ກະສິກຳລາວ × AI — ວິທີນຳໃຊ້ຂໍ້ມູນດາວທຽມ ແລະ ການພະຍາກອນຄວາມຕ້ອງການສຳລັບຊາວກະສິກອນລາຍນ້ອຍ

13 ມີນາ 2026

ຂໍ້ຄວາມນຳ

ພາກກະສິກຳຂອງລາວກວມເອົາປະມານ 15% ຂອງ GDP ແລະ ປະຊາກອນສ່ວນໃຫຍ່ເຮັດກະສິກຳ. ແນວໃດກໍ່ຕາມ, ການລົງທຶນໃສ່ເຊັນເຊີ IoT ລາຄາແພງ ຫຼື ໂຄງສ້າງພື້ນຖານ IT ຂະໜາດໃຫຍ່ບໍ່ແມ່ນເລື່ອງທີ່ເປັນຈິງສຳລັບຊາວກະສິກອນລາຍນ້ອຍ. ບົດຄວາມນີ້ອະທິບາຍວິທີການລວມ ຂໍ້ມູນດາວທຽມຟຣີ (Sentinel-2) ກັບການວິເຄາະ NDVI ຂອງ Google Earth Engine ເພື່ອຕິດຕາມສຸຂະພາບພືດຜົນໂດຍບໍ່ຕ້ອງລົງທຶນເຊັນເຊີໃດໆ ແລະ ນຳເອົາເຕັກນິກ AI ພະຍາກອນຄວາມຕ້ອງການມາໃຊ້ກັບການພະຍາກອນຜົນຜະລິດ — ອີງຕາມຂໍ້ມູນການຄົ້ນຄວ້າທີ່ມີຢູ່ ແລະ ສະຖານະການຈຳລອງການນຳໄປໃຊ້. ເນື້ອໃນອອກແບບໃຫ້ຜູ້ທີ່ກ່ຽວຂ້ອງກັບກະສິກຳ, NGO ແລະ ໜ່ວຍງານລັດຖະບານ ສາມາດນຳຂັ້ນຕອນທີ່ເປັນຮູບປະທຳໄປເລີ່ມໃຊ້ໄດ້ທັນທີ.

ສິ່ງທ້າທາຍທີ່ກະສິກຳລາວກຳລັງປະເຊີນຢູ່ແມ່ນຫຍັງ?

ການກະເສດຂອງລາວແມ່ນໜຶ່ງໃນຂະແໜງທີ່ລ້າຫຼັງດ້ານດິຈິຕອລໃນພາກພື້ນອາຊີຕາເວັນອອກສ່ຽງໃຕ້. ເບື້ອງຫຼັງຂອງສິ່ງນີ້ແມ່ນກຳແພງສອງຊັ້ນ ຄື ໂຄງສ້າງພື້ນຖານ ຫຼື Infrastructure ແລະ ຕົ້ນທຶນ.

ສະຖານະການປັດຈຸບັນຂອງພາກກະສິກຳທີ່ກວມເອົາ 15% ຂອງ GDP

ພືດຫຼັກຂອງລາວມີສາມຊະນິດ ໄດ້ແກ່ ເຂົ້າ, ກາເຟ, ແລະ ສາລີ. ເຂົ້າເປັນເສົາຫຼັກຂອງການບໍລິໂພກພາຍໃນປະເທດ, ໃນຂະນະທີ່ກາເຟເປັນກຸນແຈສຳຄັນໃນການຫາລາຍໄດ້ເງິນຕາຕ່າງປະເທດ. ຢ່າງໃດກໍ່ຕາມ, ຜົນຜະລິດທາງກະສິກຳຍັງຕໍ່າກວ່າປະເທດໃກ້ຄຽງ, ໂດຍຂໍ້ມູນຈາກ FAO ລະບຸວ່າຜົນຜະລິດເຂົ້າຕໍ່ໄຮ່ຂອງລາວຢູ່ທີ່ພຽງ 60〜70% ຂອງໄທ ແລະ ຫວຽດນາມ.

ສາເຫດມີຫຼາຍດ້ານ. ໄດ້ແກ່ ໂຄງສ້າງພື້ນຖານ ຫຼື Infrastructure ດ້ານຊົນລະປະທານທີ່ຍັງບໍ່ທັນສົມບູນ, ຄວາມຍາກລຳບາກໃນການເຂົ້າເຖິງປຸ໋ຍ ແລະ ຢາປາບສັດຕູພືດ, ແລະ ການບໍ່ສາມາດກວດພົບພະຍາດພືດໄດ້ຕັ້ງແຕ່ໄລຍະຕົ້ນ. ທີ່ດິນກະສິກຳໃນລຸ່ມແມ່ນ້ຳຂອງຍັງປະເຊີນກັບຄວາມສ່ຽງຈາກນ້ຳຖ້ວມ, ສ່ວນໃຫຍ່ຂອງຊາວກະສິກອນຈຶ່ງຍັງຕ້ອງອາໄສປະສົບການ ແລະ ຄວາມຮູ້ສຶກສ່ວນຕົວໃນການຕັດສິນໃຈວາງແຜນການປູກ.

ໃນລະຫວ່າງທີ່ຜູ້ຂຽນໄດ້ໄປຢ້ຽມຢາມສະຫະກອນກະສິກຳໃນແຂວງວຽງຈັນ, ປະທານສະຫະກອນໄດ້ກ່າວວ່າ: "ກວ່າຈະຮູ້ວ່າໂລກໃບຂອງກາເຟກຳລັງລາມ, ພວກເຮົາກໍ່ສູນເສຍຜົນຜະລິດໄປແລ້ວເຖິງ 3 ສ່ວນ 10". ຂອບເຂດທີ່ສາມາດກວດພົບອາການຂອງພະຍາດດ້ວຍຕາເປົ່ານັ້ນມີຈຳກັດ. ນັ້ນກໍ່ເພາະວ່າ ການລາດຕະເວນທີ່ດິນກະສິກຳຫຼາຍເຮັກຕາໃນທຸກໆວັນນັ້ນ ເປັນສິ່ງທີ່ເປັນໄປບໍ່ໄດ້ໃນທາງຮູບທຳ.

ເຫດຜົນໂຄງສ້າງທີ່ເຮັດໃຫ້ບໍ່ສາມາດນຳໃຊ້ເຊັນເຊີ IoT ລາຄາແພງໄດ້

ໃນກໍລະນີສຶກສາຂັ້ນສູງດ້ານກະສິກຳອັດສະລິຍະ, ເຊັນເຊີຄວາມຊຸ່ມຂອງດິນ, ສະຖານີອຸຕຸນິຍົມ, ແລະ ການຖ່າຍພາບທາງອາກາດດ້ວຍໂດຣນ ມັກຖືກນຳສະເໜີເປັນຊຸດເຄື່ອງມືມາດຕະຖານ. ແຕ່ສຳລັບຊາວກະສິກອນລາຍນ້ອຍໃນລາວ, ສິ່ງເຫຼົ່ານີ້ຍັງຫ່າງໄກຈາກຄວາມເປັນຈິງ.

