Top.Mail.Ru
искать
Переводные статьи

Оперативная количественная оценка показателей оползневой опасности с использованием беспроводных датчиков и управления данными на основе искусственного интеллекта

Авторы
Кширсагар П.Р.Факультет искусственного интеллекта Инженерного колледжа имени Г.Х. Райсони, г. Нагпур, Индия
Манохаран Х.Факультет электроники и техники связи Технологического института «Панималар», адм. округ Пунамалли, г. Ченнаи, Индия
Касим С.Кафедра электротехники и вычислительной техники инженерного факультета Университета Короля Абдулазиза, г. Джидда, Саудовская Аравия
Кхан А.И.Кафедра компьютерных наук факультета вычислительной техники и информационных технологий Университета короля Абдулазиза, г. Джидда, Саудовская Аравия
Алам М.М.Кафедра электротехники и вычислительной техники инженерного факультета Университета Короля Абдулазиза, г. Джидда, Саудовская Аравия
Абушарк Ю.Б.Кафедра компьютерных наук факультета вычислительной техники и информационных технологий Университета короля Абдулазиза, г. Джидда, Саудовская Аравия
Абера В.Факультет пищевой инженерии Инженерно-технологического колледжа Университета Уольките, г. Уольките, Эфиопия

Аннотация: Предлагаем вниманию читателей немного сокращенный адаптированный перевод статьи исследователей из Индии и Саудовской Аравии «Оперативная количественная оценка показателей оползневой опасности с использованием беспроводных датчиков и управления данными на основе искусственного интеллекта». Эта работа была опубликована в рецензируемом журнале Computational Intelligence and Neuroscience («Вычислительный интеллект и нейронаука») издательством Hindawi по лицензии CC BY 4.0. Данная лицензия позволяет копировать и распространять статью на любом носителе и в любом формате, адаптировать, видоизменять и создавать новое, опираясь на нее, в любых целях, включая коммерческие, при указании ссылки на первоисточник. В данном случае полная ссылка на первоисточник приведена в конце перевода.

Возможности беспроводных сенсорных сетей позволили разработать крупномасштабные системы внутреннего мониторинга. Датчики могут играть большую роль в прогнозировании оползней: в составе беспроводной локальной сети они могут эффективно работать для картирования, выявления, анализа и прогнозирования оползневых процессов и явлений в удаленных районах и т.д. Беспроводная сенсорная сеть (БСС) состоит из автономных датчиков, распределенных в пространстве для мониторинга физических и других параметров окружающей среды, таких как температура, звук, давление и др. Соответствующий сервис дистанционного управления включает в себя систему мониторинга с получением расширенной информации и помогает пользователю понять проблему и сфокусироваться на ней, если работа БСС говорит о возможности катастрофического события и может в перспективе отследить его.

В данной публикации показана эффективность применения беспроводных сенсорных сетей и алгоритмов искусственного интеллекта (ИИ), в частности логистической регрессии, для мониторинга оползней в реальном времени. БСС выполняет наблюдение за факторами, вызывающими оползни, такими как количество атмосферных осадков, влажность грунта, поровое давление воды и смещения, в режиме реального времени. В статье рассматриваются проблемы, связанные с отслеживанием поведения склонов, а также результаты анализа данных, позволяющие их решать. Использование БСС и ИИ дает возможность мониторинга развития быстрых оползней в режиме реального времени. Предложенная система продемонстрировала выполнение мониторинга оползней в реальном времени, необходимое для своевременного информирования людей об опасных ситуациях через систему оповещения.

Ключевые слова: оползни; оползневая опасность; оперативный мониторинг оползней; прогннозирование оползней; беспроводные датчики; беспроводная сенсорная сеть; искусственный интеллект; машинное обучение; логистическая регрессия; метод опорных векторов; стохастический градиентный спуск

DOI: 10.58339/2949-0677-2025-7-3-54-67

УДК: 624.131.543; 624.131.3; 004

Ссылка для цитирования: Кширсагар П.Р., Манохаран Х., Касим С., Кхан А.И., Алам М.М., Абушарк Ю.Б., Абера В. Оперативная количественная оценка оползневой опасности с использованием беспроводных датчиков и управления данными на основе искусственного интеллекта (сокр. пер. с англ.) // Геоинфо. 2025. Т. 7. № 3. С. 54–67. DOI:10.58339/2949-0677-2025-7-3-54-67

Финансирование: Проект, по которому проводилась данная работа, финансировался Управлением научных исследований (Deanship of Scientific Research, DSR) Университета Короля Абдулазиза в г. Джидде в рамках гранта D-994-135-1443. В связи с этим авторы выражают благодарность DSR за техническую и финансовую поддержку

