លំហាត់ទី១៣៖ សមស្របភាពទីតាំង¶

ព័ត៌មានលំហាត់

មេរៀនពាក់ព័ន្ធ៖ មេរៀនទី១៣៖ ការវិភាគពហុលក្ខខណ្ឌជាមួយទិន្នន័យ RS ការអនុវត្តដោយខ្លួនឯង · Earth Engine Code Editor · Excel/Python · QGIS · ប្រហែល ១៤០ នាទី

ស្ថានភាព¶

អ្នកនឹងធ្វើការវិភាគភាពសមស្របពេញលេញមួយ សម្រាប់ខេត្តរបស់អ្នក៖ ជ្រើសសំណួរទីតាំង កំណត់កត្តា និងឧបសគ្គ គណនាទម្ងន់ AHP ធ្វើផែនទី WLC ពិនិត្យភាពរសើប ហើយនាំចេញទីតាំងបេក្ខភាព។

គោលបំណង¶

បម្លែងសំណួរទីតាំង ទៅជាកត្តា ៤–៥ និងឧបសគ្គ ៣–៥។
គណនាទម្ងន់ AHP និង CR ពីម៉ាទ្រីសរបស់អ្នក។
ធ្វើផែនទីភាពសមស្រប និងការវិភាគភាពរសើបបីសេណារីយ៉ូ។
នាំចេញទីតាំងបេក្ខភាព ២០–៤០ ជា KML/SHP។

លំដាប់ការងារនៃលំហាត់ទី១៣ និងពេលវេលាប្រហាក់ប្រហែល។

ឯកសារដែលប្រើ¶

USGS/SRTMGL1_003 · ESA/WorldCover/v200 · OpenLandMap/SOL/SOL_CLAY-WFRACTION_USDA-3A1A1A_M/v02 · UCSB-CHG/CHIRPS/DAILY · JRC/GSW1_4/GlobalSurfaceWater · MERIT/Hydro/v1_0_1 · WCMC/WDPA/current/polygons។

ពិសោធន៍មុនចាប់ផ្ដើម · ១០ នាទី¶

ដាក់ទម្ងន់ទាំងអស់ស្មើគ្នា បន្ទាប់មកដាក់ជម្រាល ៧០%។ តើទីតាំងល្អបំផុតផ្លាស់ទីប៉ុណ្ណា?

សកម្មភាពទី១៖ សំណួរ និងលក្ខខណ្ឌ · ២០ នាទី¶

ជ្រើសសំណួរមួយ៖ (ក) ស្រះសហគមន៍ (ដូចមេរៀន) (ខ) ជម្រកសង្គ្រោះពេលទឹកជំនន់ ឬ (គ) កសិដ្ឋានសូឡា។ សរសេរតារាង៖ លក្ខខណ្ឌ · កត្តា/ឧបសគ្គ · ទិន្នន័យ · ទិស (ច្រើនល្អ/តិចល្អ) · ចំណុចបត់ · ប្រភពនៃចំណុចបត់។ ឧទាហរណ៍សម្រាប់ (ខ)៖ HAND ខ្ពស់ល្អ (> ៥ ម) · ជិតភូមិ (< ២ គម) · ជិតផ្លូវ · ជម្រាលតិច · ឧបសគ្គ៖ ទឹក ព្រៃការពារ។

សកម្មភាពទី២៖ ស្រទាប់ និងស្តង់ដារ · ៣០ នាទី¶

var aoi = ee.FeatureCollection('FAO/GAUL/2015/level1').filter(ee.Filter.eq('ADM1_NAME', 'Kampong Speu'));   // ខេត្តរបស់អ្នក
Map.centerObject(aoi, 9);
function up(img, a, b) { return img.unitScale(a, b).clamp(0, 1); }
function down(img, a, b) { return ee.Image(1).subtract(up(img, a, b)); }
var slope = ee.Terrain.slope(ee.Image('USGS/SRTMGL1_003'));
var wc = ee.ImageCollection('ESA/WorldCover/v200').first();
function distTo(mask) {
  return mask.selfMask().unmask(0).fastDistanceTransform(256).sqrt().multiply(ee.Image.pixelArea().sqrt())
    .reproject({crs: 'EPSG:32648', scale: 30});
}
var clay = ee.Image('OpenLandMap/SOL/SOL_CLAY-WFRACTION_USDA-3A1A1A_M/v02').select('b30');
var rain = ee.ImageCollection('UCSB-CHG/CHIRPS/DAILY').filterDate('2004-01-01', '2024-01-01').sum().divide(20);
var F = ee.Image.cat([
  down(slope, 1, 6).rename('f1'),
  down(distTo(wc.eq(40)), 0, 1500).rename('f2'),
  up(clay, 15, 45).rename('f3'),
  up(rain, 1100, 1800).rename('f4')
]).clip(aoi);
var vis = {min: 0, max: 1, palette: ['#d7191c', '#ffffbf', '#1a9641']};
['f1', 'f2', 'f3', 'f4'].forEach(function(b) { Map.addLayer(F.select(b), vis, b, false); });