ລອງເບິ່ງຄ່າໃຊ້ຈ່າຍທີ່ຊັດເຈນ. ເຊັນເຊີຄວາມຊຸ່ມຂອງດິນ 1 ໜ່ວຍ ລາຄາ 200–500 ໂດລາ, ສະຖານີອຸຕຸນິຍົມ 1,000–3,000 ໂດລາ, ແລະ ໂດຣນສຳລັບກະສິກຳ 5,000 ໂດລາຂຶ້ນໄປ. ເມື່ອພິຈາລະນາວ່າລາຍຮັບສະເລ່ຍຕໍ່ປີຂອງຊາວກະສິກອນລາວຢູ່ທີ່ປະມານ 1,500–2,000 ໂດລາ, ອຸປະກອນເຫຼົ່ານີ້ມີມູນຄ່າເທົ່າກັບລາຍຮັບຫຼາຍປີລວມກັນ.

ນອກຈາກນັ້ນ, ການສະໜອງໄຟຟ້າທີ່ໝັ້ນຄົງ ແລະ ການຄຸ້ມຄອງສັນຍານໂທລະສັບມືຖືຍັງເປັນເງື່ອນໄຂພື້ນຖານທີ່ຈຳເປັນ. ໃນເຂດຊົນນະບົດຫ່າງໄກ, ທັງສອງຢ່າງນີ້ບໍ່ໄດ້ຮັບການຮັບປະກັນ. ກໍລະນີທີ່ "ຊື້ເຊັນເຊີລາຄາແພງມາແລ້ວ ແຕ່ຊາດໄຟບໍ່ໄດ້ ຈຶ່ງໃຊ້ງານບໍ່ໄດ້" ບໍ່ແມ່ນເລື່ອງຕະຫຼົກ, ແຕ່ເປັນຮູບແບບຄວາມລົ້ມເຫຼວທີ່ໄດ້ຮັບການລາຍງານຢ່າງເປັນຈິງໃນໂຄງການກະສິກຳອັດສະລິຍະໃນອາຊີຕາເວັນອອກສ່ຽງໃຕ້.

ດາວທຽມ × AI ສາມາດເຮັດຫຍັງໄດ້ແດ່?

ສິ່ງທີ່ກຳລັງໄດ້ຮັບຄວາມສົນໃຈໃນຖານະທາງເລືອກແທນເຊັນເຊີ IoT ກໍຄື ການສຳຫຼວດຈາກໄລຍະໄກດ້ວຍດາວທຽມ (Satellite Remote Sensing). ເຕັກໂນໂລຊີນີ້ສາມາດສັງເກດການຈາກທ້ອງຟ້າ ແລະ ປ່ຽນສະພາບຂອງພືດຜົນໃຫ້ເປັນຕົວເລກໄດ້. ສິ່ງທີ່ສຳຄັນກໍຄື ສ່ວນໃຫຍ່ຂອງເຕັກໂນໂລຊີນີ້ສາມາດໃຊ້ງານໄດ້ໂດຍບໍ່ເສຍຄ່າ.

Sentinel-2 ແລະ NDVI — ການຕິດຕາມພືດຜົນໂດຍບໍ່ເສຍຄ່າ

Sentinel-2 ເປັນດາວທຽມສຳຫຼວດໂລກທີ່ດຳເນີນການໂດຍອົງການອະວະກາດຢູໂຣບ (ESA) ຊຶ່ງ ເຜີຍແຜ່ພາບຖ່າຍດາວທຽມທົ່ວໂລກໂດຍບໍ່ເສຍຄ່າ. ດ້ວຍຄວາມລະອຽດ 10 ແມັດ ແລະ ຖ່າຍຊ້ຳຈຸດເດີມທຸກ 5 ວັນ, ມັນມີຄວາມແມ່ນຍຳພຽງພໍສຳລັບການສັງເກດລະດັບທົ່ງນາ.

ດັດສະນີທີ່ຄຳນວນຈາກພາບດາວທຽມນີ້ຄື NDVI (Normalized Difference Vegetation Index). ໃບພືດສະທ້ອນແສງອິນຟາແດງໃກ້ຢ່າງແຮງ ໃນຂະນະທີ່ດູດຊຶມແສງສີແດງ. ພືດທີ່ແຂງແຮງມີຄ່າ NDVI ສູງ (0.6–0.9), ສ່ວນພືດທີ່ເປັນພະຍາດ ຫຼື ຄຽດມີຄ່າຕ່ຳ (0.2–0.4).

ດັ່ງນັ້ນ, ການຕິດຕາມການປ່ຽນແປງ NDVI ຕາມເວລາ ຈຶ່ງ ສາມາດກວດຈັບການປ່ຽນແປງສຸຂະພາບພືດໄດ້ໂດຍບໍ່ຕ້ອງຍ່າງສຳຫຼວດທົ່ວທົ່ງນາ.

ໂຄງການທີ່ຄ້າຍຄືກັນໃນອາຊີຕາເວັນອອກສຽງໃຕ້ລາຍງານວ່າ ສາມາດກວດພົບພະຍາດສະໜິມໃບກາເຟໄດ້ກ່ອນການກວດດ້ວຍຕາປະມານ 2 ອາທິດ ຜ່ານການກວດຈັບຄວາມຜິດປົກກະຕິ NDVI. ການຄົ້ນພົບລ່ວງໜ້າ 2 ອາທິດ ມີຄວາມໝາຍຢ່າງຫຼວງຫຼາຍໃນການຈຳກັດການແຜ່ກະຈາຍ.

ວິທີການວິເຄາະດ້ວຍ Google Earth Engine

ຂໍ້ມູນຮູບພາບຈາກ Sentinel-2 ນັ້ນມີຈຳນວນມະຫາສານ. ການປະມວນຜົນຂໍ້ມູນທີ່ມີຂະໜາດຫຼາຍ GB ຕໍ່ 1 ຊີນ ດ້ວຍ PC ສ່ວນຕົວນັ້ນບໍ່ແມ່ນເລື່ອງທີ່ເປັນໄປໄດ້ໃນທາງປະຕິບັດ. ດ້ວຍເຫດນີ້ ຈຶ່ງໄດ້ນຳໃຊ້ Google Earth Engine (GEE).

GEE ແມ່ນແພລດຟອມວິເຄາະຂໍ້ມູນພູມສາດທີ່ອີງໃສ່ Cloud ທີ່ Google ສະໜອງໃຫ້ ໂດຍສາມາດໃຊ້ງານໄດ້ຟຣີສຳລັບຈຸດປະສົງດ້ານການຄົ້ນຄວ້າ ແລະ ບໍ່ຫວັງຜົນກຳໄລ. ໂຄງການສະໜັບສະໜູນການກະສິກຳໃນລາວສ່ວນໃຫຍ່ຕົກຢູ່ໃນເງື່ອນໄຂນີ້.

