| 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. |
|
การจัดทำแผนที่ความไวต่อการเกิดดินถล่ม (Landslide Susceptibility Mapping) มีวัตถุประสงค์หลักเพื่อระบุพื้นที่ที่มีความเสี่ยงสูง โดยวิเคราะห์จากปัจจัยทางกายภาพ เช่น ความลาดชันของพื้นที่ ชนิดของดิน และการใช้ประโยชน์ที่ดิน เพื่อให้หน่วยงานที่เกี่ยวข้องสามารถวางแผนป้องกันและลดผลกระทบที่จะเกิดขึ้นต่อเศรษฐกิจและสิ่งแวดล้อมได้อย่างมีประสิทธิภาพ |
หลักการของ Natural Hazard Assessment (การประเมินภัยพิบัติทางธรรมชาติ) มุ่งเน้นไปที่การวิเคราะห์เชิงพื้นที่ (Spatial Analysis) เพื่อประเมินโอกาสการเกิดภัยพิบัติ (Likelihood) ซึ่งเป็นขั้นตอนสำคัญในการทำ Disaster Risk Management (DRM) เพื่อลดความเปราะบางของชุมชนและโครงสร้างพื้นฐาน |
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 |
|
จากผลการศึกษาวิจัยด้านการวิเคราะห์ความไวต่อการเกิดดินถล่มส่วนใหญ่ อัลกอริทึม Random Forest มักจะให้ค่าความแม่นยำ (Accuracy) และอัตราความสำเร็จ (Success Rate) สูงที่สุด เนื่องจากเป็นเทคนิคแบบ Ensemble Learning ที่รวมผลลัพธ์จากต้นไม้ตัดสินใจหลายต้น ทำให้สามารถจัดการกับข้อมูลที่มีความซับซ้อนและไม่เป็นเส้นตรงได้ดีกว่า Logistic Regression หรือ Decision Tree เพียงต้นเดียว |
หลักการของ Ensemble Learning (Bagging) ซึ่ง Random Forest ใช้การสุ่มตัวอย่างข้อมูล (Bootstrapping) และการเลือกคุณลักษณะ (Feature Selection) เพื่อสร้างโมเดลที่แข็งแกร่ง (Robust model) ช่วยลดปัญหา Overfitting และให้ผลการทำนายพื้นที่เสี่ยงภัยที่มีความน่าเชื่อถือสูงในทางสถิติ (High Area Under the Curve - AUC) |
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% |
|
Random Forest เป็นอัลกอริทึมที่มีประสิทธิภาพสูงที่สุดในการทำนายดินถล่ม เนื่องจากเป็นเทคนิค Ensemble Learning ที่ใช้ต้นไม้ตัดสินใจหลายต้นทำงานร่วมกัน ทำให้มีความแม่นยำสูงกว่า Logistic Regression และลดความผิดพลาดที่เกิดจากข้อมูลที่มีความซับซ้อนได้ดีกว่า |
โจทย์ถามหาพื้นที่ที่ "ไม่" อยู่ในโซนที่มีความไวต่อการเกิดดินถล่มสูง (Not highly susceptible)พื้นที่ทั้งหมดของอำเภอคิดเป็น 100%
พื้นที่ที่มีความไวสูง (Highly susceptible) มีอยู่ 12%
= 100 - 12 |
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 |
|
เมื่อกำหนดให้ข้อมูลเหตุการณ์ดินถล่มทั้งหมดมี 255 รายการ และมีการแบ่งข้อมูล 80% ไปใช้ในการสอนโมเดล (Training) จะเหลือข้อมูลอีก 20% สำหรับใช้ในการทดสอบประสิทธิภาพ ซึ่งเมื่อคำนวณจากจำนวนทั้งหมดจะได้เป็น 51 รายการพอดี |
ใช้หลักการ Data Splitting หรือการแบ่งชุดข้อมูลใน Machine Learning ตามเกณฑ์มาตรฐาน 80/20 เพื่อแยกข้อมูลส่วนหนึ่งไว้ประเมินความแม่นยำของโมเดลกับเหตุการณ์จริงที่โมเดลไม่เคยเรียนรู้มาก่อน |
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 |
|
