မူရင်း – Satellite Time Series: Detecting Trend And Seasonal Changes (eos.com)
ဂြိုဟ်တုဓာတ်ပုံတွေကို Time series အလိုက် စမ်းစစ်မှုတွေ လုပ်တာဟာ ကျွန်တော်တို့ ကမ္ဘာပေါ်မှာ ဖြစ်ပျက်နေတဲ့ အဖြစ်ပျက်အမျိုးမျိုးကို စူးစမ်းလေ့လာဖို့အတွက် အလွန်တန်ဖိုးရှိတဲ့ နည်းလမ်းတစ်ခု ဖြစ်ပါတယ်။ နှစ်တွေများကြီးမှတ်တမ်းတင်ထားခဲ့တဲ့ ဂြိုဟ်တုဓာတ်ပုံတွေကို စမ်းစစ်မှုတွေ ပြုလုပ်ခြင်းအားဖြင့် နယ်ပယ်အစုံမှာ ဖြစ်ပျက်နေတာတွေကို ထဲထဲဝင်ဝင်သိမြင် နားလည်နိုင်ပါတယ် (ဥပမာအားဖြင့် – လယ်ယာမြေ များနှင့် သစ်တောဧရိယာ များမှ မြို့ပြများအဖြစ် ပြောင်းလဲသွားခြင်း)။ ဒီဆောင်းပါးမှာဆိုရင် time series ဂြိုဟ်တုဓာတ်ပုံတွေကို လက်တွေ့အသုံးချနည်းနှင့် ၄င်းတို့ဟာ စီမံခန့်ခွဲရေးဆိုင်ရာ ဆုံးဖြတ်များချမှတ်ရာ မှာ ဘယ်လောက်အရေးပါတယ်ဆိုတာတွေကို ဖော်ပြပေးသွားမှာ ဖြစ်ပါတယ်။ နယ်ပယ်အစုံက ကျွမ်းကျင် ပညာရှင်တွေဟာ time series ဂြိုဟ်တုဓာတ်ပုံတွေကို အသုံးချပြီး ရှုပ်ထွေးလှတဲ့ အဖြစ်ပျက်တွေကို သေသေချာချာ နားလည်အောင် လုပ်ဆောင်နိုင်ပါတယ်။ ဒါ့ကြောင့် အရင်းမြစ်တွေကို စီမံခန့်ခွဲတဲ့ နေရာမှာ ပိုမိုထိရောက်တဲ့ မဟာဗျူဟာများ ကို ရေးဆွဲနိုင်သလို စဥ်ဆက်မပြတ် ဖွံ့ဖြိုးရေးလုပ်ငန်းများအတွက်လိုအပ်မည့်အခြေခံလုပ်ငန်းများ ကိုလည်း လုပ်ဆောင်နိုင်မှာဖြစ်ပါတယ်။
မာတိကာ
- Time Series ဂြိုဟ်တုဓာတ်ပုံဆိုတာဘာလဲ
- Satellite Data Series များကို အသုံးပြုသော နယ်ပယ်များ
- EOSDA LandViever မှာ time series များကို အသုံးချခြင်း
- ဂြိုဟ်တု time series များကို လေ့ကျင့်စမ်းသပ်ခြင်း
- ပိုမိုကောင်းမွန်တဲ့ ဆုံးဖြတ်ချက်များအတွက် time series စမ်းစစ်မှုများ
Time Series ဂြိုဟ်တုဓာတ်ပုံများ ဆိုတာ ဘာလဲ၊ ဘာကြောင့်သုံးတာလဲ
နေရာတစ်ခုတည်းကို တိကျတဲ့အချိန်အပိုင်းခြား (ဥပမာ – ခြောက်လအပိုင်းခြား၊ တစ်နှစ်အပိုင်းခြား) ဖြင့် အချိန်အတိုင်းအတာ တစ်ခု အတွင်း (ဥပမာ – ၂၀၁၀ မှ ၂၀၂၀) ရိုက်ထားတဲ့ ဂြိုဟ်တုဓာတ်ပုံများအစုအဝေးကို time series ဂြိုဟ်တုဓာတ်ပုံ ဟုခေါ်ပါသည်။ ဂြိုဟ်တုဓာတ်ပုံမှာပါတဲ့ အချိန်ဟာ အရမ်းကို အရေးကြီးပါတယ်။ အချိန်ဟာ နောက်ဆုံးထွက်လာတဲ့ ရလာဒ်ကို ဖော်ထုတ်ပေးရုံတင်မကဘဲ အဲဒီကာလတလျောက်လုံးမှာ ဘာတွေ ပြောင်းလဲသွားခဲ့တယ် ဆိုတာကိုလည်း ဖော်ပြပေးနိုင်လို့ ဖြစ်ပါတယ်။
time series အလိုက် စမ်းစစ်မှုဟာ ကောက်ယူထားသည့်သတင်းအချက်အလက်များကို အသုံးပြုလေ့ရှိတဲ့ နည်းလမ်း တစ်ခုဖြစ်ပါသည်။ ထို့ကြောင့် ဂြိုဟ်တုမှ ရိုက်ကူးမှုများသည်အချက်လက် အထောက်ထားခိုင်မာမှု၊ တိကျမှန်ကန်မှု နှင့် အရည်အသွေးခိုင်မာမှု တို့ရှိရန် လိုအပ်ပါသည်။ Data အများကြီးနဲ့ လုပ်ဆောင် ရတဲ့အတွက် ကျပန်းဖြစ်ပေါ်တတ်သော ပြဿနာများနှင့် ရာသီဥတုကြောင့် ဖြစ်ပေါ်သော ပြဿနာများကို ဖယ်ရှား နိုင်တဲ့ အားသာချက်ရှိပါတယ်။ ယနေ့ခေတ်မှာဆိုရင် time series ဂြိုဟ်တုဓာတ်ပုံများပေါ်ကနေ ဖြစ်ရပ်ဦးတည်ရာ လမ်းကြောင်းနှင့် ရာသီအလိုက်ပြောင်းလဲမှုများကို ရှာဖွေဖော်ထုတ်ခြင်းအားဖြင့် ပိုမိုကောင်းမွန်တဲ့ ဆုံးဖြတ်ချက်များချမှတ် ရန် အသုံးဝင်တဲ့ သတင်းအချက်လက် များကို အပိုဆောင်းရရှိစေပါတယ်။ လက်တွေ့ time series ဂြိုဟ်တုဓာတ်ပုံအသုံးချမှုများတွင် အတိတ် အဖြစ်ပျက်တွေကို အခြေခံ ပြီး အနာဂါတ်မှာ ဘာတွေ ဖြစ်လာနိုင်လဲဆိုတာ ခန့်မှန်းမှုပြုလုပ်ခြင်း လုပ်ငန်းလည်းပါဝင်ပါတယ်။
