ပထဝီဝင်လေ့လာမှုများတွင် နေရာဒေသဆိုင်ရာ ခွဲခြမ်းစိတ်ဖြာမှုနည်းလမ်းများ
နေရာဒေသဆိုင်ရာ ခွဲခြမ်းစိတ်ဖြာမှုသည် ပထဝီဝင်လေ့လာမှုများတွင် အရေးကြီးသော အခြေခံအုတ်မြစ်တစ်ခုဖြစ်သည်၊ အဘယ်ကြောင့်ဆိုသော် ၎င်းသည် အာကာသတွင် ဖြစ်စဉ်များ မည်သို့ဖြစ်ပေါ်သည်၊ ပျံ့နှံ့သည်၊ အပြန်အလှန်ဆက်စပ်သည်၊ နှင့် ပြောင်းလဲသည်ကို နားလည်ရန် ကူညီပေးသောကြောင့်ဖြစ်သည်။ အရာဝတ္ထုများ၏ အနေအထားနှင့် နီးကပ်မှုကို မကြာခဏ လျစ်လျူရှုလေ့ရှိသော "ပုံမှန်" စာရင်းအင်းခွဲခြမ်းစိတ်ဖြာမှုနှင့်မတူဘဲ၊ နေရာဒေသဆိုင်ရာ ခွဲခြမ်းစိတ်ဖြာမှုသည် တည်နေရာကို အဓိကကိန်းရှင်အဖြစ် ထားရှိသည်။ ဤနည်းအားဖြင့် ပထဝီဝင်သည် ဘာတွေဖြစ်ပျက်သည်ကိုသာမက ဒေသများ မည်သည့်နေရာတွင်၊ အဘယ်ကြောင့်နှင့် မည်သို့ အပြန်အလှန်ဆက်စပ်နေသည်ကိုပါ ရှင်းပြနိုင်သည်။ ဂြိုလ်တုပုံရိပ်များ၊ GPS၊ သန်းခေါင်စာရင်းများမှ လူမှုမီဒီယာအထိ ပထဝီနေရာဒေသဆိုင်ရာဒေတာများ ပိုမိုပေါများလာသည့်ခေတ်တွင် နေရာဒေသဆိုင်ရာ ခွဲခြမ်းစိတ်ဖြာမှုနည်းလမ်းများသည် မြို့ပြစီမံကိန်းရေးဆွဲခြင်း၊ ဘေးအန္တရာယ်လျှော့ချခြင်း၊ ပြည်သူ့ကျန်းမာရေး၊ ပတ်ဝန်းကျင်ထိန်းသိမ်းရေး နှင့် အခြားနယ်ပယ်များစွာအတွက် ပိုမိုသက်ဆိုင်လာပါသည်။
နေရာဒေသဆိုင်ရာ ခွဲခြမ်းစိတ်ဖြာမှု၏ အဓိပ္ပာယ်ဖွင့်ဆိုချက်နှင့် အခန်းကဏ္ဍ
ယေဘုယျအားဖြင့် နေရာဒေသဆိုင်ရာ ခွဲခြမ်းစိတ်ဖြာမှုဆိုသည်မှာ တည်နေရာကို ရည်ညွှန်းထားသော အချက်အလက်များကို စီမံဆောင်ရွက်ခြင်း၊ ပုံစံထုတ်ခြင်းနှင့် အဓိပ္ပာယ်ဖွင့်ဆိုခြင်းအတွက် နည်းစနစ်များ စုစည်းမှုတစ်ခုဖြစ်သည်။ ဤဒေတာသည် အမှတ်များ (ဥပမာ- ကျန်းမာရေးဌာနများ၏ တည်နေရာ)၊ မျဉ်းကြောင်းများ (လမ်း သို့မဟုတ် မြစ်ကွန်ရက်များ) သို့မဟုတ် ပိုလီဂွန်များ (အုပ်ချုပ်ရေးနယ်နိမိတ်များ၊ မြေအသုံးပြုမှု) ပုံစံဖြင့် ရှိနိုင်သည်။ နေရာဒေသဆိုင်ရာ ခွဲခြမ်းစိတ်ဖြာမှုသည် ပကတိတည်နေရာ (ကိုဩဒိနိတ်များ) နှင့် ဆွေမျိုးတည်နေရာ (နီးကပ်မှု၊ လက်လှမ်းမီမှု၊ ချိတ်ဆက်မှု) သဘောတရားများကို အလေးပေးဖော်ပြသည်။ ပထဝီဝင်လေ့လာမှုများတွင် ၎င်း၏ အဓိကအခန်းကဏ္ဍမှာ ပုံစံများကို ဖော်ထုတ်ရန် (ဥပမာ- လူနေထူထပ်သော အခြေချနေထိုင်မှုအစုအဝေးများ)၊ နေရာဒေသဆိုင်ရာ ဆက်နွယ်မှုများ (ဥပမာ- ရေကြီးမှုနှင့် မြေဖုံးလွှမ်းမှုအကြား ဆက်နွယ်မှု) ကို စစ်ဆေးခြင်းနှင့် ဧရိယာအခြေပြု ဆုံးဖြတ်ချက်ချခြင်းကို ပံ့ပိုးရန်ဖြစ်သည်။
ဒေတာအမျိုးအစားများနှင့် ကြိုတင်လုပ်ဆောင်ခြင်းအဆင့်များ
မည်သည့်နည်းလမ်းကိုမျှ အသုံးမပြုမီ၊ ဒေတာအရည်အသွေးသည် အလွန်အရေးကြီးပါသည်။ ကြိုတင်လုပ်ဆောင်ခြင်းအဆင့်တွင် ပုံမှန်အားဖြင့် (၁) ဒေတာအားလုံးသည် ကိုက်ညီသော ကိုဩဒိနိတ်စနစ်တွင်ရှိကြောင်း သေချာစေရန် ပထဝီရည်ညွှန်းခြင်းနှင့် မြေပုံပရိုဂျက်ရှင်း၊ (၂) ဒေတာသန့်စင်ခြင်း (ထပ်နေသည်များကို ဖယ်ရှားခြင်း၊ attribute အမှားများကို ပြင်ဆင်ခြင်း)၊ (၃) အထူးသဖြင့် DEMs (Digital Elevation Models) သို့မဟုတ် ဂြိုလ်တုပုံရိပ်ကဲ့သို့သော raster ဒေတာအတွက် စကေးနှင့် resolution ပြောင်းလဲမှု၊ နှင့် (၄) ရင်းမြစ်များစွာမှ ဒေတာများကို ပေါင်းစည်းခြင်းတို့ ပါဝင်ပါသည်။ ဤအဆင့်တွင် အမှားများသည် ဘေးအန္တရာယ်အန္တရာယ် ခွဲခြမ်းစိတ်ဖြာမှု သို့မဟုတ် ဝန်ဆောင်မှုရယူခွင့်အပေါ် သိသာထင်ရှားသော သက်ရောက်မှုရှိနိုင်သည့် မီတာရာဂဏန်းအနည်းငယ်၏ အနေအထားတွင် အနည်းငယ်သာ ရွေ့လျားခြင်းကဲ့သို့သော မှားယွင်းသော အဓိပ္ပာယ်ဖွင့်ဆိုချက်များကို ဖြစ်ပေါ်စေနိုင်သည်။
နေရာချထားမှုပုံစံ ခွဲခြမ်းစိတ်ဖြာခြင်းနည်းလမ်း
အသုံးများတဲ့ ပထမဆုံးနည်းလမ်းကတော့ ဖြန့်ဖြူးမှုပုံစံ ခွဲခြမ်းစိတ်ဖြာမှုပါ။ ရည်ရွယ်ချက်ကတော့ အရာဝတ္ထုတွေဟာ ကျပန်းဖြန့်ဝေနေသလား၊ အစုအဝေးဖွဲ့နေသလား ဒါမှမဟုတ် တစ်ပြေးညီဖြစ်နေသလားဆိုတာကို ဆုံးဖြတ်ဖို့ပါ။ အသုံးများတဲ့ နည်းစနစ်အချို့ကတော့ -
၁။ အနီးဆုံးအိမ်နီးချင်း ခွဲခြမ်းစိတ်ဖြာခြင်း (NNA)
အစုအဖွဲ့လိုက် စုဝေးမှုအတိုင်းအတာကို အကဲဖြတ်ရန်အတွက် အနီးဆုံးအမှတ်များအကြား ပျမ်းမျှအကွာအဝေးကို တိုင်းတာခြင်း။ ဥပမာအားဖြင့်၊ မြို့တစ်မြို့ရှိ မီနီဈေးများ၏ ဖြန့်ဖြူးမှုသည် အဓိကလမ်းမကြီးများတစ်လျှောက် အစုအဝေးဖွဲ့လေ့ရှိခြင်း ရှိ၊ မရှိ အကဲဖြတ်ရန်အတွက် NNA ကို အသုံးပြုနိုင်သည်။
