| 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. |
|
จุดประสงค์หลักของการทำแผนที่ความไวต่อการเกิดดินถล่ม (Landslide Susceptibility Mapping) คือ
✅ การระบุพื้นที่ที่มีความเสี่ยงต่อการเกิดดินถล่ม
✅ เพื่อป้องกันหรือลดความเสียหายที่อาจเกิดขึ้นในอนาคต ทั้งด้าน เศรษฐกิจ, สิ่งแวดล้อม, และ ชีวิตมนุษย์
ไม่ใช่ การระบุวันที่ดินถล่มจะเกิดแน่นอน
ไม่ใช่ เพื่อการศึกษาอย่างเดียว หรือเพื่อพัฒนาเมืองโดยไม่สนสิ่งแวดล้อม
ไม่ใช่ เพื่อทำแผนที่เฉยๆ โดยไม่มีการใช้งานจริง |
แผนที่ความไวต่อการเกิดดินถล่มมักถูกใช้เพื่อ:
• วางแผนการใช้ที่ดินและพัฒนาโครงสร้างพื้นฐาน
• เตือนภัยล่วงหน้า
• ลดความเสี่ยงและความสูญเสียที่เกี่ยวข้องกับภัยธรรมชาติ |
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 |
|
บทความระบุว่า Random Forest เป็นอัลกอริธึมที่มีอัตราความสำเร็จสูงสุดในการทำนายความไวต่อการเกิดดินถล่ม
• Random Forest คือวิธีการเรียนรู้แบบรวม (ensemble) ที่ใช้ต้นไม้ตัดสินใจหลายต้นมาช่วยปรับปรุงความแม่นยำและลดความคลาดเคลื่อน
• เหมาะสมกับข้อมูลที่มีความซับซ้อนและความสัมพันธ์แบบไม่เชิงเส้น เช่น ข้อมูลสิ่งแวดล้อมสำหรับการพยากรณ์ดินถล่ม |
Random Forest มักถูกเลือกใช้ในงานทำนายภัยพิบัติเช่นดินถล่ม เพราะมีความแม่นยำสูงและจัดการกับข้อมูลมิติสูงได้ดี
(อ้างอิง: Breiman, 2001 – “Random Forests”) |
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?
|
63% |
|
• พื้นที่ที่ไม่ใช่โซนความเสี่ยงสูง คือพื้นที่เสี่ยงระดับอื่นๆ (เช่น เสี่ยงปานกลาง เสี่ยงต่ำ)
• ดังนั้นเอาพื้นที่เสี่ยงทั้งหมด ลบออกด้วยพื้นที่เสี่ยงสูง ก็จะได้พื้นที่เสี่ยงที่ไม่ใช่สูง
• พื้นที่เสี่ยงทั้งหมด = 75%
• ในจำนวนนี้ พื้นที่เสี่ยงสูง = 12%
พื้นที่เสี่ยงที่ไม่ใช่สูง (moderate หรือ low susceptibility) คือ:75% - 12% = 63%
|
การวิเคราะห์ข้อมูลพื้นที่ (Spatial Analysis):
ในการศึกษาความเสี่ยงจากภัยพิบัติ เช่น ดินถล่ม นักวิจัยมักแบ่งพื้นที่เป็นโซนตามระดับความเสี่ยง |
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 |
|
จากข้อมูล:
-จำนวนตัวอย่างดินถล่มทั้งหมด = 255
-80% ใช้ในการฝึกโมเดล (Training)
ดังนั้น ส่วนที่เหลือ 20% จะใช้ในการ ทดสอบโมเดล (Testing)
จำนวนที่ใช้ทดสอบ =20%*255=0.2*255=51 |
Data Splitting in Machine Learning:
การแบ่งข้อมูลเป็น Training set และ Testing set เป็นขั้นตอนสำคัญในงาน machine learning เพื่อ:
ฝึกโมเดลด้วยข้อมูลที่รู้ผลลัพธ์ (Training)
ทดสอบความสามารถของโมเดลกับข้อมูลใหม่ที่ไม่เคยเห็นมาก่อน (Testing)
สัดส่วนที่ใช้กันบ่อย ได้แก่ 80:20 หรือ 70:30 ซึ่งในกรณีนี้ใช้ 80% สำหรับฝึก และ 20% สำหรับทดสอบ |
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 |
|
เราคำนวณพื้นที่ของโซนที่มีความเสี่ยงสูงมาก โดยใช้สูตร:
พื้นที่=(9/100)*7,000 = 0.09*7,000=630 |
Percentage of Area Calculation:
การหาค่าร้อยละของพื้นที่จากค่าทั้งหมด ใช้หลักการคูณเปอร์เซ็นต์กับพื้นที่รวม |
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 คือ True Negative Rate (TNR)
ซึ่งสามารถคำนวณได้จาก:
Specificity=1-FPR
=1-0.05=0.95 |
FPR (False Positive Rate):
