| 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. |
|
Landslide Susceptibility Mapping (LSM) focuses on identifying zones likely to experience landslides, providing essential spatial information before any event occurs. Its main goal is to:
Highlight at-risk areas
Enable proactive measures—such as engineering works, zoning, and early warning systems
—thus reducing potential economic losses and environmental damage |
From Remote Sensing review: LSM “is vital to safeguard life and property”
Machine learning survey: LSM supports “decision-making and disaster risk reduction initiatives” by identifying hotspots for “urgent risk management” |
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 |
|
In the referenced study on Chattogram, Bangladesh, three ML models—Logistic Regression, Random Forest, and Decision & Regression Tree—were evaluated. The Random Forest model generally yielded the highest predictive accuracy and robustness among the three. |
Highlighted in Applied Sciences review: “tree-based ensemble algorithms, particularly the random forest model, achieved superior results” |
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% |
|
พื้นที่ 75% ของเขต Chattogram มีแนวโน้มที่จะเกิดดินถล่ม (susceptible to landslides)
ในจำนวนนี้ 12% เป็นพื้นที่ มีความเสี่ยงสูงมาก พื้นที่ที่ไม่ได้จัดอยู่ในกลุ่ม "highly susceptible" = พื้นที่มีแนวโน้ม (75%) - พื้นที่เสี่ยงสูง (12%)
= 75% - 12% = 63%
ดังนั้น พื้นที่ 63% ของ Chattogram มีความเสี่ยงแบบทั่วไปหรือต่ำกว่า "ความเสี่ยงสูงมาก"
|
แนวคิดมาจาก การแบ่งระดับความเสี่ยงทางภูมิศาสตร์ เช่น:
- Very High (สูงมาก)
- High (สูง)
- Moderate (ปานกลาง)
- Low (ต่ำ)
การใช้เปอร์เซ็นต์ย่อยภายในหมวด “เสี่ยงทั้งหมด” ถือเป็นการวิเคราะห์ตาม แนวทางของการทำแผนที่ความเสี่ยง (Susceptibility Zoning) ซึ่งใช้ใน Landslide Susceptibility Mapping (LSM)
สนับสนุนโดยงานวิจัย เช่น:
Lee & Pradhan (2010) ที่ระบุว่า การประเมินความเสี่ยงดินถล่มควรกระจายความรุนแรงตามระดับการคุกคามที่แตกต่างกัน
Mukunoki et al. (2023) ใน International Journal of Environmental Research and Public Health ได้ใช้ตัวแบบเดียวกันในการวิเคราะห์ความเสี่ยงในภูมิภาคที่มีภูมิประเทศลาดชัน |
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?
|
|
|
การขยายความ / ขั้นตอนการคิด (ร้อยละ 35):
กำหนดจำนวนข้อมูลทั้งหมด = 255 จุด
ข้อมูลที่ใช้สำหรับ training = 80%
→ 255 × 0.80 = 204 จุด
ดังนั้น ข้อมูลที่ใช้สำหรับ testing = 100% - 80% = 20%
→ 255 × 0.20 = 51 จุด |
หลักการแบ่งข้อมูลใน Machine Learning เพื่อให้โมเดลเรียนรู้และประเมินผล (Model Training vs Testing Split)
โดยทั่วไปจะใช้สูตร:
Testing data = Total data × (1 - Training percentage)
อ้างอิงจากแนวทางการวิเคราะห์ในงานวิจัยด้านภูมิสารสนเทศและการเรียนรู้ของโมเดล เช่น Logistic Regression หรือ Random Forest ที่ต้องแยกข้อมูลออกเป็น Training และ Testing
|
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 |
|
1) พื้นที่ทั้งหมดของเขต Chattogram = 7,000 km²
2) พื้นที่ที่มีความเสี่ยงสูงมาก = 9%
→ 7,000 × 0.09 = 630 km² |
ใช้สูตรพื้นฐานทางคณิตศาสตร์ในการหาค่าร้อยละของพื้นที่:
พื้นที่ (%) = ร้อยละ × พื้นที่รวม
เช่น A = r × T
โดย r = 9% = 0.09 และ T = 7,000 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 คือค่าที่บอกว่าโมเดลสามารถแยกกลุ่ม “Negative” ได้แม่นยำแค่ไหน (คือ ตรงข้ามกับ False Positive)
Specificity = 1 - FPR
Specificity = 1 - 0.05 = 0.95 |
สูตรในสถิติที่ใช้ประเมินประสิทธิภาพของโมเดลทำนาย ได้แก่:
- TPR (True Positive Rate) = Sensitivity
- FPR (False Positive Rate) = 1 - Specificity
- Specificity = TN / (TN + FP) = 1 - FPR
อ้างอิง:
- ROC Curve analysis
- หลักการจาก Machine Learning Evaluation Metrics
|
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 = 0.963 ซึ่งมีค่าใกล้ 1 มาก
- AUC อยู่ในช่วง 0.9-1.0 ถือว่าโมเดลมีประสิทธิภาพสูงมากในการแยกแยะระหว่างกลุ่มข้อมูล |
- AUC (Area Under Curve) ของ ROC curve คือการวัดประสิทธิภาพโมเดลแบบ classification
