Int ern at i onal  Journ al of Ele ctrical  an d  Co mput er  En gin eeri ng   (IJ E C E)   Vo l.   15 ,  No.   1 ,  Febr uary   20 25 , pp.  425 ~ 434   IS S N:  20 88 - 8708 , DO I: 10 .11 591/ij ece.v 15 i 1 . pp 425 - 434           425       Journ al h om e page :  http: // ij ece.i aesc or e.c om   Q - lea rn i ng base d forec asting ea rly landsli de dete ction in   internet  of  t hing   wireless  sensor n etwork        Devas ahayam  Joseph  Jey akumar 1 ,  Bo omi na t han S han mathi 2 , P arap purathu  Ba hu layan  Smith a 1 ,  Sha li ni  Chowdary 3 ,  Th amiz ha r as an   P ann eerse lva m 1 ,   R aja go p al an  S r inat h 4 , Mu th u raj M arisel va m 1 ,  Mohana n  Mur ali 5   1 Dep artm en t of  E l ectron ics an d  Co m m u n icatio n  E n g in eering ,  J.N. N I n stit u te of E n g in eering ,  Ch en n ai,  Ind ia    2 Dep artm en t of  E l ectron ics an d  Co m m u n icatio n  E n g in eering ,  Vela m m al  I n stitu te of T echn o lo g y ,  Ch en n ai ,   Ind i a   3 Dep artm en t of  E l ectron ics an d  Co m m u n icatio n  E n g in eering ,  T. J .S  Eng in eering   C o lleg e,  C h en n ai,  Ind ia   4 Dep artm en t of  E l ectron ics an d  Co m m u n icatio n  E n g in eering ,  SRM  I n stitu te of Scienc e and   Techn o lo g y ,  Ch en n ai,  Ind ia   5 Dep artm en t of  Bi o m ed ical E n g in eer in g ,  J.N.N  Ins titu te of E n g in eering ,  C h en n ai,  Ind ia       Art i cl e In f o     ABSTR A CT   Art ic le  history:   Re cei ved   M a y 18,  2024   Re vised  A ug 19, 2 024   Accepte d  Se p 3, 2 024       The  issue  of   cl i ma t e  modi fi ca t io n  and   hum an  act ions  termin at es   i n  a   ch ai n   of   haz ard ous  d evelopme nts ,   co m pre hensive  of  la ndslide s .   Th e   tra d it ion al  appr oac h es  of   observing  the  envi ronm ent a l  at tri bu te s   that  is  a ct ua lly   obta ini ng   r ai nf all  d at a   fro m   pl aces  c an   be   cru el  a nd  suppress ing   supervising   nec essit at ed   for   ca r efu l   inf li c tion.  Thus ,   l ands li de   fore ca sting   and   ea r ly   noti c e  is  a  sign i fic an t  appl i catio n  vi a  wir eless   sensor  ne tworks  (W SN )  to   red uce  loss  of   lif e  and   prop ert y.   Bec ause   of   the  h ea vy  p rep ar ation   of  sensors   in  l andsli de   pros tra t e  r egi ons,   cl u steri ng  is  a   resou rce ful   m et hod  to   mi n im i ze  unnec essary  trans mi ss ion.   In  t his  art i cl e   we  i ntroduc e  Q - l ea r ning  base d   fore ca st ing  ea r l y  la ndsl ide  de tecti on   (Q - LFD)  in  in te rn et  of  t hing s   (IoT )   WSN.  Th e   Q - LFD  mecha nis m  u ti l iz es   a   d i ngo  opt im i za t io n  a lgori th m  (DO A)  to  choose   the  b est  cl ust e r  h e ad   (CH).   Fu rthe rmor e,  th e   Q - le arn ing   al gorit h m   fore c ast  the  la ndsl id e  by   soil   wa te r   c apa c it y ,   soi l   la yer ,   soil  te mp era tur e,  Sei smic   vibr at i ons,  and  ra infa l l.  Ex per imental  resul ts  il lustr at e   the  Q - LFD  m echani sm   rai s es  th e  la ndslid e   de te c ti on   accuracy.   In   add it ion ,   i t   mi nimize s   the false  positi v e, f a lse  neg at iv e  r at io .   Ke yw or d s :   Cl us te rin g   Dingo o ptimi z at ion     L an ds li de fo re cast ing   Q - le ar ning    Wireless  se nso r netw ork    This   is an  open   acc ess arti cl e   un der  the  CC  BY - SA   l ic ense .     