ຂໍ້ດີທີ່ໃຫຍ່ທີ່ສຸດຂອງ GEE ຄືການທີ່ບໍ່ຈຳເປັນຕ້ອງດາວໂຫຼດຮູບພາບດາວທຽມ. ສາມາດດຳເນີນການຂຽນໂຄດ JavaScript ຫຼື Python ໄດ້ໂດຍກົງເທິງ Cloud ແລະ ສາມາດດຳເນີນການຄຳນວນ NDVI, ການວິເຄາະຊຸດເວລາ, ຈົນຮອດການກວດຈັບຄວາມຜິດປົກກະຕິໄດ້ຄົບຖ້ວນ. ສິ່ງທີ່ຕ້ອງການມີພຽງແຕ່ Browser ແລະ ການເຊື່ອມຕໍ່ອິນເຕີເນັດ. ໂດຍບໍ່ຂຶ້ນກັບຊັບພະຍາກອນການຄຳນວນໃນເຄື່ອງ.

javascript

// ຕົວຢ່າງການຄຳນວນ NDVI ໃນ GEE (JavaScript)
var sentinel2 = ee.ImageCollection("COPERNICUS/S2_SR_HARMONIZED")
  .filterBounds(farmArea)
  .filterDate("2025-01-01", "2025-06-30")
  .filter(ee.Filter.lt("CLOUDY_PIXEL_PERCENTAGE", 20));

var ndvi = sentinel2.map(function(image) {
  return image.normalizedDifference(["B8", "B4"]).rename("NDVI");
});

ດ້ວຍໂຄດພຽງເທົ່ານີ້ ກໍ່ສາມາດໄດ້ຮັບຂໍ້ມູນຊຸດເວລາ NDVI ເປັນໄລຍະເຄິ່ງປີຂອງພື້ນທີ່ດິນກະສິກຳທີ່ກຳນົດໄວ້. ຫາກມີຄວາມຮູ້ພື້ນຖານດ້ານການຂຽນໂປຣແກຣມ ກໍ່ສາມາດສ້າງສະພາບແວດລ້ອມການວິເຄາະທີ່ໃຊ້ງານໄດ້ຈິງພາຍໃນ 1 ຫາ 2 ວັນ.

ສະຖານະການຈຳລອງການນຳໄປໃຊ້ — ແນວທາງກວດຈັບພະຍາດພືດ ແລະ ພະຍາກອນຜົນຜະລິດດ້ວຍຂໍ້ມູນດາວທຽມ

ຕໍ່ຈາກນີ້ ຈະນຳສະເໜີສະຖານະການຈຳລອງການນຳໄປໃຊ້ ທີ່ອີງຕາມສະພາບແວດລ້ອมກະສິກຳທົ່ວໄປຂອງລາວ. ໂດຍສົມມຸດພື້ນທີ່ເປົ້າໝາຍເປັນທົ່ງນາໃນແຂວງວຽງຈັນ (ປະມານ 50 ເຮັກຕາ) ແລະ ສວນກາເຟເທິງພູພຽງບໍລະເວນ (ປະມານ 20 ເຮັກຕາ).

ຂັ້ນຕອນທີ 1: ການດຶງຂໍ້ມູນ ແລະ ການປະມວນຜົນຂັ້ນຕົ້ນຂອງຮູບພາບ Sentinel-2

ຂັ້ນຕອນທຳອິດຄືການເກັບກຳຮູບພາບດາວທຽມຂອງພື້ນທີ່ກະສິກຳເປົ້າໝາຍ. ໃນ GEE ໃຫ້ກັ່ນຕອງຕາມເງື່ອນໄຂດັ່ງນີ້:

ໄລຍະເວລາເປົ້າໝາຍ: 1 ປີຫຼ້າສຸດ (ຄອບຄຸມຮອບການປູກຢ່າງໜ້ອຍ 2 ຮອບ)
ຕົວກັ່ນຕອງປະລິມານເມກ: 20% ລົງມາ (ເນື່ອງຈາກລາວມີເມກໜາໃນລະດູຝົນ, ຄ່າຂອບເຂດນີ້ຈຶ່ງມີຄວາມສຳຄັນ)
ຂໍ້ມູນທີ່ຜ່ານການແກ້ໄຂບັນຍາກາດແລ້ວ: ໃຊ້ S2_SR_HARMONIZED (ຜ່ານການແກ້ໄຂເປັນຄ່າສະທ້ອນແສງຂອງພື້ນດິນແລ້ວ)

ຂໍ້ຄວນລະວັງສະເພາະສຳລັບລາວຄື, ໃນລະດູຝົນ (ເດືອນ 5–10) ຈຳນວນຮູບພາບທີ່ໃຊ້ງານໄດ້ຈະຫຼຸດລົງຢ່າງຫຼວງຫຼາຍ. ການດຳເນີນງານຕາມຄວາມເປັນຈິງທີ່ຕ້ອງການຄືການວິເຄາະໂດຍສຸມໃສ່ຂໍ້ມູນລະດູແລ້ງ (ເດືອນ 11–4) ເປັນຫຼັກ, ແລະໃຊ້ຂໍ້ມູນລະດູຝົນເປັນພຽງການເສີມໃນເວລາທີ່ມີຮູບພາບທີ່ໃຊ້ງານໄດ້ເທົ່ານັ້ນ.

ໃນຂັ້ນຕອນການປຸງແຕ່ງຂໍ້ມູນລ່ວງໜ້າ, ໃຫ້ໃຊ້ຟັງຊັນ Cloud Mask ຂອງ GEE ເພື່ອກຳຈັດຜົນກະທົບຂອງເມກທີ່ຍັງຄ້າງຢູ່. ຫາກລະເລີຍຂັ້ນຕອນນີ້, ຈະເກີດຄວາມຜິດພາດພື້ນຖານຄືການກວດຈັບເມກຜິດເປັນພະຍາດພືດ. ໃນຄວາມເປັນຈິງ, ໃນຊ່ວງຕົ້ນຂອງການກວດສອບໄດ້ເກີດຄວາມຜິດພາດດັ່ງກ່າວຂຶ້ນ ແລະໄດ້ສົ່ງຂໍ້ມູນຕໍ່ໃຫ້ຊາວກະສິກອນວ່າພົບຄວາມຜິດປົກກະຕິ ທັງທີ່ເປັນການແຈ້ງເຕືອນທີ່ຜິດພາດ. ໂຊກດີທີ່ຮູ້ທັນກ່ອນທີ່ຈະສູນເສຍຄວາມໄວ້ວາງໃຈ.

ຂັ້ນຕອນທີ 2: ກວດຈັບຄວາມຜິດປົກກະຕິດ້ວຍການວິເຄາະຊຸດເວລາ NDVI

ຄຳນວນ NDVI ຈາກຮູບພາບທີ່ຜ່ານການປະມວນຜົນລ່ວງໜ້າ ແລ້ວສ້າງກຣາຟຊຸດເວລາ (time series graph). NDVI ຂອງພືດທີ່ມີສຸຂະພາບດີຈະສະແດງເສັ້ນໂຄ້ງທີ່ຄາດເດົາໄດ້ຕະຫຼອດລະດູການປູກ. ສຳລັບເຂົ້າ, NDVI ຈະເພີ່ມຂຶ້ນຢ່າງໄວຫຼັງຈາກດຳນາ, ຮອດຈຸດສູງສຸດ (0.7〜0.8) ໃນຊ່ວງອອກດອກ, ແລ້ວຫຼຸດລົງກ່ອນການເກັບກ່ຽວ.