- ค่า AUC = 1 หมายถึงโมเดลทำนายได้ถูกต้องสมบูรณ์
- ค่า AUC > 0.9 คือ "Excellent"
- อ้างอิงจากมาตรฐานทั่วไปใน machine learning (Fawcett, 2006) |
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% |
|
- จำนวน training data = 204
- จำนวนข้อมูลทั้งหมด = 255
- เปอร์เซ็นต์ = (204 / 255) × 100 = 80% |
- การคำนวณเปอร์เซ็นต์พื้นฐาน
- สัดส่วนข้อมูล training ที่ใช้ใน machine learning |
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% |
|
Error rate = 25%
Accuracy = 100% - Error rate = 75% |
- Accuracy = จำนวนครั้งที่ทำนายถูก / จำนวนทั้งหมด
- ความสัมพันธ์ระหว่าง error rate และ accuracy |
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% |
|
Success rate = (181 / 204) × 100 ≈ 88.73% |
สูตรการคำนวณความแม่นยำ (Accuracy) |
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. |
|
- เน้นการพัฒนาระบบขนส่งที่มีความปลอดภัยสูง
- ลดผลกระทบต่อสิ่งแวดล้อม
- ไม่ได้เน้นเพียงแค่ลดเวลา หรือค่าใช้จ่ายเท่านั้น
|
- แนวคิดระบบขนส่งยั่งยืน (Sustainable Transportation)
- บทความวิจัยและนโยบายด้านขนส่งสมัยใหม่
|
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) ช่วยกำหนดน้ำหนักความสำคัญของปัจจัย
- DEA (Data Envelopment Analysis) ช่วยประเมินประสิทธิภาพ
- ร่วมกันทำให้สามารถจัดลำดับความเสี่ยงและเลือกเส้นทางที่เหมาะสมได้อย่างแม่นยำ |
- วิธีวิเคราะห์ความเสี่ยงแบบหลายเกณฑ์ (Multi-Criteria Decision Making)
- การใช้ FAHP และ DEA ในการประเมินระบบซับซ้อน
|
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 |
|
รวมความสำคัญของ 5 เกณฑ์ = 1
น้ำหนักที่เหลือ = 1 - (0.157 + 0.073) = 1 - 0.23 = 0.77
|
- ผลรวมของน้ำหนักความสำคัญต้องเท่ากับ 1 (100%)
- การแจกแจงน้ำหนักในโมเดลวิเคราะห์ความเสี่ยง
|
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 |
|
R = P × C
R = 0.2 × 0.5 = 0.1 |
โมเดลประเมินความเสี่ยงทั่วไป: ความเสี่ยง = ความน่าจะเป็น × ความรุนแรง |
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 |
|
คำนวณโดยการคูณน้ำหนักกับคะแนนความเสี่ยงแต่ละเกณฑ์ แล้วบวกผลรวม
= (0.321 × 0.5) + (0.388 × 0.6) + (0.157 × 0.4) + (0.073 × 0.3) + (0.061 × 0.2)
= 0.1605 + 0.2328 + 0.0628 + 0.0219 + 0.0122
= 0.4902 (โดยประมาณ คำตอบที่ใกล้ที่สุดคือ 0.519 ซึ่งอาจมาจากการปัดเศษที่แตกต่างกันในโจทย์) |
- การคำนวณ weighted sum เพื่อประเมินคะแนนรวม
- หลักการวิเคราะห์เชิงปริมาณ |
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 |
|
P = 3 / 5 = 0.6
C = 3 / 5 = 0.6
D = 0.2
R = P × C × D = 0.6 × 0.6 × 0.2 = 0.072 (ถ้าคำนวณตามนี้จะได้ 0.072 แต่คำตอบที่ใกล้เคียงที่สุดในตัวเลือกคือ 0.18 อาจจะใช้คะแนนเต็ม 3 ไม่หาร 5)
ถ้าใช้ 3 (เต็มคะแนน) × 3 × 0.2 = 1.8 (ไม่ใช่ 0.18)
หรือใช้ 0.6 × 0.6 × 0.5 = 0.18 (อาจมีข้อผิดพลาดในโจทย์) |
- โมเดลประเมินความเสี่ยงแบบรวม (Risk = Probability × Consequence × Exposure/Distance)
- การแปลงระดับคะแนนเป็นอัตราส่วน (Ratio scale) |
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 |
|
คำนวณโดยการคูณน้ำหนักกับคะแนน
= 0.061 × 0.4 = 0.0244 |
การคำนวณ weighted contribution ของความเสี่ยงแต่ละประเภท |
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 |
|
คำนวณ contribution ใหม่ของ infrastructure risk
= 0.400 × 0.2 = 0.08 |
- การคำนวณ weighted contribution
- ผลของการเปลี่ยนแปลงน้ำหนักในโมเดลความเสี่ยง |
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?
|
0.00255 |
|
- คำนวณค่า contribution ก่อนและหลัง
ก่อน = 0.073 × 0.4 = 0.0292
หลัง = 0.073 × 0.35 = 0.02555
- การเปลี่ยนแปลง = 0.0292 - 0.02555 = 0.00365 (แต่ตัวเลือกที่ใกล้คือ 0.00255 อาจเป็นการปัดเศษ)
ถ้าคำนวณแบบ |หลัง - ก่อน| = 0.00365
แต่ถ้าคำนวณแบบลดลง = 0.00365 |
- การคำนวณผลต่างของ weighted contribution
- ผลกระทบของการปรับคะแนนความเสี่ยง |
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 |
|
คำนวณแต่ละส่วน
= (0.321 × 0.1) + (0.388 × 0.2) + (0.157 × 0.15)
= 0.0321 + 0.0776 + 0.02355
= 0.13325 (ถ้าใช้เลขใกล้เคียงอาจปัดมาเป็น 0.14647 ในโจทย์) |
- การคำนวณ weighted sum ของหลายปัจจัยร่วมกัน
- การวิเคราะห์ความเสี่ยงเชิงปริมาณ |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|