| 1 |
What is the primary objective of landslide susceptibility mapping as described in the article?
|
To map the geological features of Bangladesh without practical application. |
|
การทำแผนที่ความเสี่ยงดินถล่มอาศัยหลักการทางธรณีวิทยา วิศวกรรมธรณีเทคนิค และระบบสารสนเทศภูมิศาสตร์ (GIS) โดยพิจารณาปัจจัยต่างๆ ที่มีผลต่อการเกิดดินถล่ม เช่น
ปัจจัยทางธรณีวิทยา:
ชนิดของหินและดิน
โครงสร้างทางธรณีวิทยา (รอยแตก รอยเลื่อน)
ความลาดชันของพื้นที่
ปัจจัยทางอุตุนิยมวิทยา:
ปริมาณน้ำฝน
ความชื้นในดิน
ปัจจัยทางมนุษย์:
การตัดป่า
การสร้างถนน
การสร้างอาคาร
|
ัตถุประสงค์หลักของการทำแผนที่ความเสี่ยงดินถล่ม: คือการระบุพื้นที่ที่มีแนวโน้มเกิดดินถล่มสูง เพื่อลดความเสียหายทางเศรษฐกิจและสิ่งแวดล้อมที่อาจเกิดขึ้นได้ เช่น การสูญเสียชีวิต ทรัพย์สิน และโครงสร้างพื้นฐาน การทำแผนที่นี้จะช่วยให้สามารถวางแผนการป้องกันและบรรเทาภัยได้อย่างมีประสิทธิภาพ |
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?
|
Logistic Regression |
|
กใช้สำหรับปัญหาการจำแนกประเภท (classification) เช่น การพยากรณ์ว่าอีเมลเป็นสแปมหรือไม่
ให้ผลลัพธ์ในรูปแบบความน่าจะเป็น
ง่ายต่อการตีความผลลัพธ์ |
Machine Learning: ศาสตร์ที่ศึกษาเกี่ยวกับการสร้างแบบจำลองคอมพิวเตอร์ที่สามารถเรียนรู้จากข้อมูล
Supervised Learning: การเรียนรู้ของเครื่องโดยมีข้อมูลป้ายกำกับ (label)
Unsupervised Learning: การเรียนรู้ของเครื่องโดยไม่มีข้อมูลป้ายกำกับ
Classification: การจัดกลุ่มข้อมูลเข้าไปในกลุ่มที่กำหนดไว้
Regression: การทำนายค่าตัวเลข |
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% |
|
พื้นที่ทั้งหมดของชาตตogram: 100%
พื้นที่เสี่ยงดินถล่ม: 75%
พื้นที่เสี่ยงดินถล่มสูง: 12% ของพื้นที่ทั้งหมด
หาพื้นที่ที่ไม่เสี่ยงดินถล่มสูง:
พื้นที่ที่ไม่เสี่ยงดินถล่มเลย: 100% (ทั้งหมด) - 75% (เสี่ยงดินถล่ม) = 25%
พื้นที่ที่เสี่ยงดินถล่มแต่ไม่สูงมาก: 75% (เสี่ยงดินถล่ม) - 12% (เสี่ยงสูง) = 63%
ดังนั้น พื้นที่ที่ไม่เสี่ยงดินถล่มสูง (รวมทั้งที่ไม่เสี่ยงเลย) คือ 25% + 63% = 88%
คำตอบที่ใกล้เคียงที่สุดในตัวเลือกคือ 87% |
หลักการพื้นฐานของเปอร์เซ็นต์: แสดงส่วนที่เป็นของทั้งหมด
การหาส่วนที่เหลือ: นำส่วนที่รู้มาลบออกจากทั้งหมด
การรวมส่วน: นำส่วนย่อยต่างๆ มาบวกกันเพื่อหาส่วนรวม |
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 |
|
หาจำนวนข้อมูลที่ใช้ฝึก:
80% ของ 255 = (80/100) * 255 = 204 ครั้ง
หาจำนวนข้อมูลที่ใช้ทดสอบ:
จำนวนข้อมูลทั้งหมด - จำนวนข้อมูลที่ใช้ฝึก = 255 - 204 = 51 ครั้ง |
การแบ่งข้อมูล: ในการสร้างและทดสอบโมเดล machine learning โดยทั่วไป เราจะแบ่งข้อมูลออกเป็นสองส่วนหลัก:
ข้อมูลฝึก (training data): ใช้สำหรับฝึกโมเดลให้เรียนรู้รูปแบบและความสัมพันธ์ของข้อมูล
ข้อมูลทดสอบ (testing data): ใช้สำหรับประเมินประสิทธิภาพของโมเดลที่ฝึกมาแล้ว โดยเปรียบเทียบผลการทำนายของโมเดลกับค่าจริง |
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 |
|
แปลงเปอร์เซ็นต์เป็นทศนิยม: 9% เท่ากับ 0.09
คูณเปอร์เซ็นต์ที่แปลงแล้วด้วยพื้นที่ทั้งหมด: 0.09 x 7,000 = 630 ตารางกิโลเมตร
ดังนั้น พื้นที่ของโซนเสี่ยงสูงมากในเขตจัตตogram คือ 630 ตารางกิโลเมตร |
ปอร์เซ็นต์: เปอร์เซ็นต์คืออัตราส่วนที่เปรียบเทียบจำนวนใดจำนวนหนึ่งกับ 100
การหาค่าเปอร์เซ็นต์ของจำนวน: เพื่อหาค่าเปอร์เซ็นต์ของจำนวนใด ๆ เราจะนำจำนวนนั้นคูณด้วยเปอร์เซ็นต์ที่แปลงเป็นทศนิยม |
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 |
|
Given: FPR = 0.05
Specificity = 1 - 0.05 = 0.95
ดังนั้น Specificity ของโมเดลนี้คือ 0.95 ซึ่งหมายความว่าโมเดลสามารถระบุตัวอย่างที่เป็น Negative ได้อย่างถูกต้อง 95% |
Confusion Matrix: ตารางที่แสดงผลลัพธ์ของการจำแนกประเภทของโมเดล โดยเปรียบเทียบค่าที่ทำนายได้กับค่าจริง
True Positive Rate (TPR) หรือ Sensitivity: ความสามารถของโมเดลในการระบุตัวอย่างที่เป็น Positive อย่างถูกต้อง
False Positive Rate (FPR): ความน่าจะเป็นที่โมเดลจะจัดประเภทตัวอย่างที่เป็น Negative ผิดพลาดว่าเป็น Positive
Specificity: ความสามารถของโมเดลในการระบุตัวอย่างที่เป็น Negative อย่างถูกต้อง |
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 หมายถึงอะไร: ค่า AUC ที่ใกล้ 1 แสดงให้เห็นว่าโมเดลมีความสามารถในการจำแนกคลาสได้ดีเยี่ยม นั่นคือ โมเดลสามารถแยกแยะระหว่างตัวอย่างที่เป็นบวก (positive) และตัวอย่างที่เป็นลบ (negative) ได้อย่างชัดเจน
ความหมายของ AUC ในบริบทนี้: AUC แทนพื้นที่ใต้เส้นโค้ง ROC ซึ่งเป็นการวัดประสิทธิภาพโดยรวมของโมเดลในการจัดอันดับตัวอย่าง โดยค่า AUC จะมีค่าอยู่ระหว่าง 0 ถึง 1 |
เส้นโค้ง ROC (Receiver Operating Characteristic): เป็นกราฟที่แสดงความสัมพันธ์ระหว่างอัตราการตรวจพบที่แท้จริง (True Positive Rate) และอัตราการตรวจพบที่เป็นเท็จ (False Positive Rate) ในการจำแนกประเภท
พื้นที่ใต้เส้นโค้ง ROC (AUC): เป็นตัวชี้วัดประสิทธิภาพโดยรวมของโมเดลในการจัดอันดับตัวอย่าง โดยไม่ขึ้นอยู่กับจุดตัด |
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% |
|
หาสัดส่วน: นำจำนวนตำแหน่งในชุดข้อมูลฝึกหารด้วยจำนวนเหตุการณ์ดินถล่มทั้งหมด
สัดส่วน = 204 / 255 ≈ 0.8
แปลงเป็นเปอร์เซ็นต์: คูณสัดส่วนด้วย 100
เปอร์เซ็นต์ = 0.8 * 100 = 80% |
เปอร์เซ็นต์: เป็นสัดส่วนที่แสดงความสัมพันธ์ระหว่างส่วนย่อยกับส่วนทั้งหมด โดยมีค่าตั้งแต่ 0 ถึง 100