សម្រាប់សំណួរ (ខ) ឬ (គ) ប្ដូរកត្តាតាមតារាងរបស់អ្នក (ឧ. ee.Image('MERIT/Hydro/v1_0_1').select('hnd') សម្រាប់ HAND)។ បើកស្រទាប់នីមួយៗ ហើយពិនិត្យថាបៃតង = ល្អ។

សកម្មភាពទី៣៖ AHP · ២៥ នាទី¶

បំពេញម៉ាទ្រីស ៤ × ៤ (មាត្រដ្ឋាន Saaty ១–៩) ក្នុង Excel ឬ Python៖

import numpy as np
M = np.array([[1, 3, 2, 4], [1/3, 1, 1/2, 2], [1/2, 2, 1, 3], [1/4, 1/2, 1/3, 1]])   # ប្ដូរតាមការវិនិច្ឆ័យរបស់អ្នក
w, v = np.linalg.eig(M); k = np.argmax(w.real)
weights = np.abs(v[:, k].real); weights /= weights.sum()
CR = ((w[k].real - 4) / 3) / 0.90
print(weights.round(3), round(CR, 3))

ប្រសិនបើ CR ≥ ០,១ ពិនិត្យការវិនិច្ឆ័យដែលផ្ទុយគ្នា ហើយកែ។ កត់ត្រាទម្ងន់ចុងក្រោយ។

សកម្មភាពទី៤៖ WLC ឧបសគ្គ និងភាពរសើប · ៣៥ នាទី¶

var W_AHP = [0.47, 0.16, 0.28, 0.09];                              // ពីសកម្មភាពទី៣
var pa = ee.FeatureCollection('WCMC/WDPA/current/polygons').filter(ee.Filter.eq('ISO3', 'KHM'));
var jrc = ee.Image('JRC/GSW1_4/GlobalSurfaceWater').select('occurrence').unmask(0);
var ok = ee.Image(1).paint(pa, 0).and(wc.neq(10)).and(wc.neq(50)).and(wc.neq(80)).and(jrc.lt(20)).and(slope.lt(8));
function wlc(w) {
  var s = w[0] + w[1] + w[2] + w[3];
  return F.select('f1').multiply(w[0] / s).add(F.select('f2').multiply(w[1] / s))
    .add(F.select('f3').multiply(w[2] / s)).add(F.select('f4').multiply(w[3] / s)).updateMask(ok).rename('S');
}
function top10(img) {
  var p = ee.Number(img.reduceRegion({reducer: ee.Reducer.percentile([90]), geometry: aoi.geometry(), scale: 90, maxPixels: 1e9}).get('S'));
  return img.gte(p);
}
var sA = wlc(W_AHP), sB = wlc([1, 1, 1, 1]), sC = wlc([4, 3, 2, 1]);
var robust = top10(sA).and(top10(sB)).and(top10(sC)).selfMask();
Map.addLayer(sA, {min: 0.2, max: 0.9, palette: ['#d7191c', '#fdae61', '#ffffbf', '#a6d96a', '#1a9641']}, 'ភាពសមស្រប (AHP)');
Map.addLayer(robust, {palette: ['#6a1b9a']}, 'ល្អបំផុតក្នុងសេណារីយ៉ូទាំងបី');
var km2 = ee.Image.pixelArea().divide(1e6);
print('ផ្ទៃ top10 AHP', km2.updateMask(top10(sA)).reduceRegion({reducer: ee.Reducer.sum(), geometry: aoi.geometry(), scale: 30, maxPixels: 1e10, tileScale: 4}),
      'ផ្ទៃរឹងមាំ', km2.updateMask(robust).reduceRegion({reducer: ee.Reducer.sum(), geometry: aoi.geometry(), scale: 30, maxPixels: 1e10, tileScale: 4}));

ការ reduceRegion នៃ percentile ផ្ដល់គន្លឹះ S ព្រោះរូបភាពមានក្រុមរលកតែមួយ និង reducer តែមួយ។ ប្រសិនបើ print បង្ហាញ S_p90 សូមប្ដូរឈ្មោះគន្លឹះ។

សកម្មភាពទី៥៖ ទីតាំងបេក្ខភាព · ២០ នាទី¶

var big = robust.updateMask(robust.connectedPixelCount(100, true).gte(20));
var sites = big.reduceToVectors({geometry: aoi.geometry(), scale: 30, geometryType: 'polygon', maxPixels: 1e10, tileScale: 4})
  .map(function(f) {
    return f.set({area_ha: f.geometry().area(10).divide(1e4),
                  score: sA.reduceRegion({reducer: ee.Reducer.mean(), geometry: f.geometry(), scale: 30}).get('S')});
  }).sort('score', false).limit(40);
Map.addLayer(sites, {color: 'purple'}, 'ទីតាំងបេក្ខភាព');
Export.table.toDrive({collection: sites, description: 'suitability_candidates', folder: 'applied_gis', fileFormat: 'KML'});
Export.image.toDrive({image: sA.toFloat(), description: 'suitability_ahp', folder: 'applied_gis', region: aoi.geometry(),
  scale: 30, crs: 'EPSG:32648', maxPixels: 1e10});

បើក KML ក្នុង Google Earth Pro ហើយពិនិត្យទីតាំង ៥ ល្អបំផុតដោយភ្នែក៖ តើមានអ្វីដែលទិន្នន័យមិនបានឃើញ (ផ្ទះ វត្ត ផ្លូវ)?

