| 1 |
What is the primary objective of landslide susceptibility mapping as described in the article?
|
To mitigate the economic and environmental damage by predicting areas at risk. |
|
การทำแผนที่ความเสี่ยงดินถล่ม มีวัตถุประสงค์หลักเพื่อระบุพื้นที่ที่มีความเสี่ยงสูงที่จะเกิดดินถล่มในอนาคต
การระบุพื้นที่เสี่ยง ช่วยให้สามารถวางแผนการป้องกันและบรรเทาผลกระทบจากดินถล่มได้อย่างมีประสิทธิภาพ ลดความเสียหายต่อชีวิต ทรัพย์สิน และสิ่งแวดล้อม
การลดความเสี่ยง นำไปสู่การวางแผนการใช้ที่ดิน การพัฒนาโครงสร้างพื้นฐาน และการบริหารจัดการทรัพยากรธรรมชาติที่เหมาะสม |
วิทยาศาสตร์โลก (Earth Science): ศึกษาเกี่ยวกับกระบวนการทางธรรมชาติที่เกิดขึ้นบนโลก เช่น ดินถล่ม
ภูมิศาสตร์ (Geography): ศึกษาเกี่ยวกับลักษณะทางกายภาพและมนุษย์ของโลก
การบริหารจัดการความเสี่ยง (Risk Management): กระบวนการระบุ ประเมิน และลดความเสี่ยงจากภัยธรรมชาติ |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 2 |
Which machine learning algorithm was noted for having the highest success rate according to the article?
|
Logistic Regression |
|
การเลือกใช้อัลกอริทึม Machine Learning ขึ้นอยู่กับลักษณะของข้อมูลและปัญหาที่ต้องการแก้ไข โดยทั่วไป อัลกอริทึมที่นิยมใช้ในการพยากรณ์ดินถล่ม |
Machine Learning: ศาสตร์ที่เกี่ยวข้องกับการพัฒนาระบบคอมพิวเตอร์ให้มีความสามารถในการเรียนรู้และปรับปรุงประสิทธิภาพโดยอัตโนมัติจากข้อมูล
Supervised Learning: การเรียนรู้ของเครื่องที่อาศัยข้อมูลที่มีป้ายกำกับ (labeled data) เพื่อทำนายผลลัพธ์
Classification: การจำแนกประเภทข้อมูลออกเป็นกลุ่มต่างๆ
Regression: การทำนายค่าของตัวแปรตามจากตัวแปรอิสระ |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 3 |
If the area of Chattogram district is 75% susceptible to landslides, and the highly susceptible zone covers approximately 12% of the district, what is the area (in percentage) that is not highly susceptible?
|
87% |
|
เราได้รับพื้นที่ทั้งหมดที่เสี่ยงต่อการเกิดดินถล่มคือ 75% และโซนที่มีความเสี่ยงสูงครอบคลุม 12% ของเขต เราสามารถคำนวณพื้นที่ที่ไม่มีความเสี่ยงสูงได้โดยการลบพื้นที่ที่มีความเสี่ยงสูงออกจากพื้นที่ที่อ่อนแอทั้งหมด |
เปอร์เซ็นต์: วิธีหนึ่งในการแสดงส่วนหนึ่งของผลรวมเป็นจำนวนเต็มหนึ่งร้อย
การลบ: การดำเนินการทางคณิตศาสตร์ที่จะลบตัวเลข (การลบออก) ออกจากจำนวนอื่น (เครื่องหมายลบ) เพื่อค้นหาความแตกต่าง |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 4 |
Considering that the total number of analyzed landslides is 255, and 80% were used for training the models, how many landslide instances were used for testing?
|
51 |
|
จำนวนข้อมูลทั้งหมด: 255 ตัวอย่าง
ข้อมูลสำหรับฝึกอบรม: 80% ของ 255 = 204 ตัวอย่าง
ข้อมูลสำหรับทดสอบ: 100% - 80% = 20% ของ 255 = 51 ตัวอย่าง
ดังนั้น จึงมี 51 ตัวอย่าง ถูกนำไปใช้สำหรับการทดสอบโมเดล |
การคำนวณเปอร์เซ็นต์
การลบเพื่อหาส่วนที่เหลือ |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 5 |
If the total area of Chattogram district is 7,000 km² and the very high susceptible zone covers 9% of the district, what is the area of the very high susceptible zone in km²?