2. Kernel Density Estimation (KDE)
ပူပြင်းသောနေရာများကိုပြသသည့် စဉ်ဆက်မပြတ်မျက်နှာပြင်ကိုရရှိစေသည့် အမှတ်ဒေတာမှ “သိပ်သည်းဆ” မြေပုံတစ်ခုဖန်တီးခြင်း။ ဤနည်းလမ်းကို ရာဇဝတ်မှု၊ ယာဉ်မတော်တဆမှုများ သို့မဟုတ် ရောဂါဖြစ်ပွားမှုများ ဖြန့်ဖြူးမှုကို ခွဲခြမ်းစိတ်ဖြာရာတွင် မကြာခဏအသုံးပြုလေ့ရှိသည်။
၃။ Moran's I နှင့် Geary's C (Spatial Autocorrelation)
နေရာတစ်ခု၏ attribute တန်ဖိုးများသည် ၎င်း၏ပတ်ဝန်းကျင်တည်နေရာများ၏ တန်ဖိုးများနှင့် ဆက်စပ်မှုရှိမရှိ စမ်းသပ်ရန်အသုံးပြုသည်။ ဥပမာအားဖြင့်၊ ဆင်းရဲမွဲတေမှုမြင့်မားသောဒေသများသည် အခြားဆင်းရဲသောဒေသများနှင့် အိမ်နီးချင်းများဖြစ်လေ့ရှိခြင်း ရှိ၊ မရှိကို စမ်းသပ်ရန် အသုံးပြုသည်။ "အိမ်နီးချင်းအကျိုးသက်ရောက်မှု" ကို နားလည်ရန်အတွက် Autocorrelation ရလဒ်များသည် အရေးကြီးပါသည်။ ပထဝီဝင် လူမှုစီးပွားရေး။
ကွန်ရက် ခွဲခြမ်းစိတ်ဖြာခြင်း
ပထဝီဝင်ဆိုင်ရာ ဖြစ်စဉ်များစွာသည် လမ်းများ၊ ရထားလမ်းများ၊ မြစ်များ သို့မဟုတ် ထောက်ပံ့ပို့ဆောင်ရေး ဖြန့်ဖြူးရေးလိုင်းများကဲ့သို့သော ကွန်ရက်များမှတစ်ဆင့် လည်ပတ်ကြသည်။ ကွန်ရက်ခွဲခြမ်းစိတ်ဖြာမှုသည် ချိတ်ဆက်မှုနှင့် ရွေ့လျားမှု၏ ထိရောက်မှုကို အကဲဖြတ်သည်၊ ဥပမာ-
- တစ်နေရာမှ တစ်နေရာသို့ အမြန်ဆုံး/အတိုဆုံးလမ်းကြောင်းကို ဆုံးဖြတ်ရန် အတိုဆုံးလမ်းကြောင်း။
– ဝန်ဆောင်မှုလွှမ်းခြုံမှုကို မြေပုံဆွဲရန် ဝန်ဆောင်မှုဧရိယာ (ဥပမာ၊ ဆေးရုံ သို့မဟုတ် ကျောင်းသို့ ၁၀ မိနစ်မှ ၁၅ မိနစ်အထိ ခရီးသွားချိန်)။
– လူဦးရေကို အထိရောက်ဆုံး ဝန်ဆောင်မှုပေးနိုင်ရန်အတွက် အကောင်းဆုံး အဆောက်အအုံများ၏ တည်နေရာကို ဆုံးဖြတ်ရန် တည်နေရာခွဲဝေခြင်း။
ဒေသဆိုင်ရာစီမံကိန်းရေးဆွဲရာတွင် ကွန်ရက် နည်းလမ်းသည် လက်တွေ့ကျသောမေးခွန်းများကို ဖြေဆိုရန်ကူညီပေးသည်- အများပြည်သူဆိုင်ရာ အဆောက်အအုံများကို ညီတူညီမျှဖြန့်ဝေထားသလား၊ မည်သည့်နေရာများသည် “ဝန်ဆောင်မှုချို့တဲ့နေဆဲ” ဖြစ်သည်နှင့် လမ်းအသစ်များတည်ဆောက်ခြင်းသည် လက်လှမ်းမီမှုအပေါ် မည်သို့အကျိုးသက်ရောက်မည်နည်း။
