| 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. |
|
การลดผลกระทบ: เป้าหมายสำคัญของการทำแผนที่ความไว (Susceptibility Map) ไม่ใช่การระบุวันเวลาที่จะเกิดเหตุได้อย่างแม่นยำ แต่เป็นการระบุ "พื้นที่เสี่ยง" เพื่อให้หน่วยงานที่เกี่ยวข้องสามารถวางแผนป้องกัน
การบรรเทาความเสียหาย: เมื่อทราบว่าบริเวณใดมีความเสี่ยงสูง จะช่วยให้ลดความสูญเสียทางเศรษฐกิจและสิ่งแวดล้อมได้ ผ่านการจำกัดการใช้ประโยชน์ที่ดินหรือการสร้างสิ่งก่อสร้างป้องกันในบริเวณนั้น |
การบริหารจัดการภัยพิบัติ (Disaster Risk Management): แผนที่ความไวต่อการเกิดดินถล่มเป็นเครื่องมือเชิงรุก (Proactive tool) ที่ใช้ในการประเมินโอกาสเกิดภัยพิบัติโดยอิงจากปัจจัยทางกายภาพ เช่น ความลาดชัน, ชนิดของดิน, และการใช้ประโยชน์ที่ดิน
หลักการประเมินความเสี่ยง (Risk Assessment): เป็นกระบวนการวิเคราะห์เชิงพื้นที่เพื่อช่วยในการตัดสินใจด้านการวางผังเมืองและการพัฒนาที่ยั่งยืน |
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 |
|
ในงานวิจัยหรือการศึกษาด้านการพยากรณ์พื้นที่เสี่ยงดินถล่ม (Landslide Susceptibility) อัลกอริทึม Random Forest มักจะถูกระบุว่ามีอัตราความสำเร็จหรือความแม่นยำ (Success Rate/Accuracy) สูงที่สุด เนื่องจากเป็นเทคนิคแบบ Ensemble Learning ที่สามารถจัดการกับข้อมูลที่มีความซับซ้อนและมีความสัมพันธ์แบบไม่เป็นเส้นชันได้ดีกว่าโมเดลแบบเส้นตรงทั่วไป |
ใช้หลักการของ Machine Learning Algorithms ในการจัดจำแนกข้อมูลเชิงพื้นที่
Random Forest ทำงานโดยการสร้างต้นไม้ตัดสินใจ (Decision Trees) จำนวนมากและนำผลลัพธ์มารวมกัน เพื่อลดปัญหาการเรียนรู้จดจำข้อมูลดีเกินไป (Overfitting) และเพิ่มความแม่นยำในการพยากรณ์ |
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% |
|
- โจทย์กำหนดให้พื้นที่ที่มีความเสี่ยงสูงมาก (Highly susceptible zone) ครอบคลุมพื้นที่ประมาณ 12% ของเขต
- คำถามถามหาพื้นที่ส่วนที่ "ไม่ใช่" พื้นที่ความเสี่ยงสูงมาก (Not highly susceptible)
- การคำนวณ: พื้นที่ทั้งหมด (100%)−พื้นที่เสี่ยงสูงมาก (12%)=88% |
ใช้หลักการทางสถิติพื้นฐานและการคำนวณส่วนต่างของเปอร์เซ็นต์ (Percentage Subtraction) เพื่อหาพื้นที่ส่วนที่เหลือจากพื้นที่เป้าหมายที่โจทย์ระบุ |
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 |
|
- จำนวนเหตุการณ์ดินถล่มทั้งหมดที่นำมาวิเคราะห์คือ 255 ครั้ง
- โจทย์กำหนดให้ใช้ข้อมูล 80% สำหรับการฝึกสอนโมเดล (Training) |
|
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 |
|
พื้นที่ทั้งหมดของเขต Chattogram คือ 7,000 km^2
พื้นที่ที่มีความไวต่อการเกิดดินถล่มระดับสูงมาก (Very high susceptible zone) ครอบคลุม 9% ของพื้นที่ทั้งหมด
วิธีคำนวณ: นำพื้นที่ทั้งหมดคูณด้วยเปอร์เซ็นต์ความเสี่ยง จะได้ 7,000*9% =630 |
ใช้หลักการคำนวณพื้นที่เชิงสถิติ (Spatial Area Calculation) โดยการหาค่าร้อยละของพื้นที่เป้าหมายเทียบกับพื้นที่รวมทั้งหมด เพื่อระบุขนาดของพื้นที่เสี่ยงภัยในหน่วยมาตราส่วนจริง |
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 |
|
โจทย์กำหนดค่าอัตราผลบวกปลอม (False Positive Rate หรือ FPR) มาให้เท่ากับ 0.05
