| 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 (landslide susceptibility mapping) มีจุดประสงค์หลักเพื่อระบุพื้นที่ที่มีโอกาสเกิดดินถล่มสูง ข้อมูลนี้ช่วยให้หน่วยงานที่เกี่ยวข้องสามารถวางแผนจัดการป้องกัน ลดความเสียหายทั้งทางเศรษฐกิจและสิ่งแวดล้อมได้อย่างมีประสิทธิภาพ ไม่ใช่เพื่อทำนายวันเวลาที่แน่นอนของเหตุการณ์ดินถล่ม แต่เพื่อชี้ให้เห็น “พื้นที่เสี่ยง” ที่ต้องได้รับการดูแลและตรวจสอบเป็นพิเศษ ยังช่วยสนับสนุนการตัดสินใจในการพัฒนาเมืองและการใช้ประโยชน์ที่ดินโดยคำนึงถึงความปลอดภัย การทำแผนที่นี้จึงเป็นเครื่องมือสำคัญสำหรับการบริหารความเสี่ยงภัยพิบัติและการจัดการทรัพยากรธรรมชาติอย่างยั่งยืน |
Disaster Risk Reduction and Management การประเมินความเสี่ยงภัยพิบัติเป็นส่วนสำคัญของการบริหารจัดการความปลอดภัยและลดผลกระทบจากภัยธรรมชาติ
Landslide Susceptibility Mapping Methodology การสร้างแผนที่ความเสี่ยงดินถล่มเพื่อระบุพื้นที่เสี่ยงและใช้ในการวางแผนเชิงป้องกัน |
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 |
|
Random Forest เป็นอัลกอริทึมการเรียนรู้ของเครื่องที่มีอัตราความสำเร็จสูงสุดในการจำแนกและทำนายความเสี่ยงของพื้นที่ดินถล่ม Random Forest ทำงานโดยการรวมผลลัพธ์จากหลายต้นไม้ตัดสินใจ (decision trees) เพื่อเพิ่มความแม่นยำและลดความลำเอียง เทียบกับ Logistic Regression และ Decision and Regression Tree แล้ว Random Forest มักจะมีประสิทธิภาพดีกว่าในงานจำแนกข้อมูลที่ซับซ้อนและมีตัวแปรมาก Random Forest ยังมีความทนทานต่อการ overfitting และสามารถจัดการกับข้อมูลที่มีความหลากหลายได้ดี
|
Random Forest Algorithm เป็น ensemble learning method ที่รวมหลาย decision trees เพื่อปรับปรุงความแม่นยำ
Comparative Studies in Machine Learning for Landslide Prediction Random Forest มักถูกเลือกใช้เนื่องจากประสิทธิภาพสูงและความสามารถจัดการข้อมูลซับซ้อนได้ดี |
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% |
|
พื้นที่ทั้งหมดของเขตชลบุรี (Chattogram) มีความเสี่ยงดินถล่มรวม 75% พื้นที่ที่มีความเสี่ยงสูง (highly susceptible) คือ 12% ของเขต ดังนั้นพื้นที่ที่มีความเสี่ยงแต่ไม่สูง หรือพื้นที่ที่ไม่จัดอยู่ในโซนความเสี่ยงสูง 75%−12%=63% |
Landslide Susceptibility Classification การแบ่งโซนพื้นที่ตามระดับความเสี่ยง
Basic Percentage Calculation การคำนวณเปอร์เซ็นต์ส่วนต่าง |
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 |
|
จำนวนเหตุการณ์ดินถล่มทั้งหมดที่วิเคราะห์ = 255 จำนวนข้อมูลที่ใช้สำหรับการฝึกโมเดล (training) = 80% ของข้อมูลทั้งหมด จำนวนข้อมูลที่ใช้สำหรับการฝึกโมเดล (training) = 80% ของข้อมูลทั้งหมด 255×20%=255×0.20=51 |
Data Splitting for Machine Learning การแบ่งชุดข้อมูลเป็น training set และ testing set เพื่อประเมินประสิทธิภาพของโมเดล
Basic Percentage Calculations การคำนวณสัดส่วนของข้อมูลตามเปอร์เซ็นต์ |
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 |
|
พื้นที่ทั้งหมดของอำเภอชลบุรี (Chattogram district) = 7,000 ตารางกิโลเมตร พื้นที่ที่มีความเสี่ยงสูงมาก (very high susceptible zone) ครอบคลุม 9% ของพื้นที่ทั้งหมด 7,000km 2 ×9%=7,000×0.09=630km 2 |
การคำนวณเปอร์เซ็นต์พื้นที่ เป็นการประยุกต์ใช้พื้นฐานคณิตศาสตร์เกี่ยวกับเปอร์เซ็นต์
Landslide Susceptibility Mapping การประเมินพื้นที่เสี่ยงดินถล่มและแบ่งระดับความเสี่ยงเป็นโซนต่างๆ |
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 |
|
False Positive Rate (FPR) Specificity Specificity=1−FPR โดยที่ FPR = 0.05 จะเป็น Specificity=1−0.05=0.95 |
Performance Metrics for Classification Models Specificity (True Negative Rate), Sensitivity (True Positive Rate), False Positive Rate
Powers, D.M.W. (2011). Evaluation: From Precision, Recall and F-measure to ROC, Informedness, Markedness & Correlation.
Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning. |
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 Curve) ของ ROC curve ใช้วัดประสิทธิภาพของโมเดลจำแนกประเภท ค่า AUC มีค่าระหว่าง 0 ถึง 1 ค่า AUC = 0.963 อยู่ในช่วง 0.9 – 1.0 ซึ่งบ่งชี้ว่าโมเดลมีความแม่นยำสูงมาก หรือ Excellent |
Receiver Operating Characteristic (ROC) Curve and AUC การวัดประสิทธิภาพของโมเดลจำแนกประเภท
Fawcett, T. (2006). "An introduction to ROC analysis". Pattern Recognition Letters.
Hanley, J.A. & McNeil, B.J. (1982). "The meaning and use of the area under a ROC curve". Radiology. |
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% |
|
จำนวนข้อมูลที่ใช้ฝึกโมเดล (training dataset) = 204 จุด จำนวนเหตุการณ์ดินถล่มทั้งหมด = 255 จุด หาสัดส่วนเปอร์เซ็นต์ของข้อมูลฝึกจากข้อมูลทั้งหมด |
Basic Percentage Calculation การคำนวณเปอร์เซ็นต์ส่วนของข้อมูลจากจำนวนทั้งหมด
Data Splitting in Machine Learning การแบ่งชุดข้อมูลสำหรับฝึกและทดสอบโมเดล |
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) ของโมเดล = 25% ความสัมพันธ์ระหว่าง accuracy กับ error rate Accuracy=1−Error rate แปลง error rate เป็นทศนิยม: 25% = 0.25 Accuracy=1−0.25=0.75=75% |
Accuracy and Error Rate in Classification Models Accuracy คือสัดส่วนของตัวอย่างที่โมเดลทำนายถูกต้อง Error rate คือสัดส่วนของตัวอย่างที่ทำนายผิด
|
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% |
|
จำนวนข้อมูลฝึก (training data) = 204 จุด จำนวนข้อมูลที่โมเดลทำนายถูกต้อง = 181 จุด คำนวณอัตราความสำเร็จ (success rate หรือ accuracy) ด้วยสูตร |
Accuracy in Classification เป็นหนึ่งในตัวชี้วัดประสิทธิภาพของโมเดล |
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. |
|
บทความเกี่ยวกับระบบ multimodal transportation จุดมุ่งหมายหลักไม่ใช่แค่ลดเวลาเดินทางหรือเพิ่มความจุการขนส่งเท่านั้น แต่เน้นหนักไปที่ การสร้างความยั่งยืนทางสิ่งแวดล้อม (environmental sustainability) และ ความปลอดภัย (safety) มีการวางแผนเพื่อใช้ทรัพยากรให้เกิดประโยชน์สูงสุด เช่น การลดการปล่อยก๊าซเรือนกระจกโดยใช้รูปแบบขนส่งที่เป็นมิตรกับสิ่งแวดล้อม เช่น รถไฟ หรือการขนส่งทางเรือ ยังคำนึงถึงความปลอดภัยของสินค้าและผู้โดยสาร รวมถึงความเสี่ยงจากภัยต่าง ๆ ที่อาจเกิดขึ้นระหว่างการขนส่ง การใช้วิธีการขนส่งแบบผสม (เช่น การขนส่งทางบก + ทางเรือ) จึงเป็นการสร้างสมดุลระหว่าง ต้นทุน เวลา ความปลอดภัย และสิ่งแวดล้อม |
Sustainable Transportation Theory มุ่งเน้นการออกแบบระบบขนส่งที่ลดผลกระทบต่อสิ่งแวดล้อมในระยะยาว
Risk and Safety Management in Logistics การจัดการความเสี่ยงและความปลอดภัยในการขนส่งสินค้า |
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-DEA การผสมผสานระหว่าง Fuzzy Analytic Hierarchy Process (FAHP) กับ Data Envelopment Analysis (DEA) |
FAHP (Fuzzy AHP) ใช้ในการจัดลำดับความสำคัญของเกณฑ์ต่างๆ โดยรวมความไม่แน่นอนของมนุษย์ (fuzziness)
ใช้ในการจัดลำดับความสำคัญของเกณฑ์ต่าง ๆ โดยรวมความไม่แน่นอนของมนุษย์ (fuzziness) เทคนิควิเคราะห์ประสิทธิภาพเชิงเชิงปริมาณของหน่วยตัดสินใจ (DMUs) ใช้เพื่อเลือกเส้นทางขนส่งที่มีประสิทธิภาพที่สุด |