สถิติเบื้องต้น: การคำนวณเปอร์เซ็นต์เป็นพื้นฐานของสถิติที่ใช้ในการวิเคราะห์ข้อมูลเชิงปริมาณ
Machine Learning: ในการสร้างโมเดล Machine Learning จำนวนและคุณภาพของข้อมูลฝึกเป็นปัจจัยสำคัญในการกำหนดประสิทธิภาพของโมเดล |
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% |
|
วามแม่นยำ คือ สัดส่วนของการทำนายที่ถูกต้องทั้งหมดเทียบกับจำนวนการทำนายทั้งหมด
อัตราความผิดพลาด คือ สัดส่วนของการทำนายที่ผิดพลาดทั้งหมดเทียบกับจำนวนการทำนายทั้งหมด
ความแม่นยำ + อัตราความผิดพลาด = 100% |
การประเมินโมเดล (Model Evaluation): เป็นกระบวนการวัดประสิทธิภาพของโมเดล machine learning โดยเปรียบเทียบผลลัพธ์ที่โมเดลทำนายกับค่าจริง
เมตริกการประเมิน (Evaluation Metrics): เป็นตัวชี้วัดที่ใช้ในการประเมินประสิทธิภาพของโมเดล เช่น ความแม่นยำ (Accuracy), precision, recall, F1-score เป็นต้น
ความสับสนเมทริกซ์ (Confusion Matrix): เป็นตารางที่แสดงจำนวนการทำนายที่ถูกต้องและผิดพลาดในแต่ละคลาส ซึ่งใช้ในการคำนวณเมตริกการประเมินต่างๆ |
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% |
|
จำนวนข้อมูลที่ทำนายถูก = 181
จำนวนข้อมูลทั้งหมด = 204
อัตราความสำเร็จ = (181 / 204) x 100% ≈ 88.73%
ดังนั้น คำตอบที่ถูกต้องคือ 88.73% |
การคำนวณอัตราความสำเร็จเป็นการประยุกต์ใช้หลักการของความน่าจะเป็น โดยเราพิจารณาความน่าจะเป็นที่แบบจำลองจะทำนายค่าได้ถูกต้อง
สถิติ: การวัดประสิทธิภาพของแบบจำลองโดยใช้อัตราความสำเร็จเป็นวิธีการที่ใช้กันทั่วไปในสถิติ โดยเฉพาะอย่างยิ่งในงานด้านการเรียนรู้ของเครื่อง (Machine Learning) และการวิเคราะห์ข้อมูล |
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. |
|
ความยั่งยืนเป็นหัวใจหลัก: ปัจจุบันทั่วโลกให้ความสำคัญกับการลดผลกระทบต่อสิ่งแวดล้อมจากการขนส่ง เช่น การลดการปล่อยก๊าซเรือนกระจก การลดมลพิษทางอากาศและเสียง ระบบขนส่งหลายรูปแบบช่วยให้สามารถเลือกใช้รูปแบบการขนส่งที่เหมาะสมกับแต่ละเส้นทางและปริมาณผู้โดยสาร ลดการใช้พลังงาน และส่งเสริมการใช้พลังงานสะอาด
ความปลอดภัยเป็นสิ่งจำเป็น: การลดอุบัติเหตุและการบาดเจ็บเป็นเป้าหมายสำคัญของระบบขนส่งทุกระบบ ระบบขนส่งหลายรูปแบบช่วยให้สามารถกระจายปริมาณการจราจร ลดความแออัด และลดความเสี่ยงในการเกิดอุบัติเหตุ |
ะบบขนส่งเป็นระบบที่ซับซ้อน ประกอบด้วยองค์ประกอบต่างๆ ที่เชื่อมโยงกัน การออกแบบระบบขนส่งแบบหลายรูปแบบต้องอาศัยหลักการของทฤษฎีระบบเพื่อวิเคราะห์และสังเคราะห์ข้อมูลต่างๆ
เศรษฐศาสตร์สิ่งแวดล้อม: การประเมินผลกระทบทางเศรษฐกิจของการขนส่งต่อสิ่งแวดล้อม เช่น ค่าใช้จ่ายในการแก้ไขปัญหามลพิษ เป็นสิ่งสำคัญในการตัดสินใจลงทุนในระบบขนส่ง
วิศวกรรมขนส่ง: การออกแบบและบริหารจัดการระบบขนส่งต้องอาศัยความรู้ทางวิศวกรรมขนส่ง เพื่อให้ระบบมีความปลอดภัย มีประสิทธิภาพ และมีความยั่งยืน |