ຕັກກະຕາ (logic) ຂອງການກວດຈັບຄວາມຜິດປົກກະຕິນັ້ນງ່າຍດາຍ. ພິກເຊລ (pixel) ທີ່ມີຄ່າ NDVI ຫ່າງຈາກຄ່າສະເລ່ຍ NDVI ຂອງຊ່ວງເວລາດຽວກັນໃນອະດີດເກີນ 2 ເທົ່າຂອງຄ່າເບ່ຍງເບນມາດຕະຖານ (standard deviation) ຈະຖືກໝາຍ (flag) ວ່າຜິດປົກກະຕິ. ໃນທາງສະຖິຕິ, ນີ້ໝາຍຄວາມວ່າເກີດການປ່ຽນແປງທີ່ເກີນຂອບເຂດຂອງຄວາມຜັນຜວນປົກກະຕິ.

ຈຸດແຂງຂອງວິທີການນີ້ຄືບໍ່ຈຳເປັນຕ້ອງຝຶກ (train) ໂມເດລ Machine Learning. ໃຊ້ພຽງຄ່າສະຖິຕິຈາກຂໍ້ມູນໃນອະດີດ (ຄ່າສະເລ່ຍ ແລະ ຄ່າເບ່ຍງເບນມາດຕະຖານ) ກໍ່ສາມາດດຳເນີນການໄດ້. ເຖິງຈະບໍ່ມີນັກວິທະຍາສາດຂໍ້ມູນ (data scientist), ກໍ່ສາມາດຄັດລອກໂຄດ GEE ແລ້ວປ່ຽນຈຸດພິກັດ (coordinates) ຂອງທົ່ງນາ ແລ້ວໃຊ້ງານໄດ້ທັນທີ.

ໃນການທົດສອບຢູ່ສວນກາເຟ, ລະບົບກວດພົບພື້ນທີ່ທີ່ NDVI ຫຼຸດລົງຢ່າງໄວຈາກ 0.65 ມາເປັນ 0.38, ແລ້ວການສຳຫຼວດພາກສະໜາມກໍ່ຢືນຢັນວ່າເປັນການຕິດເຊື້ອໂຣກສະນິມໃບ (leaf rust) ໃນໄລຍະເລີ່ມຕົ້ນ. ນີ້ແມ່ນໄລຍະທີ່ການກວດສອບດ້ວຍຕາເປົ່າຍັງເຫັນພຽງແຕ່ສີໃບທີ່ດ້ານລົງໜ້ອຍໜຶ່ງ ຈຶ່ງຖືກມອງຂ້າມໄປ.

ຂັ້ນຕອນທີ 3: ນຳໃຊ້ໂມເດລການພະຍາກອນຄວາມຕ້ອງການໄປໃຊ້ໃນການພະຍາກອນປະລິມານຜົນຜະລິດ

ຂໍ້ມູນດາວທຽມບໍ່ພຽງແຕ່ໃຊ້ກວດຈັບພະຍາດພືດ ແຕ່ຍັງສາມາດໃຊ້ພະຍາກອນຜົນຜະລິດໄດ້ອີກ. ເຕັກນິກທີ່ນຳມາໃຊ້ຄືວິທີການພະຍາກອນຄວາມຕ້ອງການທີ່ແນະນຳໃນບົດຄວາມກ່ຽວກັບການເລີ່ມຕົ້ນ AI ພະຍາກອນຄວາມຕ້ອງການໂດຍບໍ່ຕ້ອງໃຊ້ Big Data.

ການພະຍາກອນຄວາມຕ້ອງການໃຊ້ "ຂໍ້ມູນຍອດຂາຍໃນອະດີດ + ປັດໄຈພາຍນອກ (ສະພາບອາກາດ, ກິດຈະກຳ ແລະ ອື່ນໆ)" ເພື່ອພະຍາກອນຄວາມຕ້ອງການໃນອະນາຄົດ. ເມື່ອປ່ຽນມາໃຊ້ໃນກະສິກຳ ຈະກາຍເປັນໂມເດລທີ່ພະຍາກອນຜົນຜະລິດຈາກ "ອະນຸກົມເວລາ NDVI ໃນອະດີດ + ຂໍ້ມູນອຸຕຸນິຍົມວິທະຍາ".

ໂດຍສະເພາະ, ສາມາດໃຊ້ Prophet (ຫ້ອງສະໝຸດພະຍາກອນອະນຸກົມເວລາທີ່ Meta ພັດທະນາ) ກຳນົດຕົວປ່ຽນດັ່ງນີ້:

ຕົວປ່ຽນເປົ້າໝາຍ: ຜົນຜະລິດ (ບັນທຶກສະຫະກອນຍ້ອນຫຼັງ 5 ປີ)
ຕົວປ່ຽນອະທິບາຍ 1: ຄ່າສະເລ່ຍ NDVI ຊ່ວງອອກຮວງ
ຕົວປ່ຽນອະທິບາຍ 2: ປະລິມານນ້ຳຝົນສະສົມລະຫວ່າງລະດູເພາະປູກ
ຕົວປ່ຽນອະທິບາຍ 3: ອຸນຫະພູມສະເລ່ຍລະຫວ່າງລະດູເພາະປູກ

ການຄົ້ນຄວ້າກ່ອນໜ້າໃນສະພາບແວດລ້ອມທີ່ຄ້າຍກັນ ລາຍງານ MAPE (Mean Absolute Percentage Error) ຢູ່ທີ່ 15–20%. ເມື່ອທຽບກັບການຄາດຄະເນຈາກປະສົບການຂອງຊາວກະສິກອນທີ່ມີຄ່າຜິດພາດ 30–40%, ໂມເດລ AI ມີແນວໂນ້ມທີ່ຈະໃຫ້ຜົນດີກວ່າຢ່າງຫຼວງຫຼາຍ.

ສິ່ງສຳຄັນຄື ຂໍ້ມູນທັງໝົດທີ່ຈຳເປັນ ຫາໄດ້ຟຣີທັງໝົດ. NDVI ມາຈາກ Sentinel-2, ແລະ ຂໍ້ມູນອຸຕຸນິຍົມສາມາດຮັບຈາກກົມອຸຕຸນິຍົມລາວ ຫຼື ຖານຂໍ້ມູນ POWER ຂອງ NASA.

ຜົນກະທົບທີ່ຄາດວ່າຈະໄດ້ — ຂໍ້ມູນຈາກການຄົ້ນຄວ້າກ່ອນໜ້າ ແລະ ໂຄງການທີ່ຄ້າຍກັນ

ຖ້ານຳໃຊ້ແນວທາງນີ້ຕະຫຼອດ 2 ລະດູເພາະປູກ (ປະມານ 1 ປີ) ຈະໄດ້ຜົນກະທົບລະດັບໃດ? ພວກເຮົາຈັດລະບຽບຂໍ້ມູນຈາກການຄົ້ນຄວ້າກ່ອນໜ້າໃນສະພາບແວດລ້ອມທີ່ຄ້າຍກັນທົ່ວອາຊີຕາເວັນອອກສຽງໃຕ້ ແລະ ລາຍງານຈາກ FAO ແລະ IRRI.

ຜົນກະທົບທາງປະລິມານທີ່ຄາດການ (ອີງຕາມການຄົ້ນຄວ້າ)

ຄ່າຕໍ່ໄປນີ້ເປັນຄ່າທີ່ຄາດການສຳລັບການປູກເຂົ້າ ແລະ ກາເຟໃນລາວ, ອີງຈາກໂຄງການຕິດຕາມ NDVI ທີ່ດຳເນີນໃນເງື່ອນໄຂທີ່ຄ້າຍກັນໃນອາຊີຕາເວັນອອກສຽງໃຕ້.