Corres pond in g  Aut h or :   Dev a saha yam   Jo se ph Jeya ku mar   Dep a rtme nt of  Ele ct ro nics  and  C om m unic at ion   En gin ee rin g ,   J .N.N  Insti tu te  o f  Engine eri ng   Chen nai,  India   Emai l:  jayaku marjose ph33 @ gm ai l.co m       1.   INTROD U CTION   The  mo ti on of so il ,   r oc k,  and o the r  s ubsta nc e  dow nwar d  a  slop i ng  re gion o f   la nd  is ment ion e d  as   the   la nd sli de .  Hea vy  Ra in,  quak e s,  volc a no es ,  a nd  ad diti on al   na tural  a nd  synt hetic   proces ses   that  pro vi de  a  slop e  unbalance d  mi gh t   al l  the   act ivate s  for  la ndsli des  [1] .   T he  i nt ern et   of  thi ngs   ( Io T )   act s  a   si gn i ficant  funct ion  in  decidin g  t he  la nd sli de  issue s  [2],   [3 ] .  It  pres ents  a  se ver e  t hr eat   to   huma ns  an d  the  w or l d's  se ver al   cl as ses  of  pove rty  a nd  su r face  s urr ound i ngs.  La nds li des  pri ncipal ly  ha ppen   be cause  of  cl imat e  change  i n  the   su r rou nd i ngs  [ 4] .  The re   are   s ever al   cau ses   f or  la unc hing   s uch  a s   s urr oundin gs  f or  disas te r  reducti on,   i n  t hat  the  se nsor   noti ces  the   el eme nt   an d  i ns ta ntly   f orwards   the   data,  a nd  sp eci al   machi ne  le a rn i ng  al gorith ms  a re   app li ed   to   offe r  data  to   the   pe op le   ab out  the   disas te r.  It   is  a n  i nexpe ns ive   and  eas y  t o  i nst al l,  and  it   mi ght  be   employe d via a  semi - s kill ed  i nd i vidual  [ 5] .   Lan ds li des   are   an   im portance   dete rmin e d  m ov e ment   of  a   bu l k  of  ro c k,  s oi l  an d  dust  do wn  a   slo pe,  and  the y  ca n  ori gin  imp or ta nt   huma n  death  and  eco nomica l  losin g.   T he  e nh a ncin g  num ber  of  us ual  t ra ged ie s   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec   &  C omp E ng,  V ol.  15 , No .  1 ,  Febr uary   20 25 :   425 - 434   426   because   of  cl imat e  cha nge  is   of  vital   an xiety  [6] .   La ndsli de s  are   on e   of  the  pr e domi nant   ge ologic  haza rd s   tha t   resu lt   in   massi ve   huma n  an d  economic   los s es.  The   descr i bed  a nalysis   ha s   been  e xec uted   in   se ver al   na ti on s   thr oughout t he   world  as ill us tr at ed  in  Fig ur e   1.           Figure  1. Lan dsl ide  detect io n amo ng d i ff e rent  co untrie s       Th us ,   be f or e   oc currin g  t he  la nd sli de,  la ndsli de  forecast in g  is  a   sig nifica n t  issue   in  wi re le ss  se ns or   netw orks  ( WSN) .  Tra diti on al   mecha nisms - ba sed   la ndsli des   pr e dicti on   a na lysis  not  ade quat e  f or   f oreca sti ng  exact  posit ion  and   ti me  f or  bu l k  mo ti ons   [7] .  N owada ys ,  the  quic k  grow t h  of  ma chine  le ar ning   (M L )   al gorithm   diss eminat e  t hro ugho ut  se ve ral  in vestigat ors   ha ve   init ia te d  searc hing   into   discipli nary  [ 8] .  Ar ti fici al   intel li gen ce   (AI) ,  a nd   rem ote  se nsi ng   t o  detect i ng   la ndsli de  ha zard   e valuati on.  I oT  with  M L  to  ob s er ve  t he  ge ologica l  la ndsl ide  act io ns  to   protect   the   c re at ur es   f rom  t he   la ndsli des   [ 9] .   T he  i ncorpo ra ti on   of   a  dee p  le ar ning  m odel   with  r ule - based  obje ct - base d  ima ge   analysis  ( OBI A)   t o  noti ce  la nd sli des.   