คำนวณจากพื้นที่ทั้งหมดของจังหวัดฉัตตอแกรมซึ่งมีขนาด 7,000 ตารางกิโลเมตร โดยโจทย์ระบุว่าพื้นที่ที่มีความเสี่ยงสูงมากคิดเป็น 9 เปอร์เซ็นต์ของพื้นที่ทั้งหมด เมื่อหาค่าตามสัดส่วนดังกล่าวจะได้พื้นที่ขนาด 630 ตารางกิโลเมตร |
ใช้หลักการหาค่าสัดส่วนร้อยละของพื้นที่ในเชิงภูมิศาสตร์ โดยการนำพื้นที่รวมทั้งหมดมาคูณกับอัตราส่วนร้อยละของโซนความเสี่ยงที่ต้องการทราบ เพื่อแปลงค่าจากเปอร์เซ็นต์เป็นหน่วยพื้นที่จริง |
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 |
|
ค่าความจำเพาะ (Specificity) คือค่าที่บ่งบอกถึงความสามารถของโมเดลในการระบุผลลบที่ถูกต้อง ซึ่งมีความสัมพันธ์โดยตรงกับอัตราการทำนายผิดพลาดว่าเป็นบวก (False Positive Rate) โดยค่าความจำเพาะจะหาได้จากส่วนต่างระหว่างค่าสมบูรณ์คือ 1 ลบด้วยอัตราการทำนายผิดพลาดที่เป็นบวก (0.05) จึงได้ผลลัพธ์เป็น 0.95 |
ใช้หลักการวัดประสิทธิภาพของโมเดลจำแนกประเภท (Classification Performance) จากตารางความสับสน (Confusion Matrix) โดยค่าความจำเพาะจะบ่งบอกถึงความแม่นยำในการคัดกรองกรณีที่ไม่ใช่เหตุการณ์ที่สนใจออกไปได้อย่างถูกต้อง |
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 ที่ระดับ 0.963 ถือเป็นค่าที่สูงมาก ซึ่งตามเกณฑ์มาตรฐานทางสถิติจะจัดอยู่ในระดับที่ดีเยี่ยม |
การวัดประสิทธิภาพด้วยพื้นที่ใต้เส้นกราฟ (AUC) โดยค่าที่เข้าใกล้ 1.0 จะแสดงถึงประสิทธิภาพการแยกแยะและทำนายผลที่สมบูรณ์แบบ |
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% |
|
ในการคำนวณหาความสัมพันธ์ของข้อมูลชุดนี้ เราเปรียบเทียบจำนวนตำแหน่งที่ใช้ในการฝึกสอน (Training Dataset) ซึ่งมีจำนวน 204 ตำแหน่ง กับจำนวนเหตุการณ์ดินถล่มทั้งหมดที่มีอยู่ 255 ตำแหน่ง ให้นำจำนวนตำแหน่งฝึกสอน (204) หารด้วยจำนวนตำแหน่งทั้งหมด (255) ซึ่งจะได้ผลลัพธ์เท่ากับ 0.8 จากนั้นจึงนำค่าที่ได้ไปคูณด้วย 100 เพื่อเปลี่ยนให้เป็นค่าร้อยละหรือเปอร์เซ็นต์ ผลลัพธ์ที่ได้จึงเท่ากับ 80% พอดี ซึ่งหมายความว่าข้อมูลที่ใช้ฝึกสอนคิดเป็น 4 ใน 5 ส่วนของข้อมูลทั้งหมดครับ |
สูตรที่ใช้ในการอ้างอิง:
(จำนวนส่วนย่อย ÷ จำนวนทั้งหมด) × 100 = เปอร์เซ็นต์
ในบริบทของการสร้างแบบจำลองการทำนาย (Machine Learning/Geographical Modeling) การแบ่งข้อมูลในสัดส่วน 80:20 (ฝึกสอน 80% และทดสอบ 20%) เป็นมาตรฐานทั่วไปที่นิยมใช้เพื่อให้โมเดลมีความแม่นยำและสามารถตรวจสอบความถูกต้องได้อย่างเหมาะสม |
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% |
|
ความแม่นยำ (Accuracy) และอัตราความผิดพลาด (Error Rate) เป็นค่าที่เติมเต็มซึ่งกันและกันเพื่อให้ครบ 100% ของการพยากรณ์ทั้งหมด
ขั้นตอนการคิด:
เมื่อโมเดลทำนายข้อมูลใหม่แล้วพบว่ามีอัตราความผิดพลาดอยู่ที่ 25% หมายความว่าในทุกๆ 100 ครั้งที่โมเดลทำการพยากรณ์ จะมีโอกาสทายผิดไป 25 ครั้ง ดังนั้นส่วนที่เหลือคือการทายที่ถูกต้อง ซึ่งคำนวณได้จาก การนำค่าความเชื่อมั่นทั้งหมด (100%) ลบด้วยอัตราความผิดพลาด (25%) ผลลัพธ์ที่ได้คือ 75% ซึ่งเป็นค่าความแม่นยำของโมเดลตัวนี้นั่นเองครับ |