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. |
|
It requires minimal input from experts: วิธี FAHP-DEA ต้องอาศัยความรู้และประสบการณ์ของผู้เชี่ยวชาญในการกำหนดเกณฑ์และน้ำหนักของปัจจัยต่างๆ
It completely eliminates all transportation risks: ไม่มีวิธีการใดที่จะสามารถกำจัดความเสี่ยงในการขนส่งได้ทั้งหมด
It relies solely on historical data without current evaluations: วิธี FAHP-DEA สามารถนำข้อมูลปัจจุบันมาใช้ในการวิเคราะห์ได้
It provides a subjective assessment without quantitative analysis: วิธี FAHP-DEA เป็นการผสมผสานระหว่างการประเมินเชิงคุณภาพและเชิงปริมาณ |
ทฤษฎีระบบ: ระบบขนส่งเป็นระบบที่ซับซ้อน ประกอบด้วยองค์ประกอบต่างๆ ที่มีความสัมพันธ์กัน การวิเคราะห์ความเสี่ยงของระบบขนส่งจึงต้องพิจารณาองค์ประกอบต่างๆ เหล่านี้ร่วมกัน
ทฤษฎีความเสี่ยง: ความเสี่ยงคือความเป็นไปได้ที่เหตุการณ์ที่ไม่พึงประสงค์จะเกิดขึ้น การวิเคราะห์ความเสี่ยงคือกระบวนการประเมินความรุนแรงและความน่าจะเป็นของเหตุการณ์ที่ไม่พึงประสงค์
ทฤษฎีการตัดสินใจ: การตัดสินใจเกี่ยวกับการจัดการความเสี่ยงต้องอาศัยข้อมูลและหลักฐานที่เชื่อถือได้ การใช้ FAHP-DEA ช่วยให้สามารถตัดสินใจได้อย่างมีเหตุผล |
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 |
|
การให้คะแนนแบบถ่วงน้ำหนัก (Weighted Scoring Model): เป็นวิธีการที่นิยมใช้ในการประเมินความเสี่ยง โดยแต่ละเกณฑ์จะถูกกำหนดน้ำหนักความสำคัญที่แตกต่างกันไปตามผลกระทบที่อาจเกิดขึ้น
หลักการอนุรักษ์มวล (Conservation of Mass): ในระบบปิดใดๆ มวลรวมจะคงที่เสมอ ซึ่งในบริบทนี้ หมายถึง น้ำหนักรวมของทุกเกณฑ์จะต้องคงที่เสมอ |
หลักการ: ในการวิเคราะห์ความเสี่ยงแบบให้คะแนน โดยมีเกณฑ์ 5 เกณฑ์ และน้ำหนักรวมเท่ากับ 1 นั้น หมายความว่า น้ำหนักของแต่ละเกณฑ์เมื่อรวมกันทั้งหมดจะต้องมีค่าเท่ากับ 1 เสมอ
การคำนวณ:
น้ำหนักรวมของเกณฑ์ operational risk และ security risk = 0.157 + 0.073 = 0.23
น้ำหนักรวมของอีก 3 เกณฑ์ที่เหลือ = 1 (น้ำหนักรวมทั้งหมด) - 0.23 (น้ำหนักของ 2 เกณฑ์แรก) = 0.77 |
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?
|
|
|
|
|
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.
|
|
|
|
|
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.
|
|
|
|
|
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.
|
|
|
|
|
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.
|
|
|
|
|
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?
|
|
|
|
|
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?
|
|
|
|
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|