ဂြိုဟ်တုဓာတ်ပုံများကို စဉ်ဆက်မပြတ် စုဆောင်းစောင့်ကြည့်ခြင်းအားဖြင့် ပြောင်းလဲမှုများကို မြန်မြန်ဆန်ဆန် နှင့် တိတိကျကျ အကဲဖြတ် နိုင်သလို ဦးတည်ရာလမ်းကြောင်းများ၊ ပုံစံများ နှင့် ထူးခြားဖြစ်စဉ် များကို သတိထားမိမှာ ဖြစ်ပါတယ်။ ဒါကြောင့် မိမိရဲ့ လုပ်ငန်းမှာ သင့်တော်တဲ့ ဆုံးဖြတ်ချက်များ ချမှတ်နိုင်သလို အမှားများကိုလည်း ပြင်ဆင်နိုင်မှာ ဖြစ်ပါတယ်။
အတိတ်က ဂြိုဟ်တုဓာတ်ပုံတွေကို အသုံးပြုပြီး စပါးခင်း စပြီးပျိုးထောင်ချိန် အတွက် time series graph တစ်ခု တည်ဆောက်ကြည့်တယ် ဆိုပါစို့။ စပါးခင်းတွေ အများကြီးထဲ တစ်ခင်းဟာ အရင်နှစ်တွေက ဒီအချိန်နဲ့ စာရင် သိသိသာသာ ဖြစ်ထွန်းမှု အားနည်းနေတာကို တွေ့နေရပါပြီ။ ဆိုတော့ နောင်အနာဂါတ်မှာ စပါးတွေအများကြီး မပျက်စီးရအောင် အထွက်နှုန်းနည်းစေတဲ့ ပြဿနာကို မြန်မြန်ဖော်ထုတ်ပြီး အဲ့ဒီပြဿနာကို သီးခြားခွဲထုတ်ပြစ်ခြင်း (သို့မဟုတ်) အမြစ်ပြတ်ရှင်းလင်းပြစ်ခြင်း ကို လုပ်ဆောင်ရပါမည်။ Time series ဂြိုဟ်တုဓာတ်ပုံများကို ရေရှည် စမ်းစစ်မှု တွေ ပြုလုပ်ခြင်းအားဖြင့် နှစ်ပေါင်းများစွာ စုစည်းထားတဲ့ data တွေကနေ လိုအပ်တဲ့ဖြေရှင်းချက်များ ရှာဖွေ တွေ့ရှိ နိုင်မှာ ဖြစ်ပါတယ်။ ထို့နောက် ဓာတ်ပုံတစ်ပုံချင်းဆီကို သင့်တော်တဲ့ vegetation indices များကို အသုံးပြု ခြင်းဖြင့် တောင်ပုံရာပုံ data အများကြီးထဲမှ အဖြစ်အပျက်များဆီ ညွှန်ပြချက်များကို ရှာဖွေနိုင်ပါလိမ့်မည်။
Satellite Data Time Series များကို အသုံးပြုသော နယ်ပယ်များ
Time series ဂြိုဟ်တုဓာတ်ပုံတွေဟာ နယ်ပယ်များစွာအတွက် တန်ဖိုးမဖြတ်နိုင်သော သတင်းအချက်လက်တွေ ကို ထောက်ပံ့ပေးထားပါတယ်။ ဒီဓာတ်ပုံတွေကို အသုံးပြုပြီး ကျွန်တော်တို့ ကမ္ဘာကြီး ဘယ်လိုပြောင်းလဲနေတယ် ဘာတွေကြောင့်ပြောင်းလဲသွားစေတယ် နှင့် ရှေ့လျှောက် ဘာတွေဖြစ်လာနိုင်မလည်း ဆိုတာတွေကို လေ့လာ နိုင်ပါတယ်။
စိုက်ပျိုးရေး
တောင်သူလယ်သမားတွေဟာ time series ဂြိုဟ်တုဓာတ်ပုံတွေကို အသုံးချခြင်းဖြင့် တန်ဖိုးရှိတဲ့ သတင်းအချက် လက်တွေကို ရရှိနိုင်ပါတယ်။ သူတို့ရဲ့ ကောက်ပဲသီးနှံတွေ ဖွံ့ဖြိုးမှုပုံစံအမျိုးမျိုးကို သိရှိနိုင်သလို ထွက်ကုန်နှင့် စျေးကွက်ကိုလည်း ကြိုတင်ခန့်မှန်းမှုများ ပြုလုပ်နိုင်ပါတယ်။ အင်းဆက်အဖျက်ပိုးများကြောင့် ဆုံးရှုံးမှုများ မဖြစ်စေရန် time series ဂြိုဟ်တုဓာတ်ပုံများကို အသုံးပြုပြီး အဖျက်ပိုးကျရောက်မှုနှင့် သီးနှံဖွံ့ဖြိုးမှုတို့ကို အချိန်နှင့်တပြေးညီ ကြည့်ရှုစောင့်လျှောက်နိုင်ပါတယ်။ ကောက်ပဲသီးနှံတွေရဲ့ ဖြစ်ထွန်းမှု အစဉ်အဆက်သမိုင်းကြောင်းကို သိရခြင်းဖြင့် လယ်သမားတွေဟာ ဘယ်အချိန်မှာ ရေသွင်းရမလဲ၊ မြေသြဇာကျွေးရမလဲ၊ ပိုးသတ်ဆေးဖြန်းရမလဲ၊ သစ်စေ့ချရမလည်း စသဖြင့်တို့ကို အကောင်းဆုံးဖြစ်အောင် လုပ်ဆောင်နိုင်သလို အခြား လယ်ယာစီမံခန့်ခွဲမှုတွေကိုလည်း ပိုမိုကောင်းမွန်အောင် လုပ်ဆောင်နိုင်ပါတယ်။ ကောက်ပဲသီးနှံများ စောင့်ကြည့် ခြင်း၊ အလှည့်ကျသီးနှံပြောင်းလဲစိုက်ပျိုးခြင်း၊ ရေသွင်းခြင်းနှင့် မြေသြဇာကျွေးခြင်း၊ အဖျက်ပိုးနှင့် ရောဂါပိုးများ စီမံခန့် ခွဲခြင်း၊ အထွက်နှုံးခန့်မှန်းခြင်း နှင့် မြေအသုံးချမှုစီမံခန့်ခွဲခြင်း တို့ဟာ time series ဂြိုဟ်တုဓာတ်ပုံကို စိုက်ပျိုးရေး နယ်ပယ်မှာ အသုံးပြုနိုင်သော ဥပမာ အချို့မျှသာဖြစ်ပါတယ်။
သစ်တော
လူသုံးအများဆုံး time series ဂြိုဟ်တုဓာတ်ပုံ ဖြစ်တဲ့ Landsatဂြိုဟ်တုရဲ့ဓာတ်ပုံမှတ်တမ်းဟောင်းများကို အခမဲ့ ပေးသုံးလိုက်ခြင်းကြောင့် သစ်တောများ စောင့်ကြည့် စစ်ဆေးခြင်းလုပ်ငန်းမှာ ပိုမိုလွယ်ကူသွားစေခဲ့ပါတယ်။ လွန်ခဲ့သော ဆယ်စုနှစ်အတွင်း သစ်တော ပြောင်းလဲမှုစူးစမ်းခြင်း နည်းပညာဟာလည်း တိုးတက်မှုများဖြစ်လာခဲ့ပြီး ပိုမိုနက်နဲတဲ့ သစ်တော စောင့်ကြည့် စစ်ဆေးခြင်းများကို ပြုလုပ်လာနိုင်ခဲ့ပါသည်။
Satellite data series ကို စမ်းစစ်ခြင်းအားဖြင့် သစ်တောဖုံးလွှမ်းမှု ဧရိယာများ ပြောင်းလဲသွားခြင်း၊ အချိန်အတိုင်း တာတစ်ခုအတွင်း သစ်တော ကောင်းမွန်မှုနှင့် ဖွဲ့စည်းထားမှုတို့ကို လေ့လာစောင့်ကြည့်နိုင်ပါသည်။ ထို့ကြောင့် ပြဿနာပေါ်ပေါက်နေသော နေရာများကို ဖော်ထုတ်နိုင်သလို ဘာလုပ်ဆောင်မလဲ ဆုံးဖြတ်ချက်ချရာတွင်လည်း အသုံးဝင်စေပါတယ်။ အထူးသဖြင့် သစ်တောအရာရှိတွေဟာ ဘယ်နေရာမှာ သစ်တောများ ပြုန်းတီးနေလဲ၊ ဘယ်အမြန်နှုန်းနဲ့ သစ်ပင်များခုတ်လှဲနေလဲ ဆိုတာတွေကို ဖော်ထုတ်နိင်ပါတယ်။ ဒါ့ကြောင့် satellite data series ကို စမ်းစစ်ခြင်းဟာ သစ်တောပျိုးထောင်ခြင်း၊ သစ်တောပြန်လည်ပြန်စိုက်ပျိုးခြင်း၊ သစ် တောပြန်လည်တည်ထောင်ခြင်း နှင့် အခြားသစ်တောစီမံခန့်ခွဲမှုမဟာဗျူဟာများ ရေးဆွဲရာတွင် အကျိုးပြုပါသည်။
ရာသီဥတုပြောင်းလဲမှု စောင့်ကြည့်ခြင်း
Time series ဂြိုဟ်တုဓာတ်ပုံတွေကို ရာသီဥတုဆိုင်ရာ ကိန်းဂဏန်း စမ်းစစ်မှုတွေပြုလုပ်ခြင်းဟာဆိုရင် ရာသီဥတု လေ့လာခြင်းနဲ့ မူဝါဒရေးဆွဲခြင်းတွေမှာ ထဲထဲဝင်ဝင် သိရှိနားလည်မှုတွေကို ရရှိစေမှာ ဖြစ်ပါတယ်။ ဂြိုဟ်တုဓာတ် ပုံအများကြီးပေါ်မှာ အခြေခံပြီးတည်ဆောက်ထားတဲ့ ရာသီဥတုစနစ် ကွန်ပြူတာ မော်ဒယ်ကနေ Earth’s radiation budget ကို စောင့်ကြည့်နိုင်ပါတယ်။ ဒါ့အပြင် ရာသီဥတုပြောင်းလဲခြင်းကြောင့် သက်ရှိတွေပေါ်ကို သက်ရောက်မှုတွေ၊ ပင်လယ်ရေမျက်နှာပြင်မြင့်တက်မှု၊ ရေခဲပြင် ရေခဲတုံးကြီးများ နေရာရွှေ့လျားနေမှုနှင့် အခြား သော ရာသီဥတုပြောင်းလဲမှုတွေကိုလည်း စောင့်ကြည့်နေနိုင်ပါတယ်။ ဥပမာအားဖြင့် GEOS-5 Atmosphere-Ocean General Circulation Model (AOGCM) ဟာဆိုရင် နောက်ဆုံးပေါ်အဆင့်မြင့် နည်းပညာ တစ်ခုဖြစ်ပြီး ရာစုနှစ်ပေါင်းများစွာက ရာသီဥတုပြောင်းလဲမှုတွေကို ရှာဖွေနိုင်ပါတယ်။
ဘေးအန္တရာယ် စီမံခန့်ခွဲမှု