ထပ်ဆင့်ခြင်းနှင့် စံနှုန်းများစွာ ခွဲခြမ်းစိတ်ဖြာခြင်း
GIS (ပထဝီဝင်သတင်းအချက်အလက်စနစ်များ) ၏ အားသာချက်များထဲမှတစ်ခုမှာ ဒေတာအလွှာများစွာကို အပေါ်ယံလွှာတင်နိုင်စွမ်းဖြစ်သည်။ ဤအပေါ်ယံလွှာများမှ သုတေသီများသည် မြေပြိုမှုဖြစ်နိုင်ခြေကို မြေပုံဆွဲရန် တောင်စောင်း၊ မြေအမျိုးအစား ၊ မိုးရေချိန်နှင့် မြေဖုံးလွှမ်းမှုပေါင်းစပ်မှုကဲ့သို့သော ကိန်းရှင်များအကြား အပြန်အလှန်အကျိုးသက်ရောက်မှုကို အကဲဖြတ်နိုင်သည်။
ထပ်ဆင့်များသည် မကြာခဏဆိုသလို ဖြစ်စဉ်တစ်ခု၏ အကြောင်းရင်းအချက်များကို အလေးချိန်ပေးခြင်းပါဝင်သည့် Multi-Criteria Decision Analysis (MCDA) အဖြစ်သို့ ပြောင်းလဲလာလေ့ရှိသည်။ ဤအသုံးချမှု၏ ဥပမာများတွင် အမှိုက်ပုံ၊ ကာကွယ်ထားသောနေရာ သို့မဟုတ် ဦးစားပေးသစ်တောပြန်လည်စိုက်ပျိုးရေးဇုန်အတွက် အကောင်းဆုံးတည်နေရာကို ဆုံးဖြတ်ခြင်း ပါဝင်သည်။ အလေးချိန်သည် အကဲဖြတ်ခြင်းကို ပိုမိုစနစ်တကျနှင့် ပွင့်လင်းမြင်သာစေသည့် Analytic Hierarchy Process (AHP) ကဲ့သို့သော နည်းလမ်းကို အသုံးပြုလေ့ရှိသည်။
ရက်စတာ ခွဲခြမ်းစိတ်ဖြာခြင်း- မျက်နှာပြင်နှင့် ပတ်ဝန်းကျင် မော်ဒယ်လ်လုပ်ခြင်း
ရက်စတာဒေတာသည် အမြင့်၊ အပူချိန်၊ မိုးရေချိန် သို့မဟုတ် သစ်ပင်ပန်းမန်ညွှန်းကိန်းများကဲ့သို့သော စဉ်ဆက်မပြတ်ဖြစ်ပေါ်နေသော ဖြစ်စဉ်များအတွက် သင့်လျော်ပါသည်။ ရက်စတာခွဲခြမ်းစိတ်ဖြာမှုနည်းလမ်းများတွင် အောက်ပါတို့ပါဝင်သည်-
- တိုင်းတာမထားသောနေရာများတွင်တန်ဖိုးများကိုခန့်မှန်းရန် Interpolation (IDW, Kriging)၊ ဥပမာအားဖြင့်ဘူတာရုံအမှတ်များမှမိုးရွာသွန်းမှုမြေပုံတစ်ခုဖန်တီးခြင်း။
– ဘူမိမော်ဖိုလောဂျီနှင့် ရေဗေဒဆိုင်ရာ လေ့လာမှုအတွက် DEM မှ ဆင်ခြေလျှောနှင့် ဆင်ခြေလျှောရှုထောင့်ကို ခွဲခြမ်းစိတ်ဖြာခြင်း။
– တစ်ပြေးညီမဟုတ်သော ရွှေ့ပြောင်းမှု၏ “ကုန်ကျစရိတ်” ကို တွက်ချက်ရန် ကုန်ကျစရိတ်အကွာအဝေး၊ ဥပမာအားဖြင့် ဆင်ခြေလျှောများ၊ မြစ်အတားအဆီးများနှင့် မြေဖုံးလွှမ်းမှုများကို ထည့်သွင်းစဉ်းစားသည့် ဘေးအန္တရာယ်ကြောင့် ဘေးလွတ်ရာသို့ ပြောင်းရွှေ့ခြင်း။