|
630 km² |
|
เราสามารถคำนวณพื้นที่ของเขตที่มีความเสี่ยงสูงมากได้โดยการคูณพื้นที่ทั้งหมดของเขตด้วยเปอร์เซ็นต์ที่มีความเสี่ยงสูงมาก แล้วหารด้วย 100 เพื่อแปลงเปอร์เซ็นต์ให้เป็นสัดส่วน |
เปอร์เซ็นต์: วิธีหนึ่งในการแสดงส่วนหนึ่งของผลรวมเป็นจำนวนเต็มหนึ่งร้อย
การคำนวณพื้นที่: การคูณความยาวด้วยความกว้าง |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 6 |
Assuming the false positive rate (FPR) for the logistic regression model is 0.05 and the true positive rate (TPR) is 0.95, calculate the specificity of the model.
|
|
|
Specificity หรือความจำเพาะ คือสัดส่วนของตัวอย่างที่เป็น Negative (ไม่เกิดเหตุการณ์) ที่ถูกจำแนกอย่างถูกต้องว่าเป็น Negative
True Positive Rate (TPR) หรือ Sensitivity คือสัดส่วนของตัวอย่างที่เป็น Positive (เกิดเหตุการณ์) ที่ถูกจำแนกอย่างถูกต้องว่าเป็น Positive
False Positive Rate (FPR) คือสัดส่วนของตัวอย่างที่เป็น Negative (ไม่เกิดเหตุการณ์) ที่ถูกจำแนกผิดว่าเป็น Positive |
Confusion Matrix: ตารางที่แสดงผลลัพธ์ของการจำแนกประเภท โดยเปรียบเทียบค่าที่ทำนายได้กับค่าจริง
True Positive, True Negative, False Positive, False Negative: คำศัพท์ที่ใช้ในการอธิบายผลลัพธ์ของการจำแนกประเภทใน Confusion Matrix
Sensitivity, Specificity: ตัวชี้วัดประสิทธิภาพของโมเดลในการจำแนกประเภท |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 7 |
Given that the area under the ROC curve (AUC) for the logistic regression model is 0.963, and the prediction rate is measured as the area under this curve, rate the model's prediction accuracy.
|
Excellent |
|
AUC (Area Under the ROC Curve): เป็นตัวชี้วัดประสิทธิภาพของโมเดลในการจำแนกประเภท โดยค่า AUC จะอยู่ระหว่าง 0 ถึง 1
AUC = 0.5: หมายความว่าโมเดลไม่สามารถจำแนกได้ดีกว่าการเดาแบบสุ่ม
AUC = 1: หมายความว่าโมเดลสามารถจำแนกได้อย่างสมบูรณ์แบบ
ในกรณีนี้ AUC = 0.963: ค่านี้ใกล้เคียงกับ 1 มาก ซึ่งบ่งบอกว่าโมเดลมีความสามารถในการจำแนกประเภทได้ดีเยี่ยม |
ROC Curve (Receiver Operating Characteristic Curve): กราฟที่แสดงความสัมพันธ์ระหว่าง True Positive Rate (TPR) และ False Positive Rate (FPR) โดยจุดต่างๆ บนกราฟจะแสดงถึงการปรับค่า Threshold ที่แตกต่างกัน
AUC: พื้นที่ใต้เส้นโค้ง ROC ซึ่งเป็นตัวชี้วัดประสิทธิภาพโดยรวมของโมเดลในการจำแนกประเภท
True Positive Rate (TPR): สัดส่วนของตัวอย่างที่เป็น Positive (เกิดเหตุการณ์) ที่ถูกจำแนกอย่างถูกต้องว่าเป็น Positive
False Positive Rate (FPR): สัดส่วนของตัวอย่างที่เป็น Negative (ไม่เกิดเหตุการณ์) ที่ถูกจำแนกผิดว่าเป็น Positive |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 8 |
If the training dataset consists of 204 locations, calculate the percentage of this training dataset from the total landslide occurrences (255 locations).
|
80% |
|
เราสามารถคำนวณได้โดยการหารจำนวนสถานที่ในชุดข้อมูลการฝึกอบรมด้วยจำนวนครั้งที่เกิดแผ่นดินถล่มทั้งหมด แล้วคูณด้วย 100 เพื่อแสดงผลลัพธ์เป็นเปอร์เซ็นต์ |
เปอร์เซ็นต์: วิธีหนึ่งในการแสดงส่วนหนึ่งของผลรวมเป็นจำนวนเต็มหนึ่งร้อย
ขนาดตัวอย่าง: จำนวนการสังเกตหรือจุดข้อมูลในกลุ่มตัวอย่าง |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 9 |
If the model predicts a 25% error rate for new observations, what is the accuracy percentage for predictions made by this model?