Time series စမ်းစစ်မှုတွေကို အရေးပေါ်စီမံခန့်ခွဲမှုတွေမှာလည်း အများကြီး အသုံးပြုလို့ရပါသေးတယ်။ ဥပမာ ဘေးအန္တရာယ် တစ်ခုခုကို ကြိုတင်သိရှိခြင်း နှင့် ကြိုတင်ခန့်မှန်းခြင်းတို့တွင် အသုံးပြုနိုင်ပါသည်။ ဒါ့အပြင် တခြား သဘာဝဘေးအန္တရာယ် ဖြစ်တဲ့ မြေငလျှင်၊ မုန်တိုင်း၊ ရေကြီးခြင်း၊ မြေပြိုခြင်း နှင့် တောမီးလောင်ခြင်း တို့ကြောင့် ဖြစ်ပေါ်လာတဲ့ အပျက်အစီးများကိုလည်း အကဲဖြတ်သောနေရာတွင်လည်း အထောက်အကူဖြစ်စေ ပါတယ်။ ဒီလို အကဲဖြတ်ခြင်းကနေရလာတဲ့ သတင်းအချက်လက်တွေကို အသုံးပြုပြီး ဘေးအန္တရာယ်စီမံခန့်ခွဲ ရေးအရာရှိတွေဟာ ပိုမိုကောင်းမွန်တဲ့ စုစည်းတုန့်ပြန်ခြင်းတွေ၊ ရင်းမြစ်များကိုပိုမို ထိထိရောက်ရောက်ခွဲဝေနေရာချထားခြင်းတွေ လုပ်နိုင်သလို ပျက်စီးသွားတဲ့ နေရာတွေကို ပြန်လည်ပြုပြင်ခြင်းတိုးတက်မှုကိုလည်း အချိန်နဲ့တပြေးညီ သိရှိနိုင်ပါတယ်။
မြေအသုံးချမှု စီမံခြင်း
Time series စမ်းစစ်မှုတွေဟာ မြေအသုံးချမှု ပြောင်းလဲခြင်းတွေနှင့် မြို့ကြီးများ တိုးချဲ့ကျယ်ပြန့်လာမှုတို့ကို မီးမောင်းထိုး ပြနိုင်ပါသေးတယ်။ စဉ်ဆက်မပြတ်တည်တန့်မည့် မြေဆီလွှာ အသုံးချရေးအတွက် ဒီလိုသတင်းအချက်လက်တွေ ဟာ မရှိမဖြစ်လိုအပ်ပါတယ်။ ဒါမှသာ ဘယ်နေရာမှာ ဘယ်လိုမြေအသုံးချကြမလဲ (စိုက်ပျိုးရေး၊ သစ်တော၊ မြို့ကြီးများ၊ စသဖြင့်) ဆိုတာ ဆုံးဖြတ်နိုင်ပြီး ရေရှည်မြေဆီလွှာထိန်းသိမ်းခြင်းနှင့် သဘာဝဂေဟစနစ်တို့ကို မျှမျှ တတ ထိန်းညှိထားနိုင်မှာဖြစ်ပါတယ်။ Time series ဂြိုဟ်တုဓာတ်ပုံတွေကို သုံးပြီး မြို့ပြအစီစဉ်ရေးဆွဲခြင်း၊ စီမံခန့်ခွဲခြင်းဖြင့် မြို့ပြချဲ့ထွင်ခြင်း၊ အခြေခံအဆောက်ဦးများ တည်ဆောက်ခြင်း နှင့် စည်ပင်သာယာ၏ လုပ်ငန်းများကို ပိုမိုကောင်းမွန်အောင် ဆောင်ရွက်နိုင်ပါတယ်။ ဒါ့အပြင် မြို့ရဲ့သယ်ယူပို့ဆောင်ရေးစနစ် ဘယ်လောက်ထိ အကျိုးထိရောက်မှုရှိလဲဆိုတာကိုလည်း စောင့်ကြည့်နေနိုင်ပါသေးတယ်။
အပေါ်မှာဖော်ပြခဲ့တာတွေဟာ ကျွန်တော်တို့ လက်ရှိကမ္ဘာမှာ time series ဂြိုဟ်တုဓာတ်ပုံကို အသုံးပြုနေတဲ့ ဥပမာ အချို့မျှသာဖြစ်ပါတယ်။ နည်းပညာတွေပိုမိုဖွံ့ဖြိုးလာတာနဲ့အတူ ကမ္ဘာကြီးမှာဖြစ်ပျက်နေတဲ့ ပြဿနာတွေ ကို သေသေချာချာနားလည်ပြီး ဖြေရှင်းဖို့ ဂြိုဟ်တုဓာတ်ပုံအသုံးချမှုဟာ ပိုမိုတွင်ကျယ်လာပါလိမ့်မည်။
EOSDA LandViewer’s Time Series Feature ကို ဘယ်လိုထိထိ ရောက်ရောက်သုံးရမလဲ
EOSDA LandViewer ရဲ့ အကူညီနဲ့ ကိုယ်စိတ်ဝင်စားတဲ့နေရာကို ရွေးပေးရုံနဲ့ Time series ဂြိုဟ်တုဓာတ်ပုံတွေကို မြန်မြန်ရှာပြီး စမ်းစစ်မှုတွေ ကိုလုပ်နိုင်ပါတယ်။ ။ မိမိစိတ်ဝင်စားတဲ့ နေရာကို သာ သတ်မှတ်ပေးလိုက်ပြီး (လက်နဲ့ဆွဲနိုင်သလို ရှိပြီးသားဖိုင်ကို upload လည်းရပါတယ်) Time Series Analysis function ကိုသာ သုံးလိုက်ပါ ကျန်တာ သူ့ဟာသူ ဆက်လက်လုပ်ဆောင်သွားပါလိမ့်မည်။
Sentinel-2, Landsat 8, CBERS-4 WFI, CBERS-4 MUX, CBERS-4 PAN10, Landsat 4-5 TM, and Landsat 4-5 MSS satellite data are all now available as time series.