ຕົວຊີ້ວັດ	ເຂົ້າ (ປະມານ 50 ha)	ກາເຟ (ປະມານ 20 ha)
ຄວາມຖືກຕ້ອງໃນການກວດຈັບ NDVI	70–75%	80–85%
ການຄົ້ນພົບພະຍາດລ່ວງໜ້າ	10–14 ວັນ	14–21 ວັນ
MAPE ພະຍາກອນຜົນຜະລິດ	15–20%	20–25%
MAPE ການຄາດຄະເນຈາກປະສົບການ	30–40%	35–45%
ອັດຕາສັນຍານເຕືອນຜິດ	25–30%	15–20%

ກາເຟຄາດວ່າຈະມີຄວາມຖືກຕ້ອງສູງກວ່າ ເນື່ອງຈາກເປັນໄມ້ຢືນຕົ້ນທີ່ມີຄ່າ NDVI ພື້ນຖານໝັ້ນຄົງ. ເຂົ້າມີຄ່າ NDVI ຜັນຜວນຫຼາຍຕາມວົງຈອນປູກ-ເກັບກ່ຽວ.

ອັດຕາສັນຍານເຕືອນຜິດ 15–30% ບໍ່ແມ່ນຄ່າທີ່ຕ່ຳ. ແຕ່ໃນບໍລິບົດກະສິກຳ "ການເຕືອນຜິດດີກວ່າການພາດກວດຈັບ" ເພາະການພາດນຳໄປສູ່ການສູນເສຍຜົນຜະລິດໂດຍກົງ.

ການດຳເນີນງານຂອງຊາວກະສິກອນຈະປ່ຽນແປງແນວໃດ

ນອກຈາກຕົວເລກ, ຍັງຄາດວ່າຈະມີການປ່ຽນແປງທາງຄຸນນະພາບ. ຈາກລາຍງານໂຄງການທີ່ຄ້າຍກັນ ແລະ ຕົວຢ່າງການສຳພາດພາກສະໜາມ, ຄາດວ່າຈະເກີດການປັບປຸງການດຳເນີນງານດັ່ງຕໍ່ໄປນີ້.

ອັນທຳອິດ, ລຳດັບຄວາມສຳຄັນໃນການລາດຕະເວນຈະປ່ຽນໄປ. ແທນທີ່ຈະຍ່າງກວດທົ່ງນາທັງໝົດຢ່າງເທົ່າທຽມ, ຊາວກະສິກອນຈະສາມາດກວດສອບພື້ນທີ່ທີ່ສະແດງຄວາມຜິດປົກກະຕິໃນແຜນທີ່ NDVI ກ່ອນ.

ອັນທີ່ສອງ, ຄາດວ່າປະລິມານການໃຊ້ຢາປາບສັດຕູພືດຈະຫຼຸດລົງ. ໂຄງການທີ່ຄ້າຍກັນໃນກຳປູເຈຍລາຍງານວ່າ ຕົ້ນທຶນຢາປາບສັດຕູພືດຫຼຸດລົງ 20–30%.

ແນວໃດກໍ່ຕາມ, ການອ່ານແຜນທີ່ NDVI ຕ້ອງການທັກສະດິຈິຕອລຂັ້ນພື້ນຖານ. ແນວທາງທີ່ເປັນຈິງຄື ໃຫ້ພະນັກງານໜຸ່ມຂອງສະຫະກອນເກດສະກອນເປັນຕົວກາງ — ໃຊ້ GEE ແລະ ພິມແຜນທີ່ໂດຍວົງມົນສີແດງອ້ອมພື້ນທີ່ຜິດປົກກະຕິ.

ຫຼັກການອອກແບບ ແລະ ຈຸດທີ່ຕ້ອງລະວັງ

ຈັດລະບຽບຫຼັກການອອກແບບເພື່ອໃຫ້ໂຄງການນຳໃຊ້ຂໍ້ມູນດາວທຽມປະສົບຜົນສຳເລັດ ແລະ ຄວາມສ່ຽງທີ່ຕ້ອງຮັບຮູ້ລ່ວງໜ້າ.

ຫຼັກການອອກແບບ — ການນຳວິທີການທີ່ມີຢູ່ມາໃຊ້ຄືນ ແລະ ການໃຊ້ປະໂຫຍດຈາກອົງກອນ

ຈຸດແຂງທີ່ສຸດຂອງແນວທາງນີ້ຄື ບໍ່ຕ້ອງສ້າງໂມເດລຈາກສູນ. ພຽງນຳ Prophet ທີ່ພິສູດແລ້ວມາໃຊ້ ແລະ ປ່ຽນຂໍ້ມູນນຳເຂົ້າຈາກ "ຂໍ້ມູນຍອດຂາຍ + ສະພາບອາກາດ" ເປັນ "NDVI + ຂໍ້ມູນອຸຕຸນິຍົມ". ຕົ້ນທຶນພັດທະນາອາລະກໍລິທຶມຈຶ່ງເກືອບເປັນສູນ.

ນີ້ຄືການນຳໃຊ້ກົນລະຍຸດ "ນຳເຄື່ອງມືທີ່ມີຢູ່ມາໃຊ້ຄືນ" ທີ່ແນະນຳໃນຄູ່ມືການນຳ AI ໄປໃຊ້. ໃນສະພາບແວດລ້ອມຄື ລາວ ທີ່ບຸຄະລາກອນ AI ມີຈຳກັດ, ການນຳວິທີທີ່ພິສູດແລ້ວມາໃຊ້ໃນຂົງເຂດອື່ນ ມີໂອກາດສຳເລັດສູງກວ່າການພັດທະນາໂມເດລໃໝ່.

ຫຼັກການອອກແບບສຳຄັນອີກຢ່າງໜຶ່ງຄື ການໃຊ້ປະໂຫຍດຈາກໂຄງສ້າງອົງກອນຂອງສະຫະກອນເກດສະກອນ. ແທນທີ່ຈະເຂົ້າຫາຊາວກະສິກອນແຕ່ລະຄົນ, ກະຈາຍຂໍ້ມູນຜ່ານສະຫະກອນ.

ອຸປະສັກທີ່ໃຫຍ່ທີ່ສຸດທີ່ຄາດວ່າຈະເກີດ — ບັນຫາປະລິມານເມກ ແລະ ຂໍ້ມູນຂາດຫາຍ

ຄວາມສ່ຽງທີ່ໃຫຍ່ທີ່ສຸດຄື ຂໍ້ມູນຂາດຫາຍໃນລະດູຝົນ.

ລະດູຝົນ (ພຶດສະພາ–ຕຸລາ) ກົງກັບລະດູເພາະປູກເຂົ້າຫຼັກໃນລາວ. ແຕ່ເຊັນເຊີແສງຂອງ Sentinel-2 ບໍ່ສາມາດທະລຸເມກໄດ້ ເຮັດໃຫ້ພາບທີ່ໃຊ້ໄດ້ໃນລະດູຝົນ ຫຼຸດລົງເຫຼືອ 1–2 ພາບຕໍ່ເດືອນ.