T he  va lue  of  every  pix el   in   the  heatma p  i ndic at es  to  the   po s sibil it y  that   the  pi xel  bel ongs  to  more over  la ndsli de  or  non - la nd sli de mo du le . H owe ver , it  can no t abl e to  forecast  b e fore   occurri ng   [10 ] . To  s olv e t hes e issues, Q - le a rn i ng   base d  f or eca sti ng  early   la ndsl ide  detect io n  i n  I oT  WSN.   S ever al   la nd sli de   te chn i qu e s  ca pab le   of  detect ing   t he  la nd sli de  e ff ic i ently;  th ough,  it   do es  no t  for ecast ing   the   la nd sli de.   T he  si gn i ficant  ai m  of   t his  arti cl e  is  to   introd uce  a   Q - le arn i ng  al go r it hm   to   recog nize  la ndsli des   well .   Th e  se ct ion   2  ex plains  Q - le arn i ng   base d  forecast in g  ear ly  la ndsli de  detect ion   in IoT  wireless  se nsor   netw ork .   Sect ion  3  d esc ribes  exp e rime ntal  r esults .   F inall y,   sect io n 4 prese nts c oncl us i on and  f uture  work.   Lan ds li des  pos e  a  rec urrin g  threat  in   the  Himala yan  re gion,   le a d in g  to  de vastat ing   c on seq uen ces   in   te rms  of   huma n  casualt ie s  a nd  pro per t y  da mage.  A   gr ound br ea king   mecha nism   is  us e d  t o  obse rvi ng  a nd   forecast in g  la ndsli des.  T his  s ys te m   ap plies  sens or  no des   to  i ncessa ntly  obser ve   a   s urr oundin g  sit uatio n   a nd   colle ct   pe rtin e nt  data.  This   m echan is m  util iz es  a   sup port  ve ct or  mac hin e   ( SVM),  k - nea re st  nei ghbor   (K - N N),  and   decisi on  tr ee  (D T ),   al gorithms  meas ured   the  gaine d  data  [11] .  T he  la ndsli des  pr e dicti on   s ys te m  util iz in g  the  ra dio   fr e qu ency  ( RF )   am pl ifie r  an d  recti f ie r  desi gn e d  a nd  in ve nted.   Ne xt,  a n  bo unda r y  am ong  t he  s ens or   sign al   outp ut  as  well   as   cl oud  c omp utin g  us in g  l ong  range  ( L oRa )   pic ked  out  a s  a  Io T   e nd  dev ic e   corres po ndin gly   [ 12] .   La ndsli de  disp la ce ment   predict   arti fici al   int el li gen ce  al gorithms   rai nf al l  an d  disp la ceme nt  da ta   purpos e   to  al low  a  reli abl e  early  wa rn i ng  wh ic h  ca n  f oreca st  la ndsli de   disaste r  a s  w el l  as   pro vid e earl y war ning  [ 13] . A  G a us sia n  pr ocess  to  foreca st t he  la nd sli de  in  WSN. T his  mecha nism m i nimize s   the  miss  with   wrong  al ar m   rati o  of  la ndsli de   [14] .  T he   grow t h  of  WSN  is  a  cos t - eff ic ie nt   s olut ion   f or  ob s er ving  par t ly  sta ble   slo pe s  to  f or ecast   la ndsli des  i n  P un e   a nd  M aha rash t ra.  A n  e ne rgy  e ff ic ie nt   WSN   app l ying  lo w  powe r  se nsor  node s  to  obser ve   the  m oistu re  of   so il ,  ru s hi ng ,  a ngle   of  ti lt   and  rain fall   int ensity  [15] .  Lan ds li de s  are  re peati ng   i ncessa ntly   wh e n  cau sin g  direct  e ff ect   on   human  li f e.  The  maj or   reason   fo ll owin g  rais e  in  la ndsli de   ha ppeni ng  is   cras h  of  c ha ng e   in   cl imat e  as  well   as  raisi ng  human   act ion.  Lan ds li de  ob se rv i ng   s ys te m  ut il iz es  a  sever a l  typ es  of   se nsors  t hat  can  be   app li e d  to  un i nterru pted  la ndsli de   risk  obser ving  hazar d  [16 ] .  D eep  le ar ning  al gori thm   is  util iz ed  to   av oid  la nd sli des.   