លទ្ធផលដែលរំពឹងទុក¶

ប្រៀបធៀបលទ្ធផលរបស់អ្នកជាមួយរូបខាងក្រោម។ លេខ និងពណ៌មិនចាំបាច់ដូចបេះបិទទេ ប៉ុន្តែលំនាំគួរតែស្រដៀងគ្នា។

លទ្ធផលគំរូ ១៖ ផែនទីភាពសមស្រប។

អ្វីដែលត្រូវពិនិត្យ

ក្រឡានីមួយៗទទួលពិន្ទុ ០–១៖ ផលបូកមានទម្ងន់នៃកត្តាស្តង់ដារ។
ពិន្ទុខ្ពស់នៅកន្លែងដែលរាបស្មើ ជិតដំណាំ និងដីឥដ្ឋច្រើន៖ ប៉ុន្តែកត្តាខ្សោយមួយអាចត្រូវបានទូទាត់ដោយកត្តាល្អ (compensation)។
ប្រសិនបើកត្តាណាមួយមិនអាចទូទាត់បាន (ឧ. ជម្រាល > ១០°) វាត្រូវតែជាឧបសគ្គ មិនមែនកត្តាទេ។

លទ្ធផលគំរូ ២៖ ទីតាំងល្អ មិនគួរពឹងលើលេខទម្ងន់មួយ។

អ្វីដែលត្រូវពិនិត្យ

ប្រសិនបើប្ដូរទម្ងន់តិចតួច ហើយទីតាំងល្អប្ដូរទាំងស្រុង លទ្ធផលមិនរឹងមាំទេ។
នៅទីនេះ ទីតាំងល្អបំផុតនៅដដែល ៩៥–១០០%៖ លទ្ធផលរឹងមាំ។ ការប្ដូរ «ជម្រាល» ប៉ះពាល់ច្រើនបំផុត។
រាយការណ៍ទីតាំងដែលល្អក្នុងគ្រប់សេណារីយ៉ូ ជាការណែនាំដែលរឹងមាំជាងគេ។

កំហុសទូទៅ និងដំណោះស្រាយ¶

បញ្ហាដែលឃើញ	មូលហេតុទូទៅ	ដំណោះស្រាយ
ចម្ងាយប្ដូរតាម zoom	fastDistanceTransform គ្មាន reproject	reproject({crs: 'EPSG:32648', scale: 30})
ផែនទីភាពសមស្របបញ្ច្រាស	ទិសកត្តាខុស (តិចល្អ ↔ ច្រើនល្អ)	ប្រើ down() សម្រាប់ «តិចល្អ»
គ្មានក្រឡាសល់	ឧបសគ្គតឹងពេក	ពិនិត្យឧបសគ្គម្ដងមួយ
percentile get() = null	ឈ្មោះគន្លឹះ S_p90	print មុន · values().get(0)
CR ≥ ០,១	ការវិនិច្ឆ័យផ្ទុយគ្នា	កែម៉ាទ្រីស ហើយគណនាឡើងវិញ

លទ្ធផលត្រូវប្រគល់¶

តារាងលក្ខខណ្ឌ (សកម្មភាពទី១) ជាមួយប្រភពចំណុចបត់។
ម៉ាទ្រីស AHP ទម្ងន់ និង CR។
ផែនទីភាពសមស្រប និងផែនទីទីតាំងរឹងមាំ (រូបអេក្រង់ ឬ QGIS)។
KML ទីតាំងបេក្ខភាព និងកំណត់ត្រាពិនិត្យដោយភ្នែកនៃ ៥ ទីតាំងល្អបំផុត។
កថាខណ្ឌមួយ៖ ដែនកំណត់ និងជំហានបន្ទាប់ (វាល សហគមន៍ កម្មសិទ្ធិ)។

ពិនិត្យលទ្ធផលដោយខ្លួនឯង¶

១. មុខងារណាបម្លែងរូបភាពទៅចន្លោះ ០–១ តាមតម្លៃ a និង b?

២. CR ក្រោមប៉ុន្មានដែលចាត់ទុកថាទទួលយកបាន?

៣. មុខងារណាគណនាចម្ងាយពីក្រឡាមួយប្រភេទ?

៤. មុខងារណាបម្លែងក្រុមក្រឡាទៅជាពហុកោណ?