ဒီလိုလုပ်ပြီးတာနဲ့ NDVI, NDWI, NDSI ဆိုပြီးရွေးချယ်စရာ ၃ မျိုးပေးပါလိမ့်မည်။ ၎င်းတို့ တစ်ခုချင်းစီမှာ မတူတဲ့ လုပ်ဆောင်ပုံတွေရှိပါတယ်။ Graph ပေါ်မှာ drawdown index လေးပေါ်လာရင် ၃ ခုထဲက မိမိစိတ်ဝင်စားတဲ့ အကြောင်းရာကို ရွေးချယ်ပြီး အတက်အကျဖြစ်နေမှုတွေ၊ ဘာကြောင့်အတက်ကျ ဖြစ်သလဲ ဆိုတာတွေကို အသေးစိတ် ကြည့်ရှုနိုင်ပါပြီ။
ပုံမှန်အားဖြင့် အချိန်အပိုင်းခြား ၁ လ မှ ၁၀ နှစ်အတွင်း လွှမ်းခြုံသော index graph တွေကို ဖန်တီးနိုင်မှာ ဖြစ်ပါတယ်။ ဒီအချိန်အပိုင်းခြားက ကိုယ့်အတွက်မလုံလောက်ဘူးဆိုရင် ပြက္ခဒိန် ကနေပြီး ကိုလိုချင်တဲ့ အချိန်အပိုင်းခြားကို ရွေးချယ်လို့ရပါတယ်။ ပိုကောင်းတာက ဂြိုဟ်တုဓာတ်ပုံအမျိုးအစားအားလုံးကို ရွေးချယ်ပြီး time series graph တွေကိုတစ်ပြိုင်နက် တည်ဆောက်နိုင်ပြီး spectral index, period နှင့် data source တို့ကိုလည်း ရွေးချယ်နိုင်ပါတယ်။
Years option နဲ့ နှစ်အပိုင်းခြားတွေလုပ်ပြီး မတူညီတဲ့ နှစ်တွေထဲက တူညီတဲ့အချိန်ကာလတွေအတွင်း ကွင်းထဲမှာ ဖြစ်ပျက်နေတာတွေကို နှိုင်းယှဉ်ကြည့်လို့ရပါတယ်။ Graph ထဲက မျဉ်းကွေးဟာ နှစ်အလိုက်ပိုင်းခြားထားတာ ဖြစ်တဲ့အတွက် လွန်ခဲ့တဲ့ ၃ နှစ်ကနေ ၁၀ နှစ်အတွင်း ဘာတွေပြောင်းလဲသွားတယ်ဆိုတာ အလွယ်တကူ မြင်နိုင်ပါတယ်။ တန်ဖိုးတွေက အရင်နှစ်တွေက မြင်နေကြတန်ဖိုးတွေရဲ့ ပမာဏနဲ့ တူလားဆိုတာ စစ်ဆေးကြည့်နိုင်ပါတယ်။ ပိုကောင်းလာတဲ့ time series ဂြိုဟ်တုဓာတ်ပုံ စမ်းစစ်မှုတွေက ထွက်လာတဲ့ ရလာဒ်တွေကြောင့် ထူးခြားဖြစ်စဉ်နဲ့ ဦးတည်ရာလမ်းကြောင်းတွေကို အမြဲတမ်းသတိထားမိနေမှာပါ။ ရလာတဲ့ အဖြေကို graph (png format) နှင့် ဇယား (CSV format) နှစ်မျိုးလုံးနှင့် လွယ်လွယ်ကူကူပဲ download ရယူနိုင်ပါတယ်။
ဂြိုဟ်တု time series များကို လက်တွေ့တွင်အသုံးပြုနေမှု
စိုက်ပျိုးရေး နဲ့ သစ်တောမြေများ စောင့်ကြည့်ခြင်းနဲ့ စီမံခန့်ခွဲရေး လုပ်ငန်းတွေအတွက် time series ဂြိုဟ်တုဓာတ်ပုံတွေဟာ အရမ်းအစွမ်းထက်တဲ့ နည်းပညာ ဖြစ်ပါတယ်။ ဒီနည်းပညာကြောင့်ပဲ စိုက်ခင်းများနှင့် မြေအသုံးချမှုတွေ ပြောင်းလဲသွားမှုနဲ့ ပတ်သက်တဲ့ သတင်းအချက်လက် အများကြီးကို သိနိုင်ပါတယ်။ အောက်မှာဆိုရင် လက်တွေ့ကမ္ဘာကြီးမှာ time series ဂြိုဟ်တုဓာတ်ပုံတွေကို ဘယ်လိုအသုံးချနိုင်လည်း ဆိုတာကို ထဲထဲဝင်ဝင် လေ့လာကြည့်ကြပါမယ်။
တရားမဝင်သစ်ထုတ်မှုကြောင့်တောပြုန်းခြင်းကို စောင့်ကြည့်ခြင်း