|
75% |
|
อัตราความผิดพลาด (Error rate) คือ สัดส่วนของการทำนายที่ผิดพลาด
ความแม่นยำ (Accuracy) คือ สัดส่วนของการทำนายที่ถูกต้อง |
สถิติพื้นฐาน: การคำนวณเปอร์เซ็นต์และการหาค่าเสริม
การประเมินโมเดล: การวัดประสิทธิภาพของโมเดลโดยใช้ตัวชี้วัดเช่น ความแม่นยำ |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 10 |
Calculate the success rate if a model correctly predicted 181 out of 204 training data points.
|
88.73% |
|
อัตราความสำเร็จหรือที่เรียกว่าความแม่นยำเป็นตัวชี้วัดทั่วไปที่ใช้ในการประเมินประสิทธิภาพของโมเดลการเรียนรู้ของเครื่อง คำนวณโดยการหารจำนวนจุดข้อมูลที่คาดการณ์อย่างถูกต้องด้วยจำนวนจุดข้อมูลทั้งหมด ในกรณีนี้ แบบจำลองคาดการณ์จุดข้อมูลการฝึกอบรมได้ถูกต้อง 181 จุดจาก 204 จุด ส่งผลให้อัตราความสำเร็จอยู่ที่ 88.73% |
ประสิทธิภาพของโมเดลการเรียนรู้ของเครื่อง: อัตราความสำเร็จเป็นวิธีหนึ่งในการวัดว่าโมเดลการเรียนรู้ของเครื่องทำงานได้ดีเพียงใดในงานที่กำหนด
ความแม่นยำ: ความแม่นยำคือการวัดทางสถิติที่สะท้อนถึงสัดส่วนของการคาดการณ์ที่ถูกต้องของแบบจำลอง |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 11 |
What is the primary focus of multimodal transportation systems according to the article?
|
Enhancing environmental sustainability and safety. |
|
การตอบคำถามเกี่ยวกับจุดประสงค์หลักของระบบขนส่งแบบหลายรูปแบบ จำเป็นต้องพิจารณาจากทั้งแนวคิดทั่วไปและข้อมูลเฉพาะของบทความอ้างอิง หากไม่มีข้อมูลที่เพียงพอ คำตอบที่ได้จะเป็นเพียงการประมาณการณ์เบื้องต้น |
โลจิสติกส์: วิชาที่ศึกษาเกี่ยวกับการวางแผน การดำเนินงาน และการควบคุมการไหลของสินค้าตั้งแต่แหล่งผลิตจนถึงผู้บริโภค
การขนส่ง: ส่วนหนึ่งของโลจิสติกส์ที่เกี่ยวข้องกับการเคลื่อนย้ายสินค้าจากจุดหนึ่งไปยังอีกจุดหนึ่ง
ความยั่งยืน: การพัฒนาที่ตอบสนองความต้องการของปัจจุบันโดยไม่กระทบต่อความสามารถของคนรุ่นหลังในการตอบสนองความต้องการของตนเอง |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 12 |
According to the study, what is the main advantage of using the FAHP-DEA method in risk analysis for multimodal transportation systems?
|
It allows for precise risk prioritization and optimization of routes. |
|
FAHP (Fuzzy Analytic Hierarchy Process): เป็นวิธีการตัดสินใจแบบหลายเกณฑ์ที่ใช้ในการจัดลำดับความสำคัญของปัจจัยต่างๆ โดยอาศัยความคิดเห็นของผู้เชี่ยวชาญ
DEA (Data Envelopment Analysis): เป็นวิธีการวัดประสิทธิภาพของหน่วยงานหรือกระบวนการ โดยเปรียบเทียบกับหน่วยงานอื่นๆ ที่มีความคล้ายคลึงกัน
FAHP-DEA: เมื่อนำทั้งสองวิธีมารวมกัน จะช่วยให้สามารถวิเคราะห์ความเสี่ยงของระบบขนส่งแบบหลายรูปแบบได้อย่างครอบคลุม โดยสามารถ:
ระบุปัจจัยเสี่ยงที่สำคัญ: โดยใช้ FAHP ในการจัดลำดับความสำคัญของปัจจัยเสี่ยงต่างๆ
ประเมินประสิทธิภาพของมาตรการลดความเสี่ยง: โดยใช้ DEA ในการเปรียบเทียบประสิทธิภาพของมาตรการลดความเสี่ยงต่างๆ
ปรับปรุงเส้นทางและกระบวนการ: เพื่อลดความเสี่ยงและเพิ่มประสิทธิภาพของระบบขนส่ง |
วิทยาการจัดการความเสี่ยง: การระบุ ประเมิน และควบคุมความเสี่ยงที่อาจเกิดขึ้น
การตัดสินใจแบบหลายเกณฑ์: การตัดสินใจเลือกทางเลือกที่ดีที่สุดจากหลายทางเลือก โดยพิจารณาจากเกณฑ์ต่างๆ
การวิเคราะห์เชิงระบบ: การวิเคราะห์ระบบที่ซับซ้อน โดยพิจารณาถึงปฏิสัมพันธ์ระหว่างองค์ประกอบต่างๆ |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 13 |
If the risk analysis model has five criteria and assigns importance weights such that the total sums up to 1, and the weights for operational risk and security risk are 0.157 and 0.073 respectively, what is the combined weight of the remaining three criteria?