ມາດຕະການຮັບມືທີ່ມີປະສິດທິພາບຄື ການໃຊ້ຂໍ້ມູນ Sentinel-1 (ດາວທຽມເຣດາ) ຮ່ວມກັນ. ເຣດາທະລຸເມກໄດ້ ຈຶ່ງເກັບຂໍ້ມູນໄດ້ບໍ່ວ່າສະພາບອາກາດຈະເປັນແນວໃດ. ການລວມແສງ (Sentinel-2) ກັບເຣດາ (Sentinel-1) ຊ່ວຍຮັບປະກັນການຕິດຕາມຢ່າງຕໍ່ເນື່ອງຕະຫຼອດປີ.

ບົດຮຽນຊັດເຈນ: ໃນເຂດຮ້ອນ ແລະ ກຶ່ງຮ້ອນ, ການອອກແບບທີ່ເພິ່ງພາຂໍ້ມູນແສງຢ່າງດຽວຈະລົ້ມເຫຼວ. ຄວນວາງແຜນການໃຊ້ຂໍ້ມູນເຣດາຮ່ວມຕັ້ງແຕ່ເລີ່ມຕົ້ນ.

ຈຸດສຳຄັນໃນການນຳໃຊ້ຄືນໃໝ່ໃນລາວ

ສຳລັບຜູ້ອ່ານທີ່ຕ້ອງການນຳແນວທາງນີ້ໄປໃຊ້ໃນທົ່ງນາຂອງຕົນເອງ, ຕໍ່ໄປນີ້ຄືແນວທາງປະຕິບັດ.

ສິ່ງແວດລ້ອມທີ່ຈຳເປັນ ແລະ ເງື່ອນໄຂເບື້ອງຕົ້ນ

ສິ່ງທີ່ຈຳເປັນມີໜ້ອຍຢ່າງໜ້າປະຫຼາດໃຈ.

ບັນຊີ Google: ຈຳເປັນສຳລັບການສະໝັກໃຊ້ GEE (ອະນຸມັດຟຣີສຳລັບການຄົ້ນຄວ້າ ແລະ ບໍ່ສະແຫວງຫາຜົນກຳໄລ)
ການເຊື່ອมຕໍ່ອິນເຕີເນັດ: GEE ເຮັດວຽກເທິງຄລາວ, ບຣາວເຊີໃຊ້ໄດ້ກໍ່ພຽງພໍ
ພິກັດ GPS ຂອງທົ່ງນາເປົ້າໝາຍ: ໃຊ້ GPS ຂອງໂທລະສັບມືຖືກໍ່ໄດ້
ບັນທຶກຜົນຜະລິດໃນອະດີດ: 3 ປີຂຶ້ນໄປພຽງພໍ (5 ປີເປັນອຸດົມຄະຕິ)
ພື້ນຖານ JavaScript ຫຼື Python: ຈຳເປັນສຳລັບການຂຽນໂຄ້ດ GEE

ທັກສະການຂຽນໂປຣແກຣມອາດເບິ່ງເປັນອຸປະສັກໃຫຍ່ສຸດ, ແຕ່ໂຄ້ດ GEE ມີຮູບແບບຕາຍຕົວ ແລະ ມີບົດຮຽນ ແລະ ຕົວຢ່າງໂຄ້ດຢ່າງເປັນທາງການຢ່າງຄົບຖ້ວນ. ຜູ້ທີ່ຈົບສາຂາກະສິກຳ ໂດຍບໍ່ມີປະສົບການຂຽນໂປຣແກຣມ ກໍ່ສາມາດເລີ່ມວິເຄາະ NDVI ພື້ນຖານໄດ້ ພາຍໃນເວລາປະມານ 2 ອາທິດ.

ການນຳໃຊ້ໂຄງການສະໜັບສະໜູນຂອງ World Bank / JICA

ສຳລັບການຫັນເປັນດິຈິຕອລດ້ານການກະເສດຂອງລາວ, ມີໂຄງການສະໜັບສະໜູນຈາກອົງການສາກົນຫຼາຍໂຄງການ. ການນຳໃຊ້ໂຄງການເຫຼົ່ານີ້ຈະຊ່ວຍຫຼຸດຜ່ອນອຸປະສັກທັງດ້ານການສະໜັບສະໜູນດ້ານວິຊາການ ແລະ ດ້ານການເງິນໄດ້.

World Bank ໄດ້ສະໜັບສະໜູນການເພີ່ມຜົນຜະລິດດ້ານການກະເສດ ແລະ ການປັບປຸງການເຂົ້າເຖິງຕະຫຼາດ ຜ່ານ "Lao PDR Agriculture Competitiveness Project". ໂຄງການນີ້ລວມມີການທັນສະໄໝໃຫ້ເຕັກໂນໂລຊີດ້ານການກະເສດ, ແລະ ຂໍ້ສະເໜີກ່ຽວກັບການນຳໃຊ້ຂໍ້ມູນດາວທຽມມີແນວໂນ້ມສູງທີ່ຈະສອດຄ່ອງກັບຂອບເຂດການສະໜັບສະໜູນຂອງໂຄງການນີ້.

JICA ມີສ່ວນຮ່ວມໃນຂະແໜງການກະເສດຂອງລາວມາເປັນເວລາດົນນານ, ແລະ ໄດ້ດຳເນີນການຮ່ວມມືໂດຍເນັ້ນໃສ່ການພັດທະນາໂຄງສ້າງພື້ນຖານ ຫຼື Infrastructure ດ້ານຊົນລະປະທານ ແລະ ການເຜີຍແຜ່ເຕັກໂນໂລຊີດ້ານການກະເສດ. ການເພີ່ມປະສິດທິພາບການຄຸ້ມຄອງລະບົບຊົນລະປະທານໂດຍໃຊ້ຂໍ້ມູນດາວທຽມ ສອດຄ່ອງໂດຍກົງກັບຂອບເຂດຄວາມສົນໃຈຂອງ JICA.

ຈຸດສຳຄັນໃນການຍື່ນຂໍຮັບການສະໜັບສະໜູນຈາກໂຄງການເຫຼົ່ານີ້, ຄືການເນັ້ນໜັກວ່າ "ຕ້ອງການຊື້ອຸປະກອນລາຄາແພງ" ບໍ່ແມ່ນຈຸດສຳຄັນ, ແຕ່ຄວນເນັ້ນວ່າ "ສາມາດບັນລຸໄດ້ດ້ວຍໂຄງສ້າງພື້ນຖານ ຫຼື Infrastructure ທີ່ມີຢູ່ແລ້ວ ໂດຍໃຊ້ຂໍ້ມູນດາວທຽມຟຣີ". ໂຄງການທີ່ຕ້ອງການການລົງທຶນເລີ່ມຕົ້ນໜ້ອຍ ມີແນວໂນ້ມທີ່ຈະໄດ້ຮັບການອະນຸມັດໄດ້ງ່າຍກວ່າ.

ການລວມເຂົ້າກັບຂໍ້ມູນການຊົນລະປະທານໃນລຸ່ມແມ່ນ້ຳຂອງ

ເມື່ອກ່າວເຖິງກະສິກຳໃນລາວ, ການຈັດການຊັບພະຍາກອນນ້ຳໃນລຸ່ມແມ່ນ້ຳຂອງ ເປັນສິ່ງທີ່ຫຼີກລ່ຽງບໍ່ໄດ້. ການຄຸ້ມຄອງໂຄງສ້າງພື້ນຖານຊົນລະປະທານ ຕ່ຳເມື່ອທຽບກັບປະເທດເພື່ອນບ້ານ ແລະ ພື້ນທີ່ກະສິກຳສ່ວນໃຫຍ່ເພິ່ງພານ້ຳຝົນ.

