ដៅជាងជនបទជុំវិញ។
មេរៀននេះបង្រៀនការវាស់ការពង្រីកទីក្រុង ដោយសន្ទស្សន៍ និងទិន្នន័យសកល (GHSL Dynamic World WorldCover ពន្លឺពេលយប់) និងការគណនា សីតុណ្ហភាពផ្ទៃដី (LST) ពី Landsat ដើម្បីវិភាគកោះកំដៅទីក្រុង និងការប៉ះពាល់កំដៅ។
ទីក្រុងជាគម្របដីដែលប្ដូរលឿន និងកម្របញ្ច្រាសវិញ។
ក្នុងរូបភាពអុបទិក ការពង្រីកបង្ហាញជា៖ រុក្ខជាតិបាត់ (NDVI ធ្លាក់) ដីទទេ និងដីចាក់បំពេញ (ភ្លឺក្នុង SWIR) បន្ទាប់មកអគារ និងផ្លូវ (NDBI ខ្ពស់)។ ដំណាក់កាល «ដីទទេ» អាចមានរយៈពេលច្រើនឆ្នាំ ជាពិសេសនៅបុរីដែលចាក់ដីរួច ប៉ុន្តែមិនទាន់សាងសង់។
វិធីសាមញ្ញបំផុតគឺប្រៀបធៀប composite រដូវប្រាំងពីរឆ្នាំ៖
```javascript var aoi = ee.FeatureCollection('FAO/GAUL/2015/level1').filter(ee.Filter.eq('ADM1_NAME', 'Phnom Penh')); function dry(y) { return ee.ImageCollection('COPERNICUS/S2_SR_HARMONIZED').filterBounds(aoi) .filterDate(y + '-01-01', y + '-04-30').filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', …
NDBI នៅកម្ពុជាមិនបែងចែកដីទទេ ពីអគារបានល្អទេ (ដីស្ងួត និងដំបូលដែកមាន SWIR ខ្ពស់ដូចគ្នា)។
អូសរបារដើម្បីប្រៀបធៀបរូបភាពពីរឆ្នាំ ហើយប្ដូរកម្រិត ΔNDVI និង NDBI ដើម្បីរកសំណង់ថ្មី។ រូបភាពជា Sentinel-2 ពិត ហើយផ្ទៃដែលបង្ហាញត្រូវបានគណនាពីក្រឡាពិត។
ពិពណ៌នាដំណាក់កាលនៃការពង្រីកទីក្រុង ដូចដែលវាបង្ហាញក្នុង NDVI និង NDBI។
ឆ្លើយក្នុង ១ នាទី មុនបន្តទៅផ្នែកបន្ទាប់។
ជាញឹកញាប់មិនចាំបាច់ចាប់ផ្ដើមពីសូន្យទេ៖
```javascript // GHSL៖ ម² សំណង់ក្នុងក្រឡា ១០០ ម · រូបភាពមួយក្នុងមួយយុគ (១៩៧៥ … ២០៣០) var b2000 = ee.Image('JRC/GHSL/P2023A/GHS_BUILT_S/2000').select('built_surface'); var b2020 = ee.Image('JRC/GHSL/P2023A/GHS_BUILT_S/2020').select('built_surface'); Map.addLayer(b2020.subtract(b2000).clip(aoi), …
var dw = ee.ImageCollection('GOOGLE/DYNAMICWORLD/V1').filterBounds(aoi); var built2024 = dw.filterDate('2024-01-01', '2025-01-01').select('built').mean().gt(0.5); // ប្រូបាប៊ីលីតេ var lights = ee.ImageCollection('NOAA/VIIRS/DNB/MONTHLY_V1/VCMSLCFG').filterDate('2024-01-01', '2025-01-01') …
ចំណុចត្រូវចាំ៖ GHSL មានស៊េរីវែង (១៩៧៥–២០៣០ រៀងរាល់ ៥ ឆ្នាំ) ប៉ុន្តែឆ្នាំក្រោយ ២០២០ ជាការព្យាករ ហើយក្រឡា ១០០ ម។
Landsat 8 និង 9 មានឧបករណ៍ TIRS ដែលវាស់វិទ្យុសកម្មកម្ដៅ។
ក្នុង Collection 2 Level-2 ក្រុមរលក ST_B10 ត្រូវបានកែបរិយាកាស និង emissivity រួចជាស្រេច៖ យើងគ្រាន់តែបម្លែងឯកតា៖
```javascript function prepL(img) { var qa = img.select('QA_PIXEL'); var clear = qa.bitwiseAnd(1 << 1).eq(0) // dilated cloud .and(qa.bitwiseAnd(1 << 3).eq(0)) // cloud .and(qa.bitwiseAnd(1 << 4).eq(0)); …
ចំណុចសំខាន់៖
ក្នុងទីក្រុង LST ទាក់ទងអវិជ្ជមានខ្លាំងជាមួយ NDVI៖ រុក្ខជាតិបញ្ចេញចំហាយទឹក ហើយផ្ដល់ម្លប់។
ទឹកត្រជាក់បំផុត ហើយដំបូលដែក ផ្លូវកៅស៊ូ និងដីទទេក្ដៅបំផុត។ ទំនាក់ទំនងនេះអាចវាស់ដោយ reducer៖
``javascript var fit = land.select(['NDVI', 'LST']).median().clip(aoi).reduceRegion(); print('ជម្រាល °C ក្នុង NDVI ១ ឯកតា', fit.get('scale')); ``
ហេតុអ្វី NDBI ពិបាកបែងចែកដីទទេ និងអគារនៅកម្ពុជា?
