| 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. |
|
เพราะ การทำแผนที่ความเสี่ยงของการเกิดดินถล่ม (Landslide Susceptibility Mapping) มีวัตถุประสงค์หลักเพื่อประเมินและระบุพื้นที่ที่มีความเสี่ยงสูงต่อการเกิดดินถล่มในอนาคต โดยการศึกษาคุณสมบัติทางธรณีวิทยาและปัจจัยต่างๆ ที่อาจกระตุ้นให้เกิดดินถล่ม เช่น องค์ประกอบของดิน, ความชันของภูมิประเทศ, ปริมาณน้ำฝน เป็นต้น จุดประสงค์คือเพื่อลดความเสียหายทั้งทางเศรษฐกิจและสิ่งแวดล้อมโดยการเตือนภัยและวางแผนการป้องกันในพื้นที่ที่มีความเสี่ยงสูง ซึ่งจะช่วยให้สามารถดำเนินการป้องกันหรือควบคุมสถานการณ์ก่อนที่เกิดเหตุการณ์จริง |
การสร้างแบบจำลองการกระจาย (Spatial Distribution Models) และการวิเคราะห์หลายมิติ (Multivariate Analysis) เพื่อคาดการณ์ความเสี่ยงของดินถล่มตามปัจจัยที่มีผลต่างๆ ตัวอย่างเช่น การคำนวณค่าความเสี่ยงโดยใช้สมการทางสถิติที่รวมข้อมูลต่างๆ เช่น ความชันของพื้นที่และความชื้นในดิน เพื่อตัดสินใจว่าสถานที่ใดมีความเสี่ยงสูงสุดในการเกิดดินถล่ม |
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?
|
Random Forest |
|
หากไม่มีข้อมูลเพิ่มเติมเกี่ยวกับประสิทธิภาพในบริบทของบทความนั้นๆ โดยทั่วไป เรนดอมฟอเรสต์ มักจะมีความแม่นยำสูงสุดในกรณีที่ข้อมูลมีความซับซ้อนและหลากหลาย เนื่องจากมันเป็นการผสมผสานของหลายๆ ต้นไม้การตัดสินใจ ซึ่งช่วยให้ลดข้อผิดพลาดที่เกิดจากต้นไม้เพียงต้นเดียว.
ทฤษฎีหลักคิด: การรวมหลายโมเดลที่แตกต่างกันมักจะให้ผลลัพธ์ที่ดีกว่าโมเดลเดียว เนื่องจากมันช่วยลดความเสี่ยงจากการ overfitting และ bias ในโมเดลได้ ซึ่งหลักการนี้ได้รับการสนับสนุนจากทฤษฎี ensemble learning ที่ใช้ในเรนดอมฟอเรสต์ |
การใช้ bagging (Bootstrap Aggregating) ที่ช่วยให้มีการสุ่มข้อมูลและสร้างต้นไม้หลายๆ ต้น เพื่อให้โมเดลมีความสามารถในการทำนายที่แม่นยำและคงทนมากขึ้น |
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% |
|
|
การหาส่วนที่เหลือจากพื้นที่ที่มีความเสี่ยงสูง โดยใช้หลักการทางคณิตศาสตร์ดังนี้ :
1.พื้นที่ทั้งหมดของเขตชุมพร = 100%
2.พื้นที่ที่มีความเสี่ยงสูง (highly susceptible) = 12%
3.พื้นที่ที่ไม่ใช่โซนที่มีความเสี่ยงสูง = 100% - 12% = 88%& |
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 |
|
ขั้นตอนการคำนวณ :
1.คำนวณจำนวนดินถล่มที่ใช้สำหรับการฝึก (training) 80% ของ 255 = 0.80 × 255 = 204
2.จำนวนที่เหลือจะเป็นจำนวนดินถล่มที่ใช้สำหรับการทดสอบ (testing) : 255 − 204 = 51 |
การคำนวณจำนวนดินถล่มที่ใช้สำหรับการทดสอบ (testing) เรามีข้อมูลดังนี้:
1.จำนวนดินถล่มทั้งหมด (total) = 255
2.จำนวนที่ใช้สำหรับการฝึกโมเดล (training) = 80% ของ 255
|
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 |
|
ในการคำนวณพื้นที่ของโซนที่มีความเสี่ยงสูงมาก (very high susceptible zone) ที่ครอบคลุมพื้นที่ 9% ของเขตชุมพร (Chattogram) ขนาดพื้นที่ทั้งหมดคือ 7,000 ตารางกิโลเมตร (km²) ขั้นตอนการคำนวณ:
คำนวณพื้นที่ของโซนที่มีความเสี่ยงสูงมาก:
9% ของ 7,000 Km² = 0.09 × 7,000 = 630 Km² |
การคำนวณพื้นที่ของโซนที่มีความเสี่ยงสูงมาก (very high susceptible zone) ที่ครอบคลุมพื้นที่ 9% ของเขตชุมพร (Chattogram) ขนาดพื้นที่ทั้งหมดคือ 7,000 ตารางกิโลเมตร (km²) |
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.
|
0.95 |
|
Specificity คือความสามารถของโมเดลในการทำนายลบที่ถูกต้อง (True Negative) เมื่อข้อมูลจริงเป็นลบ โดยที่มันมีความสัมพันธ์กับ False Positive Rate (FPR) ในลักษณะที่ Specificity = 1 - FPR |
Specificity = True Negatives/ True Negatives + False Positives
|
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 |
|
โมเดลที่มีค่า AUC สูงกว่าหรือใกล้เคียงกับ 0.9 ถือว่าแสดงผลลัพธ์ที่ดีในแง่ของการทำนายความน่าจะเป็นของคลาสต่าง ๆ ซึ่งสามารถยืนยันได้ว่าความแม่นยำของโมเดลนี้อยู่ในระดับที่สูงมาก |
การประเมินความแม่นยำจาก AUC เป็นเครื่องมือที่ใช้กันอย่างแพร่หลายในการวัดประสิทธิภาพของโมเดลในกรณีของการจำแนกประเภท (classification) โดยที่ค่า AUC ยิ่งสูงยิ่งแสดงว่าโมเดลนั้นทำงานได้ดีในการแยกแยะคลาสต่าง ๆ |
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% |
|
การคำนวณหาค่าร้อยละจากจำนวนข้อมูลการฝึกในกรณีนี้คือการนำจำนวนข้อมูลที่ใช้ฝึก (204) มาเทียบกับจำนวนรวมทั้งหมด (255) แล้วคูณด้วย 100 เพื่อแปลงเป็นเปอร์เซ็นต์ ซึ่งได้ค่าร้อยละเป็น 80% |
การคำนวณเปอร์เซ็นต์ (percentage) เป็นการหาสัดส่วนของส่วนย่อย (ส่วนที่ต้องการ) ต่อส่วนใหญ่ (ทั้งหมด) แล้วคูณด้วย 100 เพื่อแสดงผลเป็นเปอร์เซ็นต์ |
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% |
|
ถ้าโมเดลทำนายอัตราความผิดพลาด (error rate) เท่ากับ 25% หมายความว่าโมเดลจะผิดพลาดใน 25% ของการทำนายใหม่ ซึ่งในทางกลับกัน โมเดลจะทำนายถูกต้อง 75% ของกรณีทั้งหมด (เนื่องจาก 100% - 25% = 75%)
ดังนั้น ความแม่นยำ (accuracy) ของโมเดลคือ 75% |
ความแม่นยำ (accuracy) สามารถคำนวณได้จากสูตร : Accuracy = 1 − Error Rate |
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% |
|
การคำนวณอัตราความสำเร็จ (success rate) ของโมเดล เราต้องคำนวณจากจำนวนการทำนายที่ถูกต้อง (correct predictions) หารด้วยจำนวนข้อมูลทั้งหมด (total data points) แล้วคูณด้วย 100 เพื่อให้ได้เปอร์เซ็นต์ |
Success Rate = 0.8867 × 100 = 88.67% |
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. |
|
ระบบการขนส่งแบบหลายรูปแบบ (multimodal transportation systems) มุ่งเน้นในการเพิ่มประสิทธิภาพของการขนส่งโดยการบูรณาการหลายประเภทของการขนส่ง (เช่น รถยนต์, รถไฟ, เรือ) เพื่อให้สามารถใช้ประโยชน์จากข้อดีของแต่ละวิธีในแต่ละสถานการณ์ได้มากที่สุด ระบบนี้จึงมีความสำคัญในด้านการลดผลกระทบทางสิ่งแวดล้อมและการเพิ่มความปลอดภัย เนื่องจากการผสมผสานวิธีการขนส่งต่างๆ สามารถลดการใช้พลังงานและลดการปล่อยมลพิษได้ |
ทฤษฎีการเพิ่มประสิทธิภาพ (Optimization Theory) : ในการออกแบบระบบการขนส่งแบบหลายรูปแบบ, เรามักจะพยายามเพิ่มประสิทธิภาพโดยการคำนวณวิธีการขนส่งที่ดีที่สุดในแง่ของเวลา, ต้นทุน, และผลกระทบต่อสิ่งแวดล้อม ซึ่งมีการคำนึงถึงการลดการใช้พลังงานและลดมลพิษ |