ใช้หลักการ "ส่วนเติมเต็ม (Complementary Probability)" ในทางสถิติและคณิตศาสตร์ ซึ่งระบุว่าผลรวมของความน่าจะเป็นของเหตุการณ์ที่เกิดขึ้นและความน่าจะเป็นของเหตุการณ์ที่ไม่เกิดขึ้น (ในที่นี้คือ ทายถูก และ ทายผิด) จะต้องเท่ากับ 1 หรือ 100% เสมอ
หลักการคำนวณ:
ความแม่นยำ (Accuracy) = 100% - อัตราความผิดพลาด (Error Rate)
ในทางวิทยาศาสตร์ข้อมูล (Data Science) ค่าทั้งสองนี้ถูกใช้เพื่อประเมินประสิทธิภาพของโมเดล (Model Evaluation) โดยหากทราบค่าใดค่าหนึ่ง ก็จะสามารถหาอีกค่าหนึ่งได้ทันทีด้วยความสัมพันธ์แบบผกผันนี้ |
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% |
|
เป็นการหาค่าร้อยละของความถูกต้องจากการนำข้อมูลจริงที่โมเดลพยากรณ์ได้ถูกต้องมาเปรียบเทียบกับจำนวนข้อมูลทั้งหมดที่ใช้ในการทดสอบ
ขั้นตอนการคิด: นำจำนวนที่โมเดลทำนายได้ถูกต้อง คือ 181 จุด ตั้งแล้วหารด้วยจำนวนข้อมูลทั้งหมด คือ 204 จุด จะได้ค่าทศนิยมประมาณ 0.88725... เมื่อนำไปคูณด้วย 100 เพื่อทำเป็นเปอร์เซ็นต์และปัดเศษทศนิยมให้เหมาะสมจะได้ผลลัพธ์คือ 88.73% ซึ่งแสดงถึงประสิทธิภาพในการทำงานของโมเดลตัวนี้ครับ |
ใช้หลักการ "การหาค่าร้อยละหรือเปอร์เซ็นต์ (Percentage Calculation)" เพื่อประเมินประสิทธิภาพความถูกต้องของตัวแบบเชิงสถิติ
หลักการคำนวณ: (จำนวนเหตุการณ์ที่สนใจ ÷ จำนวนเหตุการณ์ทั้งหมด) × 100
ซึ่งในทางปฏิบัติจะเรียกว่าการหาค่า Accuracy Score เพื่อชี้วัดว่าโมเดลสามารถเรียนรู้และทำนายผลจากชุดข้อมูลฝึกสอน (Training Data) ได้แม่นยำเพียงใด |
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. |
|
ระบบการขนส่งต่อเนื่องหลายรูปแบบไม่ได้มุ่งเน้นเพียงแค่ความเร็วหรือลดต้นทุนเพียงอย่างเดียว แต่ยังให้ความสำคัญกับภาพรวมของระบบนิเวศการขนส่ง
เหตุผลหลัก: การใช้ระบบหลายรูปแบบช่วยลดการพึ่งพาการขนส่งทางถนนเพียงอย่างเดียว ซึ่งช่วยลดการปล่อยก๊าซคาร์บอนและลดความเสี่ยงจากอุบัติเหตุทางถนน
เป้าหมาย: มุ่งเน้นการสร้างความยั่งยืนให้กับสิ่งแวดล้อมและเพิ่มความปลอดภัยในการเคลื่อนย้ายสินค้าและผู้โดยสาร |
อ้างอิงตามหลักการ "การขนส่งที่ยั่งยืน (Sustainable Transportation)"
หลักการ: เป็นการจัดการระบบขนส่งที่คำนึงถึงมิติทางสังคม (ความปลอดภัย) และมิติสิ่งแวดล้อม (ลดมลพิษ) ควบคู่ไปกับประสิทธิภาพทางเศรษฐกิจ
แนวคิด: ระบบ Multimodal ถูกออกแบบมาเพื่อเพิ่มทางเลือกและกระจายความเสี่ยง ซึ่งสอดคล้องกับการพัฒนาอย่างยั่งยืนตามมาตรฐานสากล |
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. |
|
แนวทาง FAHP-DEA เป็นการรวมจุดเด่นของสองเทคนิค คือ FAHP ที่ช่วยจัดการความไม่แน่นอนและความเห็นของผู้เชี่ยวชาญ และ DEA ที่ช่วยประเมินประสิทธิภาพเชิงปริมาณ เมื่อนำมาใช้ร่วมกันจึงช่วยให้สามารถจัดลำดับความสำคัญของความเสี่ยงได้อย่างแม่นยำ และช่วยในการตัดสินใจเลือกเส้นทางที่เหมาะสมที่สุดภายใต้เงื่อนไขความเสี่ยงต่างๆ |