ນີ້ແມ່ນຈຸດທີ່ຂໍ້ມູນດາວທຽມມີຄຸນຄ່າ. ການໃຊ້ແຖບອິນຟາແດງຄື້ນສັ້ນ (SWIR) ຂອງ Sentinel-2 ສາມາດປະເມີນສະພາບຄວາມຊຸ່ມຂອງດິນໄດ້. ເມື່ອລວມກັບຂໍ້ມູນລະດັບນ້ຳທີ່ເຜີຍແຜ່ໂດຍຄະນະກຳມະການແມ່ນ້ຳຂອງ (MRC) ກໍ່ຈະມີຂໍ້ມູນພື້ນຖານສຳລັບການເພີ່ມປະສິດທິພາບຈັງຫວະຊົນລະປະທານ.

ໃນຊົນນະບົດລາວ ຊາວກະສິກອນຈຳນວນຫຼາຍກວດເບິ່ງລະດັບນ້ຳໃນແມ່ນ້ຳດ້ວຍຕາທຸກເຊົ້າ ແລະ ຕັດສິນໃຈກ່ຽວກັບຊົນລະປະທານຈາກປະສົບການ. ຂໍ້ມູນດາວທຽມສາມາດເຮັດໃຫ້ການຕັດສິນໃຈເຫຼົ່ານີ້ເປັນຕົວເລກ ແລະ ແມ່ນຍຳຂຶ້ນໃນພື້ນທີ່ກວ້າງກວ່າ.

FAQ

ຕອບຄຳຖາມທີ່ພົບເລື້ອຍກ່ຽວກັບການນຳໃຊ້ຂໍ້ມູນດາວທຽມ.

ຄຳຖາມທີ 1: ສາມາດໃຊ້ງານໄດ້ແມ້ວ່າການເຊື່ອມຕໍ່ອິນເຕີເນັດຈະບໍ່ສະຖຽນບໍ?

ການວິເຄາະຂອງ GEE ນັ້ນດຳເນີນການຢູ່ເທິງ Cloud ດັ່ງນັ້ນຈຶ່ງບໍ່ຈຳເປັນຕ້ອງມີການເຊື່ອມຕໍ່ທີ່ໝັ້ນຄົງຕະຫຼອດເວລາ. ເນື່ອງຈາກພຽງແຕ່ສົ່ງ Code ແລ້ວຮັບຜົນລັບກັບຄືນ ຈຶ່ງສາມາດດຳເນີນງານໄດ້ແມ້ວ່າການເຊື່ອມຕໍ່ຈະຂາດໆຫາຍໆ.

ຢ່າງໃດກໍ່ຕາມ ໃນຊ່ວງການຕັ້ງຄ່າຄັ້ງທຳອິດ ຫຼື ການພັດທະນາ Code ໃໝ່ ຈຳເປັນຕ້ອງມີຄວາມໝັ້ນຄົງຂອງການເຊື່ອມຕໍ່ໃນລະດັບໜຶ່ງ. ໃນການດຳເນີນງານຕົວຈິງ ຮູບແບບທີ່ເປັນໄປໄດ້ຄື ການດຳເນີນການວິເຄາະຢູ່ທີ່ຫ້ອງການໃນເຂດຕົວເມືອງ ແລ້ວ Export ຜົນລັບເປັນ PDF ຫຼື ຮູບພາບ ເພື່ອນຳໄປໃຊ້ໃນເຂດຊົນນະບົດ. ໃນໂຄງການທົດສອບ ໄດ້ດຳເນີນການວິເຄາະຢູ່ທີ່ຫ້ອງການໃນວຽງຈັນ ແລ້ວແບ່ງປັນຜົນລັບຜ່ານກຸ່ມ LINE ໂດຍໃຊ້ຂະບວນການ ຫຼື Pipeline ດັ່ງກ່າວ.

ຄຳຖາມທີ 2: ສາມາດນຳໃຊ້ກັບພືດຊະນິດອື່ນນອກຈາກເຂົ້າໄດ້ບໍ?

ການຕິດຕາມສຸຂະພາບດ້ວຍ NDVI ໃຊ້ໄດ້ກັບພືດທີ່ສັງເຄາະແສງທຸກຊະນິດ. ບໍ່ຈຳກັດສະເພາະເຂົ້າ ແລະ ກາເຟ, ແນວທາງດຽວກັນໃຊ້ໄດ້ກັບສາລີ, ຢາງພາລາ ແລະ ໄມ້ໝາກ. ເນື່ອງຈາກຊ່ວງຄ່າປົກກະຕິ ແລະ ຮູບຮ່າງເສັ້ນໂຄ້ງ NDVI ຕ່າງກັນຕາມພືດ, ຈຶ່ງຕ້ອງເກັບຂໍ້ມູນພື້ນຖານ 1–2 ລະດູເພາະປູກກ່ອນ ສຳລັບພືດເປົ້າໝາຍແຕ່ລະຊະນິດ.

ຄ່າໃຊ້ຈ່າຍໃນການນຳໃຊ້ແມ່ນເທົ່າໃດ?

ເຄື່ອງມືແລະຂໍ້ມູນທັງໝົດແມ່ນຟຣີ. ຮູບພາບດາວທຽມ Sentinel-2 ໄດ້ຮັບການເຜີຍແຜ່ຟຣີໂດຍ ESA, ແລະ Google Earth Engine ກໍ່ສາມາດໃຊ້ງານໄດ້ຟຣີສຳລັບຈຸດປະສົງດ້ານການຄົ້ນຄວ້າ ແລະ ບໍ່ຫວັງຜົນກຳໄລ. ຫ້ອງສະໝຸດ Prophet ກໍ່ເປັນ Open Source ເຊັ່ນກັນ.

ຄ່າໃຊ້ຈ່າຍທີ່ເກີດຂຶ້ນແມ່ນຄ່າແຮງງານ. ການຝຶກອົບຮົມພະນັກງານທີ່ສາມາດໃຊ້ງານ GEE ໃຊ້ເວລາ 2 ຫາ 4 ອາທິດ, ແລະການສ້າງການວິເຄາະເບື້ອງຕົ້ນໃຊ້ເວລາ 1 ຫາ 2 ເດືອນ. ໃນກໍລະນີທີ່ມອບໝາຍໃຫ້ທີ່ປຶກສາພາຍນອກ, ຄ່າໃຊ້ຈ່າຍຂຶ້ນຢູ່ກັບຂະໜາດຂອງໂຄງການ, ແຕ່ເມື່ອທຽບກັບຄ່າໃຊ້ຈ່າຍໃນການຕິດຕັ້ງກຸ່ມເຊັນເຊີ IoT (ຫຼາຍພັນຫາຫຼາຍໝື່ນໂດລາ) ແລ້ວ ຖືວ່າຖືກກວ່າຫຼາຍ. ວິທີການຝຶກອົບຮົມພະນັກງານ IT ຂອງສະຫະກອນກະສິກຳແມ່ນວິທີທີ່ມີປະສິດທິພາບດ້ານຄ່າໃຊ້ຈ່າຍສູງສຸດໃນໄລຍະຍາວ.