ឆ្លើយក្នុង ១ នាទី មុនបន្តទៅផ្នែកបន្ទាប់។
UHI (Urban Heat Island) = LST មធ្យមក្នុងទីក្រុង − LST មធ្យមក្នុងជនបទជុំវិញ។
របៀបកំណត់ «ទីក្រុង» និង «ជនបទ» ប្ដូរលទ្ធផលច្រើន៖
```javascript var wc = ee.ImageCollection('ESA/WorldCover/v200').first(); var urban = wc.eq(50); var ring = aoi.geometry().buffer(10000).difference(aoi.geometry()); // ទ្រនាប់ ១០ គម var rural = wc.eq(10).or(wc.eq(30)).or(wc.eq(40)); // ព្រៃ ស្មៅ ដំណាំ var lstAll = …
ក្នុងរដូវក្ដៅ ស្រែស្ងួតជុំវិញទីក្រុងក៏ក្ដៅខ្លាំងដែរ ដូច្នេះ UHI ពេលថ្ងៃអាចតូច ឬសូម្បីអវិជ្ជមាន។
កំដៅក្លាយជាហានិភ័យ នៅពេលមានមនុស្សរងផលប៉ះពាល់៖
```javascript var khan = ee.FeatureCollection('FAO/GAUL/2015/level2').filter(ee.Filter.eq('ADM1_NAME', 'Phnom Penh')); var pop = ee.ImageCollection('WorldPop/GP/100m/pop').filter(ee.Filter.eq('country', 'KHM')) .filter(ee.Filter.eq('year', 2020)).first().rename('pop'); var table = …
ចំណាំ៖ reduceRegions ដែលមាន reducer តែមួយ (mean) លើរូបភាពពីរក្រុមរលក ផ្ដល់ឈ្មោះលក្ខណៈតាមក្រុមរលក (LST និង NDVI_med)។
គណនា newBuilt (ផ្នែក ១២.៣.២) និងប្រូបាប៊ីលីតេ built របស់ Dynamic World ឆ្នាំ ២០១៧ និង ២០២៤ (ផ្នែក ១២.៣.៣)។
គណនាផ្ទៃ built ក្នុងឆ្នាំនីមួយៗ ដោយ pixelArea។ ប្រៀបធៀបផ្ទៃកើនឡើងពីវិធីទាំងពីរ ហើយពន្យល់ភាពខុសគ្នា។
គណនា lst median មីនា–ឧសភា ២០២១–២០២៤ (ផ្នែក ១២.៣.៤)។
ពិនិត្យចំនួនរូបភាពស្អាតក្នុងក្រឡានីមួយៗ ដោយ land.select('LST').count()។
```javascript var stable = urban.and(newBuilt.not()); // ទីក្រុងចាស់ var still = rural; // នៅតែជាជនបទ function meanLST(mask) { return …
គណនាតារាងខណ្ឌ (ផ្នែក ១២.៣.៧) ហើយនាំចេញជា CSV។
តម្រៀបតាម LST និងប្រជាជន ដើម្បីកំណត់ខណ្ឌអាទិភាព។
LST ម៉ោង ១០:៣០ ព្រឹក មិនមែនសីតុណ្ហភាពខ្យល់ ឬកំដៅដែលមនុស្សទទួលពេលរសៀល ឬពេលយប់ទេ។ ក្រឡា ១០០ ម លាយដំបូល ផ្លូវ និងដើមឈើ។ ទំនាក់ទំនង LST–NDVI មិនបញ្ជាក់ថាការដាំដើមឈើមួយនឹងធ្វើឱ្យត្រជាក់ចំនួនប៉ុន្មានអង្សាទេ។
