| 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. |
|
To mitigate the economic and environmental damage by predicting areas at risk.
This is the primary goal of landslide susceptibility mapping. By knowing which areas are likely to have landslides, people can take steps to protect themselves and their property.
|
บรรเทาความเสียหายทางเศรษฐกิจและสิ่งแวดล้อมโดยคาดการณ์พื้นที่เสี่ยง |
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?
|
Decision and Regression Tree |
|
Imagine you're trying to predict the weather. Logistic Regression is like trying to guess if it will rain or shine based on past weather patterns.
Random Forest is like asking a group of friends to guess the weather and then combining their answers to get the best prediction. |
Understanding Decision Trees - Medium |
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% |
|
75% of the district is susceptible to landslides.
12% of the district is highly susceptible.
This means that the remaining part of the 75% susceptible area is not highly susceptible.
To find out this percentage, we subtract the highly susceptible part from the total susceptible area:
75% - 12% = 63%
So, 63% of the district is not highly susceptible to landslides |
75% of the district is susceptible to landslides.
12% of the district is highly susceptible.
This means that the remaining part of the 75% susceptible area is not highly susceptible. |
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 |
|
มีการใช้ตัวอย่างดินถล่ม 51 ตัวอย่างเพื่อการทดสอบ
มีดินถล่มทั้งหมด 255 ตัวอย่าง80% ของตัวอย่างทั้งหมดใช้เพื่อการฝึกอบรมซึ่งหมายความว่า 20% ใช้เพื่อการทดสอบ (เพราะว่า 100% - 80% = 20%)
เพื่อหา 20% ของ 255 เราคูณ 255 ด้วย 0.20:
255 * 0.20 = 51
ดังนั้น มีดินถล่ม 51 ตัวอย่างที่ใช้เพื่อการทดสอบ |
There are 255 landslides in total.
80% of them were used for training.
That means 20% were used for testing (because 100% - 80% = 20%).
To find 20% of 255, we multiply 255 by 0.20:
255 * 0.20 = 51
So, there were 51 landslides used for 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 |
|
630 km² is the area of the very high susceptible zone.
To find the answer, we multiply the total area by the percentage:
7000 km² * 9% = 630 km² |
เราคูณพื้นที่ทั้งหมดด้วยเปอร์เซ็นต์ |
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 is how well a test identifies negative cases (people without the condition). It's the opposite of the false positive rate (FPR).
We know that:
FPR = 0.05
So, to find specificity, we do:
Specificity = 1 - FPR
Specificity = 1 - 0.05
Specificity = 0.95
Therefore, the specificity of the model is 0.95. |
Specificity = 1 - FPR
Specificity = 1 - 0.05
Specificity = 0.95
Therefore, the specificity of the model is 0.95. |
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 |
|
An AUC of 0.963 is really great! That means the model is very good at telling the difference between positive and negative cases. |
Excellent |
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% |
|
ข้อมูลอบรมแสดงถึงส่วนสำคัญ (80%) ของเหตุการณ์ดินถล่มทั้งหมด ซึ่งแสดงให้เห็นว่ามีการฝึกอบรมโมเดลโดยใช้ข้อมูลจำนวนมาก ซึ่งอาจเป็นประโยชน์ต่อการนำไปใช้ทั่วไป |
ข้อมูลอบรม |
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?
|
85% |
|
If the model has a 25% error rate, that means it's correct 75% of the time.
So, the accuracy percentage is 75%. |
model |
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.
|
99% |
|
To calculate the success rate, we divide the number of correct predictions by the total number of predictions and multiply by 100:
(181 correct predictions / 204 total predictions) * 100 = 88.73% |
To calculate the success rate, we divide the number of correct predictions by the total number of predictions and multiply by 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. |
|
Enhancing environmental sustainability and safety is the primary focus of multimodal transportation systems.
Multimodal transportation means using different ways to move things, like trains, ships, and trucks. By using different ways to move things, we can help the environment and keep people safe. |
Enhancing environmental sustainability and safety is the primary focus of multimodal transportation systems. |
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. |
|
ช่วยให้สามารถกำหนดลำดับความสำคัญของความเสี่ยงได้อย่างแม่นยำและปรับเส้นทางให้เหมาะสมที่สุด
นี่คือข้อได้เปรียบหลักของการใช้ FAHP-DEA โดยช่วยระบุความเสี่ยงที่สำคัญที่สุดและค้นหาวิธีที่ดีที่สุดในการเคลื่อนย้ายสิ่งต่าง ๆ เพื่อหลีกเลี่ยงความเสี่ยงเหล่านั้น |
กำหนดลำดับความสำคัญของความเสี่ยงได้อย่างแม่นยำและปรับเส้นทางให้เหมาะสมที่สุด |
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 |
|
Imagine you have a whole pizza (100%). Two slices are taken, one is 15.7% of the pizza (operational risk) and the other is 7.3% (security risk). To find out how much pizza is left, you subtract those two slices from the whole pizza.