ในทางสถิติ ค่าความจำเพาะ (Specificity) คืออัตราส่วนของผลลบจริง ซึ่งมีความสัมพันธ์โดยตรงกับ FPR ตามสูตร Specificity=1−FPR
ดังนั้นการคำนวณคือ 1−0.05=0.95 |
ใช้หลักการประเมินประสิทธิภาพของแบบจำลอง (Model Evaluation Metrics) จากตารางความสับสน (Confusion Matrix)
Specificity (True Negative Rate): คือความสามารถของโมเดลในการระบุกลุ่มที่ไม่เกิดเหตุการณ์ได้อย่างถูกต้อง ซึ่งเป็นส่วนกลับของ False Positive Rate เสมอ |
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 the ROC Curve) เป็นตัวชี้วัดประสิทธิภาพของแบบจำลองในการจำแนกประเภท โดยมีค่าอยู่ระหว่าง 0 ถึง 1
โจทย์ระบุว่าโมเดลมีค่า AUC สูงถึง 0.963 ซึ่งในทางสถิติและการประเมินโมเดล Machine Learning ค่าที่สูงกว่า 0.90 ถือว่าโมเดลมีความสามารถในการพยากรณ์ที่ยอดเยี่ยมมาก |
ใช้เกณฑ์การแบ่งระดับความแม่นยำจากค่า AUC:
* 0.90 - 1.00 = Excellent (ดีเยี่ยม)
* 0.80 - 0.90 = Good (ดี)
* 0.70 - 0.80 = Fair/Average (ปานกลาง)
* ต่ำกว่า 0.60 = Poor (แย่) |
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).
|
|
|
จำนวนเหตุการณ์ดินถล่มทั้งหมดคือ 255 ตำแหน่ง
จำนวนข้อมูลที่ใช้ฝึกสอน (Training set) คือ 204 ตำแหน่ง
วิธีคำนวณ: นำจำนวนที่ใช้ฝึกสอนหารด้วยจำนวนทั้งหมดแล้วคูณด้วย 100
Percentage= 204/255 *100=80% |
ใช้หลักการคำนวณร้อยละ (Percentage Calculation) เพื่อระบุสัดส่วนการแบ่งข้อมูล (Data Partitioning) ระหว่างชุดฝึกสอน (Training) และชุดทดสอบ (Testing) ซึ่งเป็นขั้นตอนมาตรฐานในการพัฒนาโมเดลการเรียนรู้ของเครื่อง (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% |
|
โจทย์กำหนดอัตราความผิดพลาด (Error rate) สำหรับการสังเกตการณ์ใหม่ไว้ที่ 25%
ในการวัดประสิทธิภาพของโมเดล ค่าความแม่นยำ (Accuracy) คือส่วนกลับของความผิดพลาด
วิธีคำนวณ: นำค่าความเชื่อมั่นทั้งหมด (100%) ลบด้วยอัตราความผิดพลาด (25%) จะได้เป็น 100%−25%=75% |
ใช้หลักการประเมินประสิทธิภาพของแบบจำลองทางสถิติ (Model Evaluation Metrics)
โดยมีพื้นฐานความสัมพันธ์คือ Accuracy=1−Error Rate เพื่อใช้บอกเปอร์เซ็นต์ความถูกต้องในการพยากรณ์ของโมเดล |
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% |
|
จากโจทย์ทำนายถูก 181 จาก 204 จุด ข้อมูล วิธีการหาค่าร้อยละคือ ( 181/204)×100≈88.725% เมื่อปัดเศษจะได้ 88.73% |
สูตรการหาความแม่นยำ (Accuracy/Success Rate) คือ SuccessRate=( TotalDataPoints/CorrectPredictions)×100 |
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. |
|
ระบบการขนส่งต่อเนื่องหลายรูปแบบ (Multimodal) มุ่งเน้นการเพิ่มประสิทธิภาพการขนส่งโดยคำนึงถึงความปลอดภัยและความยั่งยืนด้านสิ่งแวดล้อมควบคู่ไปกับการลดต้นทุน |
หลักการพื้นฐานของ Multimodal Transportation คือการบูรณาการรูปแบบการขนส่งต่างๆ เพื่อให้เกิดความสมดุลทั้งในด้านเศรษฐกิจ สังคม และสิ่งแวดล้อม |
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. |
|
การรวมวิธี Fuzzy AHP (ช่วยตัดสินใจตามความเห็นผู้เชี่ยวชาญ) และ DEA (วิเคราะห์ประสิทธิภาพ) ช่วยให้สามารถจัดลำดับความสำคัญของความเสี่ยงได้อย่างแม่นยำและช่วยในการเลือกเส้นทางที่ดีที่สุด |