|
0.230 |
|
โมเดลการวิเคราะห์ความเสี่ยงมีเกณฑ์ 5 ประการ
น้ำหนักสำหรับความเสี่ยงด้านปฏิบัติการและความเสี่ยงด้านความปลอดภัยคือ 0.157 และ 0.073 ตามลำดับ
น้ำหนักรวมของเกณฑ์ทั้งหมดรวมกันได้ไม่เกิน 1 |
การคำนวณนี้อิงตามแนวคิดเรื่องผลรวมถ่วงน้ำหนัก ซึ่งเป็นเทคนิคทั่วไปในการตัดสินใจและการวิเคราะห์ความเสี่ยง การกำหนดน้ำหนักให้กับเกณฑ์ต่างๆ ทำให้เราสามารถสะท้อนถึงความสำคัญที่แตกต่างกันในการประเมินโดยรวมได้ |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 14 |
If the probability of an accident occurring on a route is 0.2 and the consequence severity is rated at 0.5, what is the risk level for that route segment using the model
𝑅
=
𝑃
×
𝐶
R=P×C?
|
0.1 |
|
สูตรคำนวณระดับความเสี่ยง: R = P x C
ค่า P (ความน่าจะเป็น): 0.2
ค่า C (ความรุนแรงผลกระทบ): 0.5 |
การคูณค่าความน่าจะเป็นกับค่าความรุนแรงเพื่อหาค่าระดับความเสี่ยง
การประยุกต์ใช้สูตรทางคณิตศาสตร์ในการแก้ปัญหา |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 15 |
Calculate the aggregate risk score if the weights of the criteria are 0.321, 0.388, 0.157, 0.073, and 0.061, and the local risk scores for a route are 0.5, 0.6, 0.4, 0.3, and 0.2 respectively.
|
0.438 |
|
คะแนนความเสี่ยงรวมคำนวณโดยใช้วิธีรวมถ่วงน้ำหนัก วิธีการนี้จะพิจารณาทั้งความรุนแรง (คะแนนความเสี่ยงในท้องถิ่น) ของแต่ละเกณฑ์และความสำคัญที่เกี่ยวข้อง (น้ำหนัก) ในการประเมินความเสี่ยงโดยรวม |
แนวทางนี้ตั้งอยู่บนแนวคิดที่ว่าความเสี่ยงโดยรวมขึ้นอยู่กับความน่าจะเป็นและผลที่ตามมาของเหตุการณ์เชิงลบที่อาจเกิดขึ้น ด้วยการรวมน้ำหนักเข้าด้วยกัน เราสามารถจัดลำดับความสำคัญของเกณฑ์ที่สำคัญซึ่งอาจมีผลกระทบที่มีนัยสำคัญมากขึ้นต่อโปรไฟล์ความเสี่ยงโดยรวม |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 16 |
If the probability assessment for a risk is ranked 3 on a scale of 5 and the severity assessment is also ranked 3, with the transport segment accounting for 20% of the total route distance, calculate the risk assessment using the formula
𝑅
=
𝑃
×
𝐶
×
𝐷
R=P×C×D.
|
0.18 |
|
สูตรคำนวณระดับความเสี่ยง: R = P x C x D
ค่า P (ความน่าจะเป็น): 3/5 = 0.6
ค่า C (ความรุนแรงผลกระทบ): 3/5 = 0.6
ค่า D (ระยะทาง): 20% = 0. |
การแปลงค่าระดับความน่าจะเป็นและความรุนแรงเป็นตัวเลขทศนิยม
การคูณค่าทั้งสามเพื่อหาค่าระดับความเสี่ยง
การประยุกต์ใช้สูตรทางคณิตศาสตร์ในการแก้ปัญหา |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 17 |
Given that the weight for environmental risk is 0.061 and the local risk score for a route is 0.4, calculate the contribution of environmental risk to the overall risk score.