ความน่าจะเป็นที่โมเดลทำนายว่าเป็นบวก ทั้งที่จริง ๆ แล้วเป็นลบ
Specificity (TNR):
ความสามารถของโมเดลในการทำนายค่าลบได้ถูกต้อง |
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 |
|
ค่า AUC (Area Under Curve) คือค่าที่ใช้วัด ประสิทธิภาพของโมเดลในการจำแนกกลุ่ม (Classification Performance)
ค่า AUC มีค่าอยู่ในช่วง 0 ถึง 1:
0.5 = เดาแบบสุ่ม (ไม่มีประสิทธิภาพ)
0.6–0.7 = ต่ำ (Below Average)
0.7–0.8 = พอใช้ (Average)
0.8–0.9 = ดี (Good)
> 0.9 = ดีมาก/ยอดเยี่ยม (Excellent) |
ROC Curve (Receiver Operating Characteristic):
กราฟที่แสดงความสัมพันธ์ระหว่าง True Positive Rate (Sensitivity) และ False Positive Rate
AUC (Area Under the Curve):
ค่าที่บอกถึงความสามารถของโมเดลในการจำแนกกลุ่ม ยิ่งใกล้ 1 ยิ่งดี |
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% |
|
Percentage = (204/255)*100=80% |
Percentage Calculation Formula
การแบ่งข้อมูลใน Machine Learning มักนิยมใช้ Training set 70–80% และ Testing set 20–30% เพื่อประเมินผลการเรียนรู้ของโมเดล |
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% |
|
|
|
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% |
|
|
|
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. |
|
|
|
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. |
|
|
|
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 |
|
|
|
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 |
|
|
|
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 |
|
|
|
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 |
|
|
|
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 |
|
|
|
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 |
|
ใช้สูตรการหาค่าคะแนนเสี่ยงโดยรวม:
Overall Risk Score (for infrastructure)=Weight×Local Score=0.400×0.2=0.080 |
Weighted Contribution to Overall Risk Score:
ในการวิเคราะห์ความเสี่ยงแบบถ่วงน้ำหนัก (Weighted Risk Assessment) คะแนนรวมของความเสี่ยงแต่ละปัจจัยจะได้จากการคูณระหว่าง:
น้ำหนักของปัจจัย (Risk Weight)
คะแนนความเสี่ยงเฉพาะด้าน (Local Risk Score) |
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 |
|
ใช้สูตรการเปลี่ยนแปลงของค่าความเสี่ยงที่มีน้ำหนัก:
Change=Weight×(Old Score-New Score)
=0.073*(0.4-0.35)=0.073*0.05=0.00365 |
Weighted Risk Contribution:
ใช้ในการประเมินผลกระทบของการเปลี่ยนแปลงคะแนนความเสี่ยงโดยคูณกับน้ำหนักความสำคัญของปัจจัยนั้น |
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 |
|
ใช้สูตร:
Total Contribution=∑(Local Weighti×Global Weighti)
คำนวณตามลำดับ:
1.Freight-damage risk:0.1*0.321=0.0321
2.Infrastructure risk: 0.2*0.388=0.0776
3.Operational risk:0.15* 0.157=0.02355 |
Weighted Sum Model (WSM):
ใช้ในระบบตัดสินใจหลายเกณฑ์ (MCDM - Multi-Criteria Decision Making) เช่น AHP หรือ Risk Scoring
โดยคำนวณคะแนนรวมจากผลคูณระหว่าง น้ำหนักระดับโลก (Global weights) กับ น้ำหนักเฉพาะด้าน (Local weights) ของแต่ละปัจจัย |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|