ကမ္ဘာ့ကုလသမဂ္ဂရဲ့ ထောက်ပြချက်အရ Carpathian ဒေသဟာ တရားမဝင်သစ်ထုတ်ခြင်းကြောင့် ပျက်စီးဆုံးရှုံးမှု များနေပြီး သစ်တောပြုန်းတီးမှုကို ဆက်တိုက်စောင့်ကြည့်နေဖို့ လိုအပ်သလို ကြိုတင်ကာကွယ်ရေး လုပ်ငန်းများ လည်း မဖြစ်မနေလိုအပ်နေပါတယ်။ အဲ့ဒီနေရာကို ကိုယ့်ဟာကိုယ် စုံစမ်းစစ်ဆေးမှုအနည်းငယ် လုပ်ကြည့် လိုက်ရအောင်လား။ သစ်တောပြုန်းတီးနေမှုကို သာမန်မျက်လုံးနဲ့ သိသိသာသာမြင်နိုင်တဲ့ နေရာတစ်ခုကို ရှာလိုက်ပါ၊ ထို့နောက် အဲ့ဒီနေရာကို ဗဟိုထားပြီး စုံစမ်းစစ်ဆေးမှု နေရာအဖြစ် သတ်မှတ်လိုက်ပါ။
Time Series Analysis tool ကို အသုံးပြုပြီး NDVI vegetation index graph တစ်ခုကို ဖန်တီးလိုက်ပါ။ ရလာတဲ့ index နှင့် graph ကို ကြည့်ပြီး သစ်တောဖုံးလွှမ်းမှု သိသိသာသာကျသွားသော အချိန်ကို ဆုံးဖြတ်ပါ။ smooth curve (မျဉ်းကွေးတွေကို ကြည့်ကောင်းအောင် လိုက်ညှိပေးတဲ့ function) ကို ပိတ်လိုက်ခြင်းအားဖြင့် သစ်တောဖုံး လွှမ်းမှု အနည်းဆုံးထိကျသွားသော ခုနှစ်အတိကျကို သိနိုင်ပါပြီ။ အဲဒီခုနှစ်ရယ် နောက်တစ်နှစ်ရယ်ကို ရွေချယ်ပြီး graph ပေါ်မှာ အကွက်ချကြည့်လိုက်ပါ။
Graph အရ ၂၀၀၄ ခုနှစ်မှာ ဇီဝထု သစ်တောဖုံးလွှမ်းမှု သိသိသာသာလျော့နည်း သွားတာကိုတွေ့ရပြီး ၂၀၀၅ နှစ်မှာဆိုရင် တစ်နှစ်ပတ်လုံး နည်းနေပြီး နှစ်ကုန်ပိုင်းမှာ ပြန်လည်မြင့်တက်လာတာကို တွေ့ရမှာပါ။ ဒီလို သစ်တောဖုံးလွှမ်းမှု ပြန်လည်မြင့်တက်လာတာဟာ အရင်နှစ်က အဆိုးရွားဆုံး ခုတ်ထားခဲ့တဲ့ နေရာမှာ သဘာဝအတိုင်း ပြန်လည် ပေါက်ရောက်လာခြင်းကြောင့် ဖြစ်ပါတယ်။ ဒီကိစ္စမှာဆိုရင် ဂြိုဟ်တုဓာတ်ပုံ စမ်းစစ်မှုဟာ လွယ်ကူတဲ့အဆင့် အနည်းငယ်ပဲ သုံးသွားတာကို တွေ့နိုင်ပါတယ်။ ခုသင်ယူလိုက်တဲ့နည်းလမ်းနဲ့ ဘယ်နေရာမှာ တရားမဝင်သစ် ထုတ်နေလဲ ဆိုတာကို လွယ်ကူမြန်ဆန်စွာ ရှာဖွေနိုင်မှာ ဖြစ်ပါတယ်။
ယာခင်းထဲက အပင်များအခြေအနေ ပုံစံများနှင့် ထူးခြားဖြစ်စဉ်များကို ရှာဖွေခြင်း
ယာခင်းသီးသန့် time series ဂြိုဟ်တုဓာတ်ပုံတွေကို လေ့လာကြည့်ရအောင်ပါ။ သီးနှံတစ်မျိုးတည်းကိုပဲ ဆက်တိုက် စိုက်ပျိုးခဲ့တဲ့ ယာခင်းရဲ့ နှစ်တချို့ကိုကြည့်ကြည့်ရအောင်။ NDVI ကို အသုံးပြုပြီး ဒီသီးနှံ ဘယ်လောက် ဖွံ့ဖြိုးမှုရှိလဲဆိုတာကို ဆုံးဖြတ်လို့ရပါတယ်။
၂၀၁၉ ခုနှစ်နဲ့ ၂၀၂၁ ခုနှစ်တွေကို ကြည့်ကြည့်ရအောင်ပါ။ ၂၀၁၉ ခုနှစ်ရဲ့ သီးနှံမှတ်တမ်းကို စံချိန်အဖြစ်ထားပြီး နောင်နှစ်တွေရဲ့ ထွက်နှုန်းကို နှိုင်းယှဉ်ကြည့်မှာဖြစ်ပါတယ်။ ဖေဖော်ဝါရီလနှင့် သြဂုတ်လအတွင်းမှာ စိုက်ခင်းဟာ တိုးတက်ကောင်းမွန်လာတာကို တွေ့ရပါတယ်။ ဒီကာလထဲမှာ အညွန့်အဖူးအသစ်တွေ ထွက်လာပြီး အပင်တွေ ကြီးပြင်းလာလို့ ခုလိုတွေ့ရတာဖြစ်ပါတယ်။ ၂၀၂၁ မှာဆိုရင်လည်း ဖေဖော်ဝါရီကနေ ဂျွန်လ အလယ်လောက်ထိ NDVI ဟာ သိသိသာသာ မြင့်တက်လာတာကို တွေ့ရမှာဖြစ်ပါတယ်၊ ဒါပေမယ့် နောက်ပိုင်းမှာ အများကြီး ပြန်ကျ သွားပါတယ်။ ပုံမှန်မဟုတ်တဲ့ အပူချိန်လွန်ကဲမှုတွေကြောင့် ခုလို NDVI ကျသွားတာ ဖြစ်ပါတယ်။