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. |
|
การใช้วิธีการ FAHP-DEA (Fuzzy Analytic Hierarchy Process - Data Envelopment Analysis) ในการวิเคราะห์ความเสี่ยงในระบบขนส่งหลายรูปแบบนั้นมีข้อดีหลักที่สำคัญคือ การจัดลำดับความเสี่ยงอย่างแม่นยำและการปรับเส้นทางให้มีประสิทธิภาพ ซึ่งเป็นจุดเด่นของวิธีการนี้ เพราะ FAHP ช่วยในการจัดลำดับความสำคัญของปัจจัยต่างๆ ที่มีความไม่แน่นอน หรือความคลุมเครือ (fuzzy) ขณะที่ DEA ช่วยในการประเมินและเพิ่มประสิทธิภาพของการจัดการทรัพยากรในเครือข่ายการขนส่ง โดยการนำข้อมูลทางสถิติมารวมกับการประเมินเชิงเปรียบเทียบ เพื่อค้นหาวิธีที่ดีที่สุดในการจัดการเส้นทางที่มีความเสี่ยง |
FAHP ใช้การจัดลำดับความสำคัญของปัจจัยต่างๆ ภายในเครือข่ายโดยอาศัยวิธีการ fuzzy logic ซึ่งทำให้สามารถประเมินความเสี่ยงในสถานการณ์ที่มีข้อมูลไม่แน่นอนได้ดีขึ้น และDEA ใช้หลักการทางคณิตศาสตร์ในการประเมินประสิทธิภาพของการใช้ทรัพยากรต่างๆ โดยไม่ต้องใช้การเปรียบเทียบโดยตรงระหว่างหน่วยต่างๆ แต่จะเปรียบเทียบผลลัพธ์ที่ได้จากกระบวนการต่างๆ ทำให้สามารถค้นหาวิธีการที่มีประสิทธิภาพสูงสุดในการขนส่งและลดความเสี่ยงในแต่ละเส้นทางได้ |
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?
|
0.770 |
|
ในการหาค่าน้ำหนักรวมของสามเกณฑ์ที่เหลือจากโมเดลการวิเคราะห์ความเสี่ยงที่มีทั้งหมด 5 เกณฑ์ โดยที่น้ำหนักทั้งหมดรวมกันได้ 1 เราสามารถทำตามขั้นตอนดังนี้ : ให้ข้อมูลน้ำหนักของ ความเสี่ยงในการดำเนินงาน (operational risk) = 0.157 และ ความเสี่ยงทางด้านความปลอดภัย (security risk) = 0.073
2.รวมค่าน้ำหนักของสองเกณฑ์นี้ : 0.157+0.073 = 0.230
3.เนื่องจากน้ำหนักรวมของทั้ง 5 เกณฑ์ต้องเท่ากับ 1 ดังนั้นน้ำหนักของสามเกณฑ์ที่เหลือจะเป็น : 1 − 0.230 = 0.770 |
การคำนวณหาน้ำหนักรวมของสามเกณฑ์ที่เหลือโดยการหาค่าที่เหลือจากการลบค่าน้ำหนักของสองเกณฑ์ที่ระบุจาก 1 ตามหลักการคณิตศาสตร์ในการหาค่าที่เหลือจากจำนวนรวม |
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 |
|
การคำนวณความเสี่ยง (Risk) โดยใช้สูตร R = P ×R × C เป็นการคูณระหว่างความน่าจะเป็น (Probability, P)
P) และความรุนแรงของผลกระทบ (Consequence,
C ) โดยที่:
P คือ ความน่าจะเป็นของการเกิดอุบัติเหตุ ซึ่งในกรณีนี้คือ 0.2
C คือ ความรุนแรงของผลกระทบ ซึ่งในกรณีนี้คือ 0.5
|
ในการประเมินความเสี่ยง (Risk) เราจะคำนวณโดยการคูณความน่าจะเป็นของเหตุการณ์ที่เกิดขึ้น (P) กับผลกระทบที่อาจเกิดขึ้น (C) หากเหตุการณ์นั้นเกิดขึ้น โดยการใช้สมการนี้จะช่วยให้เข้าใจได้ง่ายถึงระดับความเสี่ยงที่อาจเกิดขึ้นจากการใช้เส้นทางนั้น ๆ |
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.