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 |
|
น้ำหนักรวมทั้งหมด = 1.000 น้ำหนักของ Operational Risk = 0.157 น้ำหนักของ Security Risk = 0.073
1−(0.157+0.073)=1−0.230=0.770 |
Weighted Criteria in Multi-Criteria Decision Making (MCDM) น้ำหนัก (weights) ต้องรวมกันได้ 1 เพื่อให้สะท้อนสัดส่วนความสำคัญของแต่ละปัจจัย เทคนิคเช่น AHP, FAHP, และ TOPSIS ใช้หลักนี้เสมอ |
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
P = ความน่าจะเป็นของอุบัติเหตุ = 0.2 C = ระดับความรุนแรงของผลกระทบ = 0.5 |
Quantitative Risk Analysis Model ใช้สูตร R=P×C P = Probability (โอกาสเกิดเหตุ), C = Consequence (ผลกระทบ) |
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 |
|
ใช้สูตร Aggregate Risk Score = ∑ (Weight × Local Score)
Aggregate Risk Score=0.1605+0.2328+0.0628+0.0219+0.0122= 0.4382 ≈ 0.438 |
Weighted Sum Model (WSM) เทคนิคนี้ให้ความสำคัญกับเกณฑ์ที่แตกต่างกันในการประเมินความเสี่ยง |
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 |
|
R=P×C×D
P=3 C=3 D=0.20
R=3×3×0.20=9×0.20=1.80 |
Risk Assessment Model ใช้กันมากในการวิเคราะห์ความเสี่ยงในโลจิสติกส์และการขนส่งหลายรูปแบบ R = Probability × Consequence × Distance Factor |
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 |
|
น้ำหนักของ Environmental Risk = 0.061 คะแนนความเสี่ยงเฉพาะจุด (Local Risk Score) = 0.4 ช้สูตรการถ่วงน้ำหนัก (weighted contribution)
Contribution=Weight×Local Score=0.061×0.4=0.0244 |
ใช้หลักของ Weighted Sum Model (WSM) ใน Multi-Criteria Decision Making (MCDM) ซึ่งใช้ในการคำนวณ Aggregate Risk Score ใน AHP, FAHP, TOPSIS
|
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 |
|
Infrastructure Risk = 0.400 Local Risk Score = 0.2
Contribution=Weight×Local Score=0.400×0.2=0.080
|
Weighted Sum Model (WSM) เป็นรากฐานในวิธีตัดสินใจหลายเกณฑ์ (MCDM) เช่น AHP, FAHP ใช้ถ่วงน้ำหนักของแต่ละเกณฑ์เพื่อรวมออกมาเป็น Overall 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 |
|
น้ำหนักของความเสี่ยง (Risk Weight) = 0.073 ความเสี่ยงเดิม (Risk Score เดิม) = 0.4 ความเสี่ยงใหม่ (Risk Score ใหม่) = 0.35
หาค่า contribution เดิมก่อน ต่อด้วย หาค่า contribution ใหม่ และ หาค่าการเปลี่ยนแปลง (Difference) |
Weighted Sum Model (WSM) ที่เป็นพื้นฐานของการคำนวณคะแนนรวมแบบถ่วงน้ำหนักใน AHP/FAHP การเปลี่ยนแปลงเพียงเล็กน้อยในคะแนนหรือในน้ำหนักสามารถส่งผลต่อความเสี่ยงรวมได้ |
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 |
|
Contribution=∑(Weight i ×Local Score i) |
WSM (Weighted Sum Model) เป็นวิธีการพื้นฐานของการประเมินความเสี่ยงและการตัดสินใจแบบหลายเกณฑ์ (MCDM) ใช้ใน AHP, FAHP และการวิเคราะห์เชิงปริมาณทั่วไปในโลจิสติกส์
Saaty, T.L. (1980). The Analytic Hierarchy Process
Triantaphyllou, E. (2000). Multi-Criteria Decision Making Methods |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|