ဒီတော့ ဒါတွေကဘာကိုဆိုလိုနေတာလဲ ။ တစ်နှစ်နဲ့တစ်နှစ် သီးနှံရဲ့ ကြီးထွားမှုကို နှိုင်းယှဉ်ကြည့် ရရင် မတူကွဲပြားမှုတွေကို တွေ့ရမှာပါ။ Graph မှာမြင်ရတဲ့အတိုင်းပဲ Time Series Analysis ကို အသုံးပြုပြီး ပြဿနာ ရဲ့ အကြောင်းရင်းကို ရှာဖွေနိုင်ပြီး ပြဿနာကို ဖြေရှင်းနိုင်ပါတယ်၊ ဒါ့အပြင် ထွက်နှုန်းကောင်းခဲ့တဲ့ နှစ်တွေရဲ့ NDVI နှင့် ယခုလက်ရှိ NDVI ကိုလည်း နှိုင်းယှဉ်ကြည့်ရှုနိုင်ပါတယ်။
ယာခင်းထဲက ဖွံ့ဖြိုးမှုဟာ ဒေသအတွင်းက အခြားအခင်းတွေနဲ့ ဘယ်လောက်ကွဲထွက်နေလဲ ဆုံးဖြတ်ခြင်း
ဒီတစ်ခါမှာတော့ ကျွန်တော်တို့ဟာ ကိုယ့်ယာခင်းတစ်ခုတည်းကိုပဲ ကြည့်တာမဟုတ်ဘဲ ဘေးနားက ယာခင်းတွေ ကိုပါ တွဲလျက်ကြည့်ကြပါမယ်။ ဂြိုဟ်တုဓာတ်ပုံက ရလာတဲ့ NDVI မြေပုံကို အသုံးပြုပြီး ယာခင်းစောင့်ကြည်မှု တွေ လုပ်ကြည့်လိုက်ရအောင်။ ဒီနည်းပညာရဲ့ အကူညီနဲ့ ယာခင်းတွေထဲမှာ ဘယ်ယာခင်းတွေကတော့ NDVI တန်ဖိုးတွေ သိသိသာသာပြောင်းလဲ နေလဲဆိုတာကို ရှာတွေ့နိုင်ပါတယ်။
သိချင်တဲ့အကြောင်းအရာက ဒီတန်ဖိုးတွေဟာ သာမန်ဖြစ်ရိုးဖြစ်စဉ်တွေလား ဒါမှမဟုတ်ဘူး ထူးခြားကွဲထွက်နေ မှုတွေလားဆိုတာပဲ။ တကယ်လို့ ထူးခြားကွဲထွက်မှုနေရှိနေလျှင် ဘယ်လောက်သိသိသာသာ ကွဲထွက်နေပါသလဲ။ ဒီအဖြေကို သိချင်တယ်ဆိုရင်တော့ ကျွန်တော်တို့ဟာ time series ဂြိုဟ်တုဓာတ်ပုံ စမ်စစ်မှုတွေ နည်းပညာကို အသုံးပြုနိုင်ပါတယ်။
ကျွန်တော်တို့ ခရိုင်အတွင်းက တခြားယာခင်းတွေကို နမူနာယူပြီး လွန်ခဲ့တဲ့ ၃ လ အတွင်း သူတို့ဘယ်လောက် ကောင်းလဲ ဆိုးလဲ ဆိုတာကို သိဖို့ graph တွေ ဖန်တီးကြည့်လိုက်ရအောင်။ ဒီကနေပြီးတော့ ခရိုင်တစ်ခုလုံး အတွင်းက ယာခင်းအားလုံးရဲ့ ဖွံ့ဖြိုးမှု ဦးတည်ရာလမ်းကြောင်းတွေကို ဆွဲကြည့်လို့ရပါတယ်။ တချို့ဒေသတွင်းက အကြောင်းအရာတွေ (ဥပမာ – ရာသီဥတု) က ဦးတည်ရာလမ်းကြောင်း တွေအပေါ်မှာ လွှမ်းမိုးမှုရှိပါတယ်၊ နောက် ပြီး အဲဒီလိုဒေသတွင်း အကြောင်းအရာတွေဟာ ဧရိယာခပ်သေးသေးလေးမှတော့ တူနေတတ်တာများပါတယ်။ ဒါကြောင့် ကိုယ်က တိုင်းဒေသကြီး (ဧရိယာအကျယ်ကြီး) တစ်ခုစာအတွက် အလုပ်လုပ်မယ်ဆိုရင် တစ်ဆင့်မြှင့် ပြီး တိတိကျကျလုပ်ဖို့ အရေးကြီး ပါတယ်။ ကိုယ့်ရဲ့တိုင်းဒေသကြီး အတွင်းကအခြားအခင်းတွေရဲ့ graph တွေကို ဖန်တီးပြီးသွားပြီ ဆိုရင် ၄င်းတို့ကို ဇယားတွေအဖြစ် သိမ်းထားလိုက် (download/save) ပြီး ယာခင်းတစ်ခုရဲ့ လုပ်ဆောင်မှု ကောင်း မကောင်းကို ၎င်းတခြားယာခင်းတွေနဲ့ နှိုင်းယှဥ်ကြည့်လို့ရပါပြီ။ အဲဒီကနေ ကိုယ့်ရဲ့ ယာခင်းဟာ ကိုယ့်တိုင်းဒေကြီး ထဲက တခြား ယာခင်းတွေရဲ့ NDVI တန်ဖိုးတွေနဲ့ သိသိသာသာကွဲပြားလား နေလားဆိုတာ သိနိုင်ပါတယ်။