Библиография

  1. Giorgetti A., Lucchi M., Tavelli E. et al. A robust wireless sensor network for landslide risk analysis: system design, deployment, and field testing // IEEE Sensors Journal. 2016. Vol. 16 . № 16. P. 6374–6386.
  2. Muhamad W., Hakim A. WSN and IoT Based Landslide Monitoring System // Test Engineering and Management. 2020. Vol. 83. P. 10926–10932.
  3. Kanungo D.P., Maletha A.K., Singh M., Sharma N. Ground based wireless instrumentation and real time monitoring of Pakhi landslide, Garhwal Himalayas, Uttarakhand (India) // Advancing Culture of Living with Landslides. Proceedings of the 4th World Landslide Forum (WLF4), 2017, Ljubljana, Slovenia, Europe (edited by M. Mikos et al.). Springer International Publishing, 2017. Vol. 3. Advances in Landslide Technology. DOI:10.1007/978-3-319-53487-9_33.
  4. Suryawanshi S.R., Deshpande U.L. Review of risk management for landslide forecasting, monitoring and prediction using wireless sensors network // Proceedings of the 2017 International Conference on Innovations in Information, Embedded and Communication Systems (ICIIECS). Coimbatore, India, 2017. Vol. 3. P. 1006–1011.
  5. Chen W., Chen X., Peng J., Panahi M., Lee S. Landslide susceptibility modeling based on an6s with teaching-learningbased optimization and satin bowerbird optimizer // Geoscience Frontiers. 2021. Vol. 12. № 1. P. 93–107.
  6. Chawla A., Pasupuleti S., Chawla S., Rao A.C.S., Sarkar K., Dwivedi R. Landslide susceptibility zonation mapping: a case study from darjeeling district, eastern Himalayas, India // Journal of the Indian Society of Remote Sensing. 2019 . Vol. 47. № 3. P. 497–511.
  7. Xudong H. Landslide susceptibility mapping using the stacking ensemble machine learning method in lushui, southwest China // Applied Science. 2020. Vol. 10 . P. 2–22.
  8. Van Khoa V., Takayama S. Wireless sensor network in landslide monitoring system with remote data management // Measurement. 2017. Vol. 118.
  9. Pitambar P. IoT based landslide detection and monitoring // International Journal of Research and Analytical Reviews (IJRAR). 2019. P. 25–32.
  10. Romdhane R.F., Lami Y., Genon-Catalot D., et al. Wireless sensors network for landslides prevention // Proceedings of the 2017 IEEE International Conference on Computational Intelligence and Virtual Environments for Measurement Systems and Applications (CIVEMSA), IEEE, Annecy, France. 2017. P. 222–227.
  11. Chavan S., Pangotra S., Nair S., More V., Nair V. Effective and efficient landslide detection system to monitor Konkan railway tracks // Proceedings of the 2015 International Conference on Technologies for Sustainable Development (ICTSD), IEEE, Mumbai, India. 2015. P. 1–6.
  12. Kim J., Kim Y., Jeong S., Hong M. Rainfall-induced landslides by deficit field matric suction in unsaturated soil slopes // Environmental Earth Sciences. 2017. Vol. 76. № 23. Article 808.
  13. Zhang Z., Glaser S.D., Bales R.C., Conklin M., Rice R., Marks D.G. Technical report: the design and evaluation of a basin-scale wireless sensor network for mountain hydrology // Water Resources Research. 2017. Vol. 53. № 5. P. 4487–4498.
  14. Nasseri M., Kim J., Green R., Alam M. Identification of the optimum relocalization time in the mobile wireless sensor network using time-bounded relocalization methodology // IEEE Transactions on Vehicular Technology. 2017. Vol. 66. № 1. P. 344–357.
  15. Pham B.T., Pradhan B., Tien Bui D., Prakash I., Dholakia M.B. A comparative study of different machine learning methods for landslide susceptibility assessment: a case study of Uttarakhand area (India) // Environmental Modelling & Software. 2016. Vol. 84. P. 240–250.
  16. Azarafza M., Azarafza M., Akgun H., Atkinson P.M., Derakhshani R. Deep learning-based landslide susceptibility mapping // Scientific Reports. 2021. Vol. 11. Article 24112.
  17. Qi T., Zhao Y., Meng X., Chen G., Dijkstra T. AI-based susceptibility analysis of shallow landslides induced by heavy rainfall in Tianshui, China // Remote Sensing. 2021. Vol. 13. № 9. Article 1819.
  18. Sufi F.K. AI-Landslide: software for acquiring hidden insights from global landslide data using Artificial Intelligence // Software Impacts. 2021. Vol. 10. № 1. Article 100177.
  19. Kshirsgar P., More V., Hendre V., Chippalkatti P., Paliwal K. IOT based baby incubator for clinic // Lecture Notes in Electrical Engineering. Proceedings of the ICCCE-2019 (ed. by A. Kumar, S. Mozar ). Singapore: Springer, 2020. Vol. 570. P. 349–355.
  20. Fanos A.M., Pradhan B., Mansor S., Yusoff Z.M., Abdullah A.F.B. A hybrid model using machine learning methods and GIS for potential rockfall source identification from airborne laser scanning datafication from airborne laser scanning data // Landslides. 2018. Vol. 15. Vol. 9. P. 1833–1850.
  21. Xi C. GIS-based landslide susceptibility assessment using optimized hybrid machine learning methods // CATENA. Elsevier BV, 2021. Vol. 196. Article 104833.
  22. Oza S. IoT: the future for quality of services // Lecture Notes in Electrical Engineering. Singapore: Springer, 2020. Vol. 570. Proceedings of the ICCCE-2019 (ed. by A. Kumar, S. Mozar). P. 291–301.

Статья в РИНЦ: https://www.elibrary.ru/item.asp?id=85275396