So, 100% - 15.7% - 7.3% = 77%.
In decimal form, that's 0.770. |
you have a whole pizza (100%). Two slices are taken, one is 15.7% of the pizza (operational risk) and the other is 7.3% (security risk). To find out how much pizza is left, you subtract those two slices from the whole pizza.
So, 100% - 15.7% - 7.3% = 77%.
In decimal form, that's 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 |
|
การหาระดับความเสี่ยงนั้น คุณเพียงแค่คูณความน่าจะเป็นของอุบัติเหตุ (0.2) ด้วยความรุนแรงของอุบัติเหตุ (0.5)
ดังนั้น 0.2 * 0.5 = 0.1 |
การหาระดับความเสี่ยง |
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 |
|
คะแนนความเสี่ยงรวมคำนวณได้โดยการคูณน้ำหนักของแต่ละเกณฑ์ด้วยคะแนนความเสี่ยงในพื้นที่ที่สอดคล้องกันและรวมผลคูณ ในกรณีนี้ คะแนนความเสี่ยง |
เกณฑ์ น้ำหนัก คะแนนความเสี่ยงในพื้นที่ ผลิตภัณฑ์ถ่วงน้ำหนัก |
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 (Probability): Ranked 3 out of 5.
C (Severity): Ranked 3 out of 5.
D (Distance): 20% or 0.2 as a decimal.
Using the formula R = P x C x D:
R = 3 x 3 x 0.2
R = 1.8
So, the risk assessment is 1.8. |
Using the formula R = P x C x D |
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 |
|
The contribution of environmental risk to the overall risk score is 0.0244.
Here's the breakdown:
Factor Value
Weight for environmental risk 0.061
Local risk score for environmental risk 0.4
Contribution of environmental risk 0.0244
We can calculate the contribution by multiplying the weight by the local risk score. In this case, 0.061 x 0.4 = 0.0244. |
The contribution of environmental risk to the overall risk score is 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 |
|
การเพิ่มน้ำหนักความเสี่ยงด้านโครงสร้างพื้นฐานจาก 0.388 เป็น 0.400 จะเพิ่มส่วนสนับสนุนต่อคะแนนความเสี่ยงโดยรวมเล็กน้อย (จาก 0.0776 เป็น 0.0800) เนื่องจากน้ำหนักที่เพิ่มขึ้น นอกจากนี้ยังเพิ่มคะแนนความเสี่ยงโดยรวมเล็กน้อยอีกด้วย |
คะแนนความเสี่ยงโดยรวมใหม่เมื่อพิจารณาจากน้ำหนักที่เพิ่มขึ้นสำหรับความเสี่ยงด้านโครงสร้างพื้นฐาน |
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 |
|
We can calculate this change by subtracting the product of the weight and the new risk score from the product of the weight and the initial risk score. In other words:
Change in contribution = (weight * initial_risk_score) - (weight * new_risk_score)
In this case:
Weight (W) = 0.073
Initial risk score (Ri) = 0.4
New risk score (Rn) = 0.35
Change in contribution = (0.073 * 0.4) - (0.073 * 0.35) = 0.00365
Therefore, the change in contribution to the overall risk score is 0.00365, indicating a decrease in the mode of transportation's risk contribution due to the lower risk score. |
การเปลี่ยนแปลงของส่วนสนับสนุนต่อคะแนนความเสี่ยงโดยรวมอันเนื่องมาจากคะแนนความเสี่ยงที่ประเมินใหม่สำหรับรูปแบบการขนส่งคือ 0.00365
เราสามารถคำนวณการเปลี่ยนแปลงนี้ได้โดยการลบผลคูณของน้ำหนักและคะแนนความเสี่ยงใหม่จากผลคูณของน้ำหนักและคะแนนความเสี่ยงเริ่มต้น |
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?
|
|
|
การหาผลรวมของความเสี่ยง เราต้องคูณน้ำหนักท้องถิ่นของความเสี่ยงแต่ละอย่างด้วยน้ำหนักที่สอดคล้องกัน จากนั้นจึงรวมผลลัพธ์เข้าด้วยกัน |
ผลรวมของความเสี่ยง |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|