T his  mecha nism  a ppli es  a   long  s hort - te r m  me mor y  ( L STM )   t o  re vea l  IoT - base d  usual   hazar d  obs erv i ng  a nd  f oreca sti ng  anal ytics  in  t he   hill s  [17] .  T he   enhance ment  of   forecast in g  la nd sli des   an d  early  al ert  by   app l ying  M L  wi th  I oT  te c hniqu es   us in g feat ures l ike m oisture   of so il , soil  of  fleece  strength , ra in se ver it y,  a nd  te rr ai n sl ope   [ 18] .    W i r e l e s s   s e n s o r   n o d e s   a r e   p r o v i d e d   a   h i g h   s e n s i t i v i t y   w i t h   hu g e   r e p o r t i n g   r e g i o n .   T h e   s e ns o r   e l e m e n t   d i s c o v e r s   t h e   s h a k i n g   o f   n a t u r a l   d i s a s t r o u s   f r o m   e a r t h   a f t e r   t h a t   i t   w i l l   f o r w a r d   d a t a   t o  o b s e r v i n g   l o c a t i o n   t h r o u g h   r a d i o   f r e q u e n c y   i d e n t i f i c a t i o n   ( R F I D ) .   M o i s t u r e ,   w e i g h t   a s   w e l l   a s   t i l t   m e t e r   i s   a p pl i e d   t o   o b s e r v e s   g l i b                                                                                                                                                                                     Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C omp E ng     IS S N:   20 88 - 8708         Q - le arnin g based f or eca sti ng ea rly  l ands li de  d et ect io n  in   …   ( Dev asa ha y am Jo s ep h  Jey akum ar )   427   r e p l y   f r o m   t h e   m o d i f y i n g   g e o - t e c h n i c a l   s i t u a t i o n .   T h u s ,   d e t e c t s   t h e   l a n d s l i de   w e l l   [19] .   T h e   l a n d s l i d e   s t r a i n   d a t a   a n d   s u b s e q u e n t   d i s t r i b u t e d   de c i s i o n   a l g o r i t h m   i m i t a t e   p r e s s u r e   v a r i a t i o n   o n   r o c k   t r i e s   o u t   a n d   c a l c u l a t e   t he   e q u i v a l e n t   s t r a i n .   T h e   v a r i a b l e   m e a n   G a u s s i a n   p r o c e s s   i s   m o d e l e d   t h e   s t r a i n   d a t a .   T h e   d i s t r i b u t e d   s c a l a r   b a s e d   r e c o g n i t i o n   o f f e r s   a s   b e t t e r   o u t c o m e s   r e g a r d i n g   f e a s i b i l i t y   of   m i s s e d   d e t e c t i o n ,   s m a l l e s t   e n e r g y   u t i l i z a t i o n   a n d   f a l s e   a l a r m   [ 2 0 ] .    L a n d s l i d e   p r e d i c t i o n   a n d   e a r l y   w a r n i n g   s y s t e m   i s   a n   i m p o r t a n t   a p p l i c a t i o n   w h e r e   s e n s o r   n e t w o r k s   c a n   b e   d e p l o y e d   t o  m i n i m i z e   l o s s   o f   l i f e   a n d   p r o p e r t y .   D u e   t o   t h e   d e n s e   d e p l oy m e n t   o f   s e n s or s   i n   l a n d s l i d e   p r o n e   a r e a s ,   c l u s t e r i ng   i s   a n   e f f i c i e n t   a p p r o a c h   t o   r e d u c e   r e d u n d a n t   c o m m u n i c a t i o n   f r o m   c o - l o c a t e d   s e n s o r s .   I n   t h i s   p a p e r   w e   p r o p o s e   t w o   d i s t r i bu t e d   c l u s t e r i n g  a n d   m u l t i - h o p   r o u t i n g   p r o t o c o l s ,   c l u s t e r   a i de d   m u l t i p a t h   r o u t i n g   ( C A M P )   a n d   h y b r i d   b e a c o n   v e c t o r   r o u t i n g   ( H B V R ) ,   f o r   t h i s   p r o b l e m .   