លំហាត់ដំណើរការក្នុង Earth Engine Code Editor ជាមួយទិន្នន័យកាតាឡុក ហើយមានរូបលទ្ធផលគំរូ តារាងកំហុសទូទៅ និងប្រអប់ពិនិត្យលទ្ធផលដោយខ្លួនឯង។
ការពង្រីកទីក្រុងបង្ហាញជារុក្ខជាតិបាត់ ដីទទេ និងសំណង់ថ្មី។ ការប្ដូរ NDVI និង NDBI រវាងពីរឆ្នាំ រកផ្ទៃដែលក្លាយជាមិនមែនរុក្ខជាតិ ប៉ុន្តែមិនបែងចែកដីចាក់បំពេញ ពីអគារបានល្អទេ។ GHSL Dynamic World WorldCover និង VIIRS ផ្ដល់ការវាស់ទីក្រុងរួចជាស្រេច ដោយនិយមន័យ និងក្រឡាខុសគ្នា។
LST ពី Landsat C2 L2 ST_B10 គណនាដោយការបម្លែងឯកតាសាមញ្ញ បន្ទាប់ពីលុបពពក។ LST ទាក់ទងអវិជ្ជមានជាមួយ NDVI ហើយ UHI អាស្រ័យលើនិយមន័យទីក្រុង និងជនបទ។ ការភ្ជាប់ LST ជាមួយប្រជាជនតាមខណ្ឌ ជួយកំណត់តំបន់អាទិភាពសម្រាប់ដើមឈើ និងម្លប់។
ទីក្រុងប្ដូរគម្របដី ហើយគម្របដីប្ដូរសីតុណ្ហភាព។ ផែនទីកំដៅមានប្រយោជន៍បំផុត នៅពេលវាប្រាប់ពីកន្លែងដែលកំដៅ និងមនុស្សជួបគ្នា ជាមួយការពន្យល់ច្បាស់ថា LST វាស់អ្វី និងមិនវាស់អ្វី។
| ពាក្យខ្មែរ | ពាក្យអង់គ្លេស | អត្ថន័យខ្លី |
|---|---|---|
| ការពង្រីកទីក្រុង | Urban expansion | ការកើនផ្ទៃសំណង់ |
| សន្ទស្សន៍សំណង់ | NDBI | SWIR1 និង NIR សម្រាប់សំណង់/ដីទទេ |
| ផ្ទៃសំណង់ | Built-up surface | ផ្ទៃអគារ និងផ្លូវ |
| ពន្លឺពេលយប់ | Night-time lights | វិទ្យុសកម្មពន្លឺពី VIIRS |
| សីតុណ្ហភាពផ្ទៃដី | Land surface temperature (LST) | សីតុណ្ហភាពផ្ទៃ មិនមែនខ្យល់ |
| ភាពបញ្ចេញកម្ដៅ | Emissivity | សមត្ថភាពបញ្ចេញវិទ្យុសកម្មកម្ដៅ |
| កោះកំដៅទីក្រុង | Urban heat island (UHI) | ទីក្រុងក្ដៅជាងជនបទ |
| ការប៉ះពាល់កំដៅ | Heat exposure | មនុស្សដែលរស់ក្នុងតំបន់ក្ដៅ |
គណនា LST រដូវក្ដៅនៃទីរួមខេត្តមួយ (ក្រៅពីភ្នំពេញ) និង UHI ដោយនិយមន័យជនបទពីរផ្សេងគ្នា។ សរសេរកថាខណ្ឌមួយពន្យល់ភាពខុសគ្នា។
ជំពូកទី២–៤ បានផ្ដល់ស្រទាប់ជាច្រើន៖ ទឹកជំនន់ គ្រោះរាំងស្ងួត ជម្រាល HAND ព្រៃ ស្រែ ទីក្រុង និងកំដៅ។ សំណួរជាក់ស្ដែងជាច្រើនត្រូវការស្រទាប់ទាំងនេះរួមគ្នា៖ «តើគួរសង់សាលារៀន ឬអាងស្តុកទឹកនៅទីណា?»
តើត្រូវរួមបញ្ចូលស្រទាប់ច្រើនដែលមានឯកតាខុសគ្នា ទៅជាការសម្រេចចិត្តមួយដោយរបៀបណា ហើយទម្ងន់គួរកំណត់យ៉ាងដូចម្ដេច?
អានមេរៀនពេញ និងធ្វើលំហាត់ទី១២
https://khgeo.github.io/applied-gis-rs/lessons/lesson-12/