|
0.0244 |
|
การคำนวณส่วนแบ่งความเสี่ยง: ค่าส่วนแบ่งความเสี่ยง = น้ำหนักความเสี่ยง x คะแนนความเสี่ยง
ค่าน้ำหนักความเสี่ยง (Weight): 0.061
ค่าคะแนนความเสี่ยง (Local risk score): 0.4 |
การคูณค่าน้ำหนักกับค่าคะแนนเพื่อหาส่วนแบ่งความเสี่ยง
การประยุกต์ใช้สูตรทางคณิตศาสตร์ในการแก้ปัญหา |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 18 |
Calculate the new overall risk score if the weight of infrastructure risk is increased from 0.388 to 0.400 while keeping other parameters constant, given that its local risk score is 0.2.
|
0.080 |
|
การคำนวณคะแนนความเสี่ยงรวม (Aggregate Risk Score): คำนวณโดยการคูณน้ำหนักของแต่ละเกณฑ์ (weight) กับคะแนนความเสี่ยงท้องถิ่น (local risk score) ของแต่ละเกณฑ์ แล้วนำผลคูณทั้งหมดมาบวกกัน
การปรับน้ำหนัก: น้ำหนักของความเสี่ยงโครงสร้างพื้นฐานเพิ่มขึ้นจาก 0.388 เป็น 0.400 ในขณะที่น้ำหนักของเกณฑ์อื่น ๆ คงที่
การคำนวณคะแนนความเสี่ยงรวมใหม่: คำนวณคะแนนความเสี่ยงรวมใหม่โดยใช้สูตรเดิม แต่ใช้น้ำหนักใหม่ของความเสี่ยงโครงสร้างพื้นฐาน |
การใช้สูตรการถ่วงน้ำหนักในการคำนวณคะแนนรวม
การปรับน้ำหนักของเกณฑ์หนึ่งและคำนวณผลกระทบต่อคะแนนรวม |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 19 |
If a mode of transportation has a risk weight of 0.073 and its risk score is reassessed from 0.4 to 0.35, what is the change in its contribution to the overall risk score?
|
0.00365 |
|
การคำนวณส่วนแบ่งความเสี่ยงเดิม: ค่าส่วนแบ่งความเสี่ยง = น้ำหนักความเสี่ยง x คะแนนความเสี่ยง = 0.073 x 0.4 = 0.0292
การคำนวณส่วนแบ่งความเสี่ยงใหม่: ค่าส่วนแบ่งความเสี่ยง = น้ำหนักความเสี่ยง x คะแนนความเสี่ยง = 0.073 x 0.35 = 0.02555
การคำนวณการเปลี่ยนแปลง: การเปลี่ยนแปลง = ส่วนแบ่งความเสี่ยงเดิม - ส่วนแบ่งความเสี่ยงใหม่ = 0.0292 - 0.02555 = 0.00365 |
การคำนวณส่วนแบ่งความเสี่ยงโดยการคูณน้ำหนักความเสี่ยงกับคะแนนความเสี่ยง
การหาผลต่างระหว่างส่วนแบ่งความเสี่ยงเดิมและใหม่เพื่อคำนวณการเปลี่ยนแปลง |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 20 |
If the local weights of freight-damage risk, infrastructure risk, and operational risk are 0.1, 0.2, and 0.15 respectively, what is their total contribution to the risk score if their respective weights are 0.321, 0.388, and 0.157?
|
0.14647 |
|
การคำนวณส่วนแบ่งความเสี่ยง: ค่าส่วนแบ่งความเสี่ยง = น้ำหนักความเสี่ยง x คะแนนความเสี่ยง
การคำนวณส่วนแบ่งความเสี่ยงของแต่ละปัจจัย:
Freight-damage risk: 0.321 * 0.1 = 0.0321
Infrastructure risk: 0.388 * 0.2 = 0.0776
Operational risk: 0.157 * 0.15 = 0.02355
การคำนวณส่วนแบ่งความเสี่ยงรวม: บวกค่าส่วนแบ่งความเสี่ยงของทั้งสามปัจจัยเข้าด้วยกัน
ส่วนแบ่งความเสี่ยงรวม = 0.0321 + 0.0776 + 0.02355 = 0.13325
|
การคูณค่าน้ำหนักกับคะแนนความเสี่ยงเพื่อหาส่วนแบ่งความเสี่ยง
การบวกค่าส่วนแบ่งความเสี่ยงของแต่ละปัจจัยเพื่อหาส่วนแบ่งความเสี่ยงรวม |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|