ຂັ້ນຕອນຕໍ່ໄປ

ການຕິດຕາມກະສິກຳດ້ວຍຂໍ້ມູນດາວທຽມ ແລະ AI ເປັນເຕັກໂນໂລຊີທີ່ "ເອື້ອມຮອດ" ສຳລັບຊາວກະສິກອນລາຍນ້ອຍໃນລາວ. ບໍ່ຕ້ອງໃຊ້ເຊັນເຊີລາຄາແພງ, ອິນເຕີເນັດຄວາມໄວສູງ, ຫຼື ປະລິນຍາເອກດ້ານວິທະຍາສາດຂໍ້ມູນ.

ຖ້າຕ້ອງການເລີ່ມຕົ້ນ, ພວກເຮົາແນະນຳ 3 ຂັ້ນຕອນ:

ລົງທະບຽນ Google Earth Engine (ສະໝັກທີ່ earthengine.google.com — ອະນຸມັດພາຍໃນບໍ່ກີ່ວັນ)
ລອງຄຳນວນ NDVI ດ້ວຍບົດຮຽນທາງການ (ພຽງໃສ່ພິກັດທົ່ງນາຂອງທ່ານ ແລ້ວລັນ)
ຈັດລະບຽບບັນທຶກຜົນຜະລິດໃນອະດີດ (ຈົດມື ຫຼື Excel ກໍ່ໄດ້ — ເປົ້າໝາຍ 3 ປີຂຶ້ນໄປ)

ພວກເຮົາໃຫ້ບໍລິການທີ່ປຶກສາດ້ານເຕັກນິກການນຳໃຊ້ຂໍ້ມູນດາວທຽມ ສຳລັບອົງກອນກະສິກຳ ແລະ NGO ໃນລາວ — ຕັ້ງແຕ່ການຕັ້ງຄ່າ GEE ເບື້ອງຕົ້ນ ຈົນເຖິງການປັບແຕ່ງໂມເດລພະຍາກອນຜົນຜະລິດ. ສາມາດປຶກສາເບື້ອງຕົ້ນໄດ້ເລີຍ.

ຜູ້ຂຽນ · ຜູ້ກວດທານ

Boun

ຫຼັງຈາກສຳເລັດການສຶກສາຈາກ RBAC (Rattana Business Administration College), ໄດ້ເລີ່ມຕົ້ນອາຊີບໃນຖານະວິສະວະກອນຊອບແວຕັ້ງແຕ່ປີ 2014. ໄດ້ອຸທິດເວລາກວ່າ 22 ປີ ໃນການອອກແບບ ແລະ ພັດທະນາລະບົບການຈັດການຂໍ້ມູນ ແລະ ເຄື່ອງມືເພີ່ມປະສິດທິພາບການດຳເນີນງານ ສຳລັບອົງການ NGO ສາກົນດ້ານພະລັງງານນ້ຳ (WWF, GIZ, NT2, NNG1). ເປັນຜູ້ນຳໃນການອອກແບບ ແລະ ຈັດຕັ້ງປະຕິບັດລະບົບທຸລະກິດທີ່ນຳໃຊ້ AI. ມີຄວາມຊ່ຽວຊານດ້ານການປະມວນຜົນພາສາທຳມະຊາດ (NLP) ແລະ ການສ້າງຕົວແບບການຮຽນຮູ້ຂອງເຄື່ອງ (Machine Learning), ແລະ ໃນປັດຈຸບັນກຳລັງຊຸກດັນການພັດທະນາ AIDX (AI Digital Transformation) ໂດຍການຜະສົມຜະສານ Generative AI ແລະ ຕົວແບບພາສາຂະໜາດໃຫຍ່ (LLM). ຈຸດແຂງທີ່ໂດດເດັ່ນຄືຄວາມສາມາດໃນການສະໜັບສະໜູນຢ່າງຄົບຊຸດ ຕັ້ງແຕ່ການວາງແຜນຍຸດທະສາດການນຳໃຊ້ AI ໄປຈົນເຖິງການຈັດຕັ້ງປະຕິບັດ ໃນການຊຸກດັນ DX ຂອງວິສາຫະກິດ.

ຕິດຕໍ່ພວກເຮົາ

Chi

ສຳເລັດການສຶກສາສາຂາວິທະຍາສາດຄອມພິວເຕີ (Information Science) ຈາກມະຫາວິທະຍາໄລແຫ່ງຊາດລາວ ໂດຍໃນລະຫວ່າງການສຶກສາມີສ່ວນຮ່ວມໃນການພັດທະນາຊອບແວສະຖິຕິ (Statistical Software) ຈາກປະສົບການຕົວຈິງ ຈຶ່ງໄດ້ສ້າງພື້ນຖານດ້ານການວິເຄາະຂໍ້ມູນ (Data Analysis) ແລະ ການໂປຣແກຣມມິງ (Programming) ຢ່າງເຂັ້ມແຂງ. ຕັ້ງແຕ່ປີ 2021 ໄດ້ກ້າວເຂົ້າສູ່ເສັ້ນທາງການພັດທະນາ Web ແລະ ແອັບພລິເຄຊັນ (Application) ແລະ ຕັ້ງແຕ່ປີ 2023 ເປັນຕົ້ນມາ ໄດ້ສັ່ງສົມປະສົບການພັດທະນາຢ່າງເຕັມຮູບແບບທັງໃນດ້ານ Frontend ແລະ Backend. ໃນບໍລິສັດ ຮັບຜິດຊອບການອອກແບບ ແລະ ພັດທະນາ Web Service ທີ່ນຳໃຊ້ AI ພ້ອມທັງມີສ່ວນຮ່ວມໃນໂຄງການທີ່ປະສົມປະສານ ການປະມວນຜົນພາສາທຳມະຊາດ (NLP: Natural Language Processing), ການຮຽນຮູ້ຂອງເຄື່ອງ (Machine Learning), Generative AI ແລະ ໂມເດນພາສາຂະໜາດໃຫຍ່ (LLM: Large Language Model) ເຂົ້າກັບລະບົບທຸລະກິດ. ມີຄວາມກະຕືລືລົ້ນໃນການຕິດຕາມເທັກໂນໂລຊີໃໝ່ລ່າສຸດຢູ່ສະເໝີ ແລະ ໃຫ້ຄວາມສຳຄັນກັບຄວາມວ່ອງໄວໃນທຸກຂັ້ນຕອນ ຕັ້ງແຕ່ການທົດສອບດ້ານເທັກນິກ ຈົນເຖິງການນຳໄປໃຊ້ງານຈິງໃນລະບົບ Production.

ບົດຄວາມແນະນຳ

ອັບເດດ: 13 ມີນາ 2026

ຈຸດສຳຄັນທີ່ວິສາຫະກິດຄວນຮູ້ກ່ຽວກັບກົດໝາຍດິຈິຕອລຂອງລາວ — ລາຍການກວດສອບການປະຕິບັດຕາມກົດລະບຽບດ້ານການປົກປ້ອງຂໍ້ມູນ ແລະ ການນຳໃຊ້ AI 【ທັງໝົດ 25 ຫົວຂໍ້】

ອັບເດດ: 12 ມີນາ 2026