|
0.519 |
|
การคำนวณ aggregate risk score จะใช้การคูณระหว่าง weight ของแต่ละ criteria กับ local risk score ของแต่ละ criterion แล้วนำมาบวกกันเพื่อให้ได้ผลลัพธ์สุดท้าย |
การคำนวณนี้ใช้หลักการทางคณิตศาสตร์ของการหาค่าความเสี่ยงรวมโดยการใช้ค่าความสำคัญ (weight) ที่แตกต่างกันในการวัดความเสี่ยงของแต่ละปัจจัย (local risk score) และการหาค่าผลรวมของการคูณดังกล่าว↓ |
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.
|
1.80 |
|
การคำนวณนี้อิงตามหลักการทางคณิตศาสตร์ของการหาค่าความเสี่ยงโดยใช้ค่าความน่าจะเป็น ความรุนแรง และความสำคัญของระยะทางที่เกี่ยวข้องในการคำนวณผลลัพธ์รวมทั้งหมด |
การคำนวณการประเมินความเสี่ยง (Risk Assessment) ใช้สูตรที่ให้มา : R = P × C × D |
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 |
|
การคำนวณ การมีส่วนร่วมของความเสี่ยงทางสิ่งแวดล้อม (Environmental Risk Contribution) สามารถทำได้โดยการคูณ น้ำหนัก (Weight) ของความเสี่ยงทางสิ่งแวดล้อมกับ คะแนนความเสี่ยงท้องถิ่น (Local Risk Score) ของเส้นทางที่เกี่ยวข้อง |
การคำนวณนี้ใช้หลักการทางคณิตศาสตร์ของการคูณค่า น้ำหนัก (Weight) กับ คะแนนความเสี่ยงท้องถิ่น (Local Risk Score) เพื่อให้ได้ผลลัพธ์ของการมีส่วนร่วมของความเสี่ยงในภาพรวมทั้งหมด |
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 |
|
ในการคำนวณหาคะแนนความเสี่ยงรวม (overall risk score) เมื่อมีการเปลี่ยนแปลงน้ำหนักของความเสี่ยงในส่วนต่างๆ โดยคำนึงถึงการเปลี่ยนแปลงน้ำหนักของความเสี่ยงในส่วนโครงสร้างพื้นฐาน (infrastructure risk) จาก 0.388 เป็น 0.400 โดยที่ยังคงค่าความเสี่ยงของส่วนอื่นๆ คงที่ และค่าความเสี่ยงเฉพาะส่วนโครงสร้างพื้นฐาน (local risk score) เท่ากับ 0.2 เราสามารถคำนวณได้ดังนี้ : ขั้นตอนที่ 1 : คำนวณคะแนนความเสี่ยงรวมก่อนการปรับน้ำหนัก ขั้นตอนที่ 2 : คำนวณคะแนนความเสี่ยงรวมหลังการปรับน้ำหนัก และขั้นตอนที่ 3 : การเปลี่ยนแปลงของคะแนน |
|
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 |
|
เพื่อหาการเปลี่ยนแปลงในส่วนของการมีส่วนร่วมต่อคะแนนความเสี่ยงรวม ให้คำนวณดังนี้:
การเปลี่ยนแปลงคะแนนความเสี่ยง = คะแนนความเสี่ยงใหม่ - คะแนนความเสี่ยงเดิม
= 0.35 - 0.4
= -0.05
การเปลี่ยนแปลงในส่วนของการมีส่วนร่วม = ความเสี่ยงของการขนส่ง × การเปลี่ยนแปลงคะแนนความเสี่ยง
= 0.073 × (-0.05)
= -0.00365
ดังนั้น การเปลี่ยนแปลงในส่วนของการมีส่วนร่วมต่อคะแนนความเสี่ยงรวมคือ 0.00365 |
|
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?
|
0.12069 |
|
คูณน้ำหนักที่ได้ให้กับค่าความเสี่ยงของแต่ละปัจจัย
Freight-damage risk :
0.1 × 0.321 = 0.0321
Infrastructure risk : 0.2 × 0.388 = 0.0776
Operational risk : 0.15 × 0.157 = 0.02355
รวมค่าที่ได้จากการคูณทั้งหมด :
0.0321 + 0.0776 + 0.02355 = 0.12069 |
การคำนวณความเสี่ยงทั้งหมดสามารถทำได้โดยการคูณค่าของปัจจัยความเสี่ยงแต่ละตัวกับน้ำหนักที่กำหนดให้ ซึ่งสะท้อนถึงความสำคัญสัมพัทธ์ของแต่ละปัจจัย และนำมาบวกกันเพื่อให้ได้ค่าความเสี่ยงรวมทั้งหมดตามสูตร:
Risk Contribution
=
(
Risk Value
1
×
Weight
1
)
+
(
Risk Value
2
×
Weight
2
)
+
(
Risk Value
3
×
Weight
)
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|