Time series ဂြိုဟ်တုဓာတ်ပုံတွေကိုသုံးပြီး ကိုယ့်ရဲ့ နေစဉ်ဘဝဆုံးဖြတ်ချက်များချမှတ်ခြင်းကို မြှင့်တင်ခြင်း
ကမ္ဘာကြီးမှာ ဘာတွေဖြစ်ပျက်နေလည်းဆိုတာကို စောင့်ကြည့်လေ့လာပြီး နားလည်နေနိုင်ဖို့ time series ဂြိုဟ်တုဓာတ်ပုံ စမ်းစစ်ခြင်းဟာ အရမ်းအစွမ်းထက်တဲ့ နည်းပညာတစ်ခု ဖြစ်ပါတယ်။ အချိန်တစ်ခုမှာရိုက်ယူထားတဲ့ ဂြိုဟ်တုဓာတ်ပုံ တစ်ခုတည်းရဲ့ အလုပ်လုပ်နိုင်စွမ်းနဲ့ မတူဘဲ time series ဂြိုဟ်တုဓာတ်ပုံတွေ ဟာ ဦးတည်ရာလမ်းကြောင်းတွေနဲ့ အချိန်ကာလအတိုင်းတာ တစ်ခုအတွင်းက ပြောင်းလဲမှုတွေကို လေ့လာနိုင် ပါတယ်။ သစ်တောပြုန်းတီးခြင်း၊ စိုက်ပျိုးရေ၊ ရာသီဥတုပြောင်းလဲခြင်း၊ သဘာဝဘေးအန္တရာယ်များ၊ မြေအသုံးချမှု ပြောင်းလဲခြင်း နှင့် မြို့ပြတည်ထောင်ခြင်းတွေလို နယ်ပယ်စုံတဲ့ အဖြစ်ပျက်တွေကို သုနေသနလုပ် ဖို့အတွက် ဒီအချက်ဟာ အရမ်းကိုအရေးကြီးပါတယ်။
ကြည်လင်ပြတ်သားတဲ့ ဓာတ်ပုံတွေကို ရိုက်ကူးနိုင်တဲ့ ကမ္ဘာစောင့်ကြည့်ရေး ဂြိုဟ်တုတွေနဲ့ အချိန်တိုတို အတွင်း ကမ္ဘာကို မြန်မြန်ပတ်ပေးတဲ့ အုပ်စုလိုက် ဂြိုဟ်တုတွေကြောင့်သုတေသီတွေနဲ့ ဆုံးဖြတ်ချက်ချတဲ့ အရာရှိပိုင်းတွေဟာ ဘယ်တုန်းကမှ မရရှိခဲ့ဖူးတဲ့ သတင်းအချက်အများကြီးကို ရရှိနေတာ ဖြစ်ပါတယ်။ AI နှင့် machine learning နည်းပညာတွေဟာလည်း ဂြိုဟ်တုဓာတ်ပုံ အများကြီးကို အကဲဖြတ် စမ်းစစ်မှုတွေလုပ်တာကို ပိုပိုမြန်ဆန်စေပါတယ်။
အခုဆိုရင် သင်ဟာ EOSDA LandViewer ကို အသုံးပြုပြီး ကိုယ်စိတ်ဝင်စားတဲ့ နယ်ပယ်မှာ ထပ်တလဲလဲ လေ့လာ စောင့်ကြည့်ခြင်းတွေကို လုပ်ဆောင်နိုင်ပါပြီ။ EOSDA LandViewer ဟာ ဂြိုဟ်တုဓာတ်ပုံတွေနဲ့ AI ရဲ့ အားသားချက် တွေကို ထည့်ပေါင်းဖန်တီးထားတာကြောင့် အရမ်းအဆင့်မြင့်ပါတယ်၊ ဒါ့ကြောင့် မတူညီကွဲပြားတဲ့အချက်လက် အများကြီးကို စုစည်းပြီး ပိုမိုတိကျတဲ့ စမ်းစစ်မှုတွေကို ပြုလုပ်ပေးနိုင်ပါတယ်။ ကိုယ့်ရဲ့လုပ်ရိုးလုပ်စဉ် လုပ်ငန်းတွေထဲမှာ ဒီ time series ဂြိုဟ်တုဓာတ်ပုံ စမ်းစစ်မှု software ကိုရောပြီး အသုံးချလိုက်တာနဲ့ ကိုယ့်ရဲ့ လုပ်ငန်းနေရာထဲက ပုံစံတွေ၊ ဦးတည်ရာလမ်းကြောင်းတွေနဲ့ ထူးခြားကွဲထွက်နေမှုတွေကို အလွယ်တကူ သိရှိနိုင်ပါပြီ။ Time series analysis feature တွေကြောင်း စိတ်ဝင်စာလို့ ပိုမိုလေ့လာချင်တယ်၊ ဒီနည်းလမ်းနဲ့ ကိုယ့်ရဲ့ နေစဉ်အခက်ခဲတွေကို ဘယ်လိုကျော်ဖြတ်ရမလဲဆိုတာကို သိချင် လေ့လာချင်တယ်ဆိုရင်တော့ sales@eosda.com ကို အချိန်မရွေး ဆက်သွယ်လိုက်ပါ မိတ်ဆွေ။