ဂြိုဟ်တုပုံရိပ်များကို အခြေခံသည့် မြေယာဖုံးလွှမ်းမှုပြောင်းလဲမှု မော်ဒယ်လ်ပြုလုပ်ခြင်းနှင့် သစ်တောပြုန်းတီးမှု ထောက်လှမ်းခြင်းတွင်လည်း ရက်စတာခွဲခြမ်းစိတ်ဖြာမှုသည် အရေးကြီးပါသည်။
အဆင့်မြင့် နေရာချထားမှု စာရင်းအင်းနှင့် မော်ဒယ်လ်
ခေတ်သစ် ပထဝီဝင်ဆိုင်ရာ လေ့လာမှုများစွာတွင် နေရာဒေသဆိုင်ရာ ခွဲခြမ်းစိတ်ဖြာမှုသည် မြေပုံရေးဆွဲခြင်းထက် ကျော်လွန်ပြီး ပိုမို ကောက်ချက်ချနိုင်သော မော်ဒယ်လ်များအထိ ကျယ်ပြန့်သွားသည်။ အသုံးများသော နည်းလမ်းအချို့တွင် အောက်ပါတို့ ပါဝင်သည်-
– စာရင်းအင်းအရ သိသာထင်ရှားသော အမြင့်ဆုံး/အနိမ့်ဆုံးတန်ဖိုးများရှိသော ဧရိယာများကို ဖော်ထုတ်ရန် Hotspot ခွဲခြမ်းစိတ်ဖြာမှု (Getis-Ord Gi\)။
– spatial autocorrelation ကြောင့်ဖြစ်ပေါ်လာသော လွတ်လပ်မှုယူဆချက်ချိုးဖောက်မှုများကို ဖြေရှင်းရန်အတွက် Spatial regression (Spatial Lag Model၊ Spatial Error Model)။ ဥပမာအားဖြင့် မြေယာဈေးနှုန်းများ သို့မဟုတ် ရောဂါအဆင့်များကို လွှမ်းမိုးသောအချက်များကို လေ့လာရာတွင် ၎င်းသည် အရေးကြီးပါသည်။
– ပထဝီဝင်အနေအထားအရ အလေးချိန်ရှိသော ဆုတ်ယုတ်မှု (GWR) သည် နေရာဒေသများတစ်လျှောက်တွင် ကိန်းရှင်များအကြား မတူညီသော ဆက်နွယ်မှုများကို ခွင့်ပြုသည်။ ပထဝီဝင်ဆိုင်ရာ အခြေအနေတွင်၊ ၎င်းသည် လက်တွေ့ကျပါသည်၊ အဘယ်ကြောင့်ဆိုသော် အချက်တစ်ခုသည် ဒေသတစ်ခုတွင် အားကောင်းသော လွှမ်းမိုးမှုရှိသော်လည်း အခြားဒေသတစ်ခုတွင် အားနည်းသော လွှမ်းမိုးမှုရှိနိုင်သောကြောင့်ဖြစ်သည်။
ဤမော်ဒယ်လ်ဖြင့် သုတေသီများသည် ယူဆချက်များကို စမ်းသပ်နိုင်ပြီး ပထဝီဝင်အနေအထားအရ အချက်များ၏ လွှမ်းမိုးမှုတွင် ကွဲပြားမှုများကို ပြသသည့် ကိန်းဂဏန်းမြေပုံများကို ထုတ်လုပ်နိုင်သည်။
အတည်ပြုခြင်း၊ အဓိပ္ပာယ်ဖွင့်ဆိုခြင်းနှင့် ကျင့်ဝတ်