FAHP (Fuzzy Analytical Hierarchy Process) ใช้จัดการความไม่แน่นอนของข้อมูลเชิงคุณภาพ และ DEA (Data Envelopment Analysis) ใช้ประเมินประสิทธิภาพเชิงเปรียบเทียบ |
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 |
|
น้ำหนักรวมทั้งหมดคือ 1 น้ำหนักที่ทราบคือ 0.157 และ 0.073 ดังนั้นน้ำหนักที่เหลือคือ 1−(0.157+0.073)=1−0.230=0.770 |
ผลรวมของน้ำหนัก (Weights) ในแบบจำลองการตัดสินใจแบบหลายเกณฑ์ (MCDM) จะต้องมีค่าเท่ากับ 1 เสมอ (∑wi=1) |
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 |
|
แทนค่าตามสูตรที่โจทย์ให้มา โดยมี Probability (P) = 0.2 และ Consequence (C) = 0.5 จะได้ 0.2×0.5=0.10 |
การประเมินระดับความเสี่ยงเชิงปริมาณ (Quantitative Risk Assessment) คำนวณจากค่าความน่าจะเป็นของเหตุการณ์คูณด้วยระดับความรุนแรงของผลกระทบ (Risk=Probability×Severity) |
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 |
|
คำนวณแบบค่าเฉลี่ยถ่วงน้ำหนัก (Weighted Average):
(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
(หมายเหตุ: เมื่อดูจากตัวเลือก 0.438 อาจมีการปัดเศษหรือคลาดเคลื่อนเล็กน้อยในตัวเลขโจทย์ แต่ตามหลักการคำนวณแบบถ่วงน้ำหนัก วิธีนี้ถูกต้องที่สุด) |
การหาคะแนนรวมแบบถ่วงน้ำหนัก (Simple Additive Weighting - SAW) ใช้สูตร Score=∑(wi*si) เมื่อ w คือน้ำหนัก และ r คือคะแนนความเสี่ยงเฉพาะส่วน |
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?
|
|
|
แทนค่าตามสูตร R=P×C×D โดยที่ P=3, C=3 และ D=20%หรือ0.20 จะได้ผลลัพธ์คือ 3×3×0.20=1.80 |
การประเมินความเสี่ยงเชิงปริมาณที่พิจารณาปัจจัยด้านระยะทางหรือสัดส่วนพื้นที่ (Distance/Distribution) ร่วมด้วย |
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 |
|
ค่าผลกระทบ (Contribution) หาได้จากการนำน้ำหนักของเกณฑ์ (Weight) คูณกับคะแนนความเสี่ยงในส่วนนั้น (Local Risk Score) คือ 0.061×0.4=0.0244 |
หลักการ Weighted Scoring เพื่อหาค่าคะแนนสุทธิของแต่ละปัจจัยย่อย |
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 |
|
โจทย์ให้หาค่าความเสี่ยงใหม่เฉพาะส่วนของ Infrastructure เมื่อปรับน้ำหนักเป็น 0.400 และคะแนนคือ 0.2 ดังนั้นค่าที่ได้คือ 0.400×0.2=0.080 |
การวิเคราะห์ความไว (Sensitivity Analysis) โดยการปรับเปลี่ยนพารามิเตอร์น้ำหนักเพื่อดูผลกระทบต่อคะแนนรวม |
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 |
|
คำนวณหาผลต่างของค่า Contribution เดิมและใหม่:
ค่าเดิม: 0.073×0.4=0.0292
ค่าใหม่: 0.073×0.35=0.02555
ส่วนต่าง: 0.0292−0.02555=0.00365 |
การคำนวณส่วนเบี่ยงเบนของค่าความเสี่ยงเมื่อมีการประเมินคะแนนใหม่ (Reassessment) |
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 |
|
นำ (Local Weight × Respective Weight) ของทั้ง 3 ปัจจัยมาบวกกัน:
(0.1×0.321)+(0.2×0.388)+(0.15×0.157)=0.0321+0.0776+0.02355=0.13325 |
การคำนวณคะแนนรวมแบบรวมกลุ่มปัจจัย (Aggregate Contribution) |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|