อ้างอิงหลักการ "การตัดสินใจแบบหลายหลักเกณฑ์ (Multi-Criteria Decision Making - MCDM)" ร่วมกับแนวคิด "การประเมินประสิทธิภาพเชิงเปรียบเทียบ (Efficiency Evaluation)" ซึ่งเป็นมาตรฐานสากลในการวิเคราะห์ความเสี่ยงเชิงซ้อนในระบบวิศวกรรมขนส่ง |
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 |
|
เมื่อกำหนดให้น้ำหนักความสำคัญรวมของทุกเกณฑ์ต้องเท่ากับ 1 การหาน้ำหนักของเกณฑ์ที่เหลือจึงทำได้โดยนำ 1 ตั้ง แล้วลบออกด้วยน้ำหนักของเกณฑ์ที่ทราบค่าแล้ว คือ Operational Risk (0.157) และ Security Risk (0.073) จะได้ผลลัพธ์คือ 1 - (0.157 + 0.073) = 0.770 |
อ้างอิงหลักการกำหนดน้ำหนักความสำคัญ (Weight Assignment) ในแบบจำลองการวิเคราะห์ความเสี่ยง ซึ่งผลรวมของน้ำหนัก (Weights) ทั้งหมดในระบบจะต้องมีค่าเท่ากับ 1.0 เสมอตามหลักนอร์มัลไลเซชัน (Normalization) |
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 |
|
0.2 x 0.5 |
อ้างอิงตาม "สมการมาตรฐานการประเมินความเสี่ยงเชิงปริมาณ (Quantitative Risk Assessment Formula)" ซึ่งประเมินค่าความเสี่ยงจากผลคูณระหว่างความน่าจะเป็น (Probability) และความรุนแรง (Consequence/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.
|
0.519 |
|
เป็นการหาค่าเฉลี่ยถ่วงน้ำหนัก (Weighted Average) โดยนำค่าน้ำหนักของแต่ละเกณฑ์มาคูณกับคะแนนความเสี่ยงในแต่ละด้านแล้วนำมารวมกัน (เช่น 0.321×0.5 + 0.388×0.6 + ...) ซึ่งจะได้ผลรวมทั้งหมดคือ 0.519 |
ใช้หลักการคำนวณผลรวมถ่วงน้ำหนัก (Weighted Sum Model) ซึ่งเป็นวิธีมาตรฐานในการรวมคะแนนจากเกณฑ์หลายตัวที่มีน้ำหนักความสำคัญแตกต่างกัน |
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 |
|
3 x 3 x 0.2 |
อ้างอิงสูตรการประเมินความเสี่ยงแบบสามปัจจัย (Multi-Factor Risk Model) ที่นำสัดส่วนระยะทางของเส้นทางมาเป็นตัวแปรถ่วงน้ำหนักความเสี่ยงรวม |
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 |
|
คำนวณโดยการนำค่าน้ำหนักความสำคัญของความเสี่ยงด้านสิ่งแวดล้อม (0.061) คูณกับคะแนนความเสี่ยงในท้องถิ่น (0.4) จะได้ผลลัพธ์เท่ากับ 0.0244 ซึ่งเป็นค่าสะท้อนผลกระทบต่อคะแนนรวม |
|
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 |
|
คำนวณเฉพาะส่วนที่มีการเปลี่ยนแปลง โดยนำค่าน้ำหนักใหม่ (0.400) คูณกับคะแนนความเสี่ยง (0.2) จะได้ผลลัพธ์เท่ากับ 0.080 |
ใช้หลักการคำนวณความเสี่ยงเฉพาะส่วน (Specific Risk Contribution) เพื่อวิเคราะห์ความไวของการตัดสินใจ (Sensitivity Analysis) เมื่อมีการเปลี่ยนค่าน้ำหนัก |
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 |
|
หาผลต่างจากการเปลี่ยนแปลงของคะแนน โดยนำน้ำหนักความสำคัญ (0.073) คูณกับผลต่างของคะแนนที่เปลี่ยนไป (0.4 - 0.35 = 0.05) จะได้ค่าการเปลี่ยนแปลงเท่ากับ 0.00365 |
อ้างอิงหลักการคำนวณผลกระทบจากการปรับปรุงข้อมูล (Reassessment Impact Calculation) เพื่อวัดระดับการเปลี่ยนแปลงของคะแนนความเสี่ยงรวม |
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 |
|
- |
- |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|