နေရာဒေသဆိုင်ရာ ခွဲခြမ်းစိတ်ဖြာမှုရလဒ်များကို လယ်ကွင်းဒေတာ၊ နှိုင်းယှဉ်ဒေတာ သို့မဟုတ် စာရင်းအင်းစမ်းသပ်မှုများမှတစ်ဆင့် အတည်ပြုရန် လိုအပ်ပါသည်။ မြေပုံသည် "လှပ" ရုံသာမက တိကျမှန်ကန်ပြီး တာဝန်ယူမှုရှိစေရန် အတည်ပြုခြင်းသည် အရေးကြီးပါသည်။ ထို့အပြင်၊ အဓိပ္ပာယ်ဖွင့်ဆိုချက်သည် ခွဲခြမ်းစိတ်ဖြာမှု၏ စကေး၊ အချက်အလက်အရည်အသွေးနှင့် ဒေသခံလူမှု-ယဉ်ကျေးမှုဆိုင်ရာ အခြေအနေတို့ကို ထည့်သွင်းစဉ်းစားရမည်။
ကျင့်ဝတ်ဆိုင်ရာရှုထောင့်များသည်လည်း အထူးသဖြင့် လူပုဂ္ဂိုလ်တည်နေရာ၊ ကျန်းမာရေးမှတ်တမ်းများ သို့မဟုတ် ရွေ့လျားနိုင်မှုဒေတာကဲ့သို့သော အရေးကြီးသောဒေတာများကို အသုံးပြုသည့်အခါတွင် ပိုမိုအရေးကြီးလာပါသည်။ လျှို့ဝှက်ရေးချိုးဖောက်မှုများနှင့် သတင်းအချက်အလက်အလွဲသုံးစားမှုများကို ကာကွယ်ရန်အတွက် အမည်မဖော်လိုခြင်း၊ ဒေသဆိုင်ရာစုစည်းမှုနှင့် ဒေတာလုံခြုံရေးအစီအမံများကို အကောင်အထည်ဖော်ရန် လိုအပ်ပါသည်။
ပိတ်
ပထဝီဝင်လေ့လာမှုများတွင် နေရာဒေသဆိုင်ရာ ခွဲခြမ်းစိတ်ဖြာမှုနည်းလမ်းများသည် ကမ္ဘာမြေမျက်နှာပြင်ပေါ်ရှိ ဖြစ်စဉ်များအကြား ပုံစံများ၊ လုပ်ငန်းစဉ်များနှင့် အပြန်အလှန်ဆက်သွယ်မှုများကို နားလည်ရန်အတွက် အစွမ်းထက်သောကိရိယာများကို ပံ့ပိုးပေးပါသည်။ ဖြန့်ဖြူးမှုပုံစံ ခွဲခြမ်းစိတ်ဖြာမှု၊ ကွန်ရက်များ၊ စံနှုန်းများစွာပါဝင်သော ထပ်ဆင့်မှုများ၊ ရက်စတာ ခွဲခြမ်းစိတ်ဖြာမှုမှ အဆင့်မြင့် နေရာဒေသဆိုင်ရာ စာရင်းအင်း မော်ဒယ်လ်အထိ၊ ဤနည်းလမ်းများသည် ပထဝီဝင်မေးခွန်းများကို ပိုမိုရှင်းလင်းစွာနှင့် အထောက်အထားအခြေခံဖြင့် ဖြေဆိုရန် ကူညီပေးပါသည်။ GIS နှင့် ခေတ်မီ နေရာဒေသဆိုင်ရာ အချက်အလက်များဖြင့် ပံ့ပိုးထားသော နေရာဒေသဆိုင်ရာ ခွဲခြမ်းစိတ်ဖြာမှုသည် ပညာရပ်ဆိုင်ရာ သုတေသနအတွက်သာမက အများပြည်သူဆိုင်ရာ မူဝါဒနှင့် ရေရှည်တည်တံ့သော ဖွံ့ဖြိုးတိုးတက်မှုအတွက်ပါ မဟာဗျူဟာကျပါသည်။ ရလဒ်များသည် လူ့အဖွဲ့အစည်းနှင့် ပတ်ဝန်းကျင်ကို အမှန်တကယ် အကျိုးပြုကြောင်း သေချာစေရန် အရည်အသွေးမြင့် အချက်အလက်၊ သင့်လျော်သော နည်းလမ်းများနှင့် ဂရုတစိုက် အဓိပ္ပာယ်ဖွင့်ဆိုချက်များကို သေချာစေရန်မှာ စိန်ခေါ်မှုတစ်ရပ်ဖြစ်သည်။
