An exponential progression in the miniaturization of communicating devices has proliferated the generation of a large volume of data termed as “big data.” The technological advancements in the micro-electro/mechanical system has made it possible to design the low-cost, low-power consuming artificial intelligence (AI)-based wireless sensor nodes to gather the big data belonging to various attributes from their surroundings. These nodes help in the early detection and prediction for the occurrence of landslides, which are among the catastrophic hazards. A profusion of research has focused on exploiting the potential of sensors for continuous monitoring and detecting the landslides at the earliest. However, the limited energy resources of sensor nodes give rise to the huge challenge for the network longevity pertaining to landslide detection. To address this concern, in this article, we propose an optimized routing and big data gathering system for landslide detection using (AI)-based wireless sensor network (WSN) (ORLAW). Since we propose a distributed routing mechanism, AI has a major role to play in the intelligent detection of landslides that too without the intervention of an external entity. We use the Dynamic Salp Swarm Algorithm for the cluster head selection in ORLAW. Two data collecting sinks are deployed on the opposite sides of the network, which is assumed to be a mountainous area. It is discerned from the simulation examination that ORLAW elongates the reliability period by 23.9% compared with the recently proposed cluster-based intelligent routing protocol, and also outperforms many others in the perspective of energy efficient management of big data.

中文翻译：

---

基于物联网的滑坡检测优化路由和大数据采集系统

通信设备小型化的指数级发展激增了被称为“大数据”的大量数据的产生。微机电系统的技术进步使得设计低成本、低功耗的基于人工智能 (AI) 的无线传感器节点成为可能，以从周围收集属于各种属性的大数据。这些节点有助于及早发现和预测滑坡的发生，这是灾难性的灾害之一。大量的研究集中在利用传感器的潜力来最早持续监测和探测滑坡。然而，传感器节点有限的能源资源给与滑坡检测相关的网络寿命带来了巨大挑战。为了解决这个问题，在本文中，我们提出了一种优化的路由和大数据收集系统，用于使用基于 (AI) 的无线传感器网络 (WSN) (ORLAW) 进行滑坡检测。由于我们提出了一种分布式路由机制，人工智能在没有外部实体干预的情况下也可以在滑坡的智能检测中发挥重要作用。我们在 ORLAW 中使用动态 Salp Swarm 算法进行簇头选择。两个数据收集汇部署在网络的相对两侧，假设是山区。从仿真实验中可以看出，ORLAW 比最近提出的基于集群的智能路由协议延长了 23.9% 的可靠性周期，并且在大数据的节能管理方面也优于许多其他协议。在本文中，我们提出了一种优化的路由和大数据收集系统，用于使用基于 (AI) 的无线传感器网络 (WSN) (ORLAW) 进行滑坡检测。由于我们提出了一种分布式路由机制，人工智能在没有外部实体干预的情况下也可以在滑坡的智能检测中发挥重要作用。我们在 ORLAW 中使用动态 Salp Swarm 算法进行簇头选择。两个数据收集汇部署在网络的相对两侧，假设是山区。从仿真实验中可以看出，ORLAW 比最近提出的基于集群的智能路由协议延长了 23.9% 的可靠性周期，并且在大数据的节能管理方面也优于许多其他协议。在本文中，我们提出了一种优化的路由和大数据收集系统，用于使用基于 (AI) 的无线传感器网络 (WSN) (ORLAW) 进行滑坡检测。由于我们提出了一种分布式路由机制，人工智能在没有外部实体干预的情况下也可以在滑坡的智能检测中发挥重要作用。我们在 ORLAW 中使用动态 Salp Swarm 算法进行簇头选择。两个数据收集汇部署在网络的相对两侧，假设是山区。从仿真实验中可以看出，ORLAW 比最近提出的基于集群的智能路由协议延长了 23.9% 的可靠性周期，并且在大数据的节能管理方面也优于许多其他协议。我们提出了一种优化的路由和大数据收集系统，用于使用基于 (AI) 的无线传感器网络 (WSN) (ORLAW) 进行滑坡检测。由于我们提出了一种分布式路由机制，人工智能在没有外部实体干预的情况下也可以在滑坡的智能检测中发挥重要作用。我们在 ORLAW 中使用动态 Salp Swarm 算法进行簇头选择。两个数据收集汇部署在网络的相对两侧，假设是山区。从仿真实验中可以看出，ORLAW 比最近提出的基于集群的智能路由协议延长了 23.9% 的可靠性周期，并且在大数据的节能管理方面也优于许多其他协议。我们提出了一种优化的路由和大数据收集系统，用于使用基于 (AI) 的无线传感器网络 (WSN) (ORLAW) 进行滑坡检测。由于我们提出了一种分布式路由机制，人工智能在没有外部实体干预的情况下也可以在滑坡的智能检测中发挥重要作用。我们在 ORLAW 中使用动态 Salp Swarm 算法进行簇头选择。两个数据收集汇部署在网络的相对两侧，假设是山区。从仿真实验中可以看出，ORLAW 比最近提出的基于集群的智能路由协议延长了 23.9% 的可靠性周期，并且在大数据的节能管理方面也优于许多其他协议。