W h i l e   C A M P   i s   a   n e w   c l u s t e r i ng   a n d   r o u t i n g   p r o t o c o l ,   H B V R   i s   a n   e n h a n c e m e n t   o f   B V R   w i t h   h y b r i d   e n e r g y - e f f i c i e n t   d i s t r i b u t e d   ( H E E D ) .   W e   f u r t h e r   e n h a n c e   C A M P   a n d   H B V R   w i t h   t h r e s h o l d   s e n s i t i v e   e n e r g y   e f f i c i e n t   s e n s o r   n e t w o r k   ( T E E N ) ,   a   t h r e s h o l d - b a s e d   e v e n t   d r i v e n   p r o t o c o l .   T E E N   i s   m o s t   s u i t a b l e   p r o t o c o l   f o r   t h i s   a p p l i c a t i o n   s i n c e   d i f f e r e n t   r o c k   t y p e s   c a n   h a v e   d i f f e r e n t   t h r e s h o l d s   f o r   s t r e s s   v a l u e s .   S i m u l a t i o n   r e s u l t s   s h o w   t h a t   C A M P - T E E N   g i v e s   t h e   b e s t   p e r f o r m a n c e   w i t h   r e s p e c t   t o   n e t w o r k   l i f e   t i m e   a n d   e n e r g y   c o n s u m p t i o n   [15] .   T h e   o b s e r v i n g   a n d   f o r e c a s t i n g  e v e n t s   f o r   d e t e c t i n g   L a n d s l i d e s .   A n   o p t i m a l   l o c a t i o n   f o r   s i n k   a s s i g n m e n t   t o   e n h a n c e   t h e   f e a t u r e s   f o r   e x a m p l e   d e l a y ,   o b t a i n e d  r a t i o ,   a n d   j i t t e r   [21] .   A   m a g n e t i c   i n d u c t i o n   e s t a b l i s h e d   l o c a l i z a t i o n   t h a t   p r e c i s e l y   a n d   p r o f i c i e n t l y   p o s i t i o n e d  a r b i t r a r i l y   d i s t r i b u t e d   s e n s o r s   b y   l e v e r a g e   t h e   m u l t i p a t h   f a d i n g .   A   t w o - s t e p   p o s i t i o n i n g   m e t h o d   f o r   g e t t i n g   r a p i d   a n d   p r e c i s e   l o c a l i z a t i o n   o u t c o m e s :   p r i m a r y ,   f o r m u l a t i n g   t h e   f a s t - i ni t i a l   l o c a t i n g   d u r i n g   a n   t a c k i n g   d i r e c t i o n   i n c r e a s e d   L a g r a n g i a n   p r o c e s s   f o r   u n e v e n   s e n s o r   p o s i t i o n s   i n s i d e   a   s m a l l   p r o c e s s i n g   t i m e ,   a n d   n e x t   s u g g e s t i n g   f i n e - g r a i n e d   p o s i t i o n i n g   f o r   e x e c u t i n g   g r e a t   e x p l o r a t i o n   f o r   o p t i m a l   p o s i t i o n   e v a l u a t i on   t h r o u g h   t h e   c o u p l e d   g r a d i e n t   a l g o r i t h m   [ 2 2 ] .   L a n d s l i d e s   c a n   b e   d i s c o v e r e d   b y   s t u d y i n g   t h e   e n v i r o n m e n t   d a t a   t h r o u g h   s e n s o r   n o d e s .   H e n c e ,   f o r e c a s t e d   t h e   l a n d s l i d e s .   A r t i f i c i a l   n e u r a l   n e t w o r k s   ( A N N )   p r o v i d e   p r e c i s e   f o r e c a s t i n g   a n d   r e v e a l   h i g h   l e a r n i n g   c a p a b i l i t y .   C o n v e r s e l y ,   t h e   A N N   a l g o r i t h m   t o   u n b a l a n c e d   d a t a   a l l o c a t i o n .   A   s w i t c h i n g   p o l i c y   w h i c h  c a n   d e c i d e   b e t w e e n   d i s s i m i l a r   p r e d i c t o r s   a l o n g   w i t h   e c o l o g i c a l   s t a t e s   [ 2 3 ] .   T h e   f a l l   d e t e c t i o n   m e t h o d   t h a t   u t i l i z e s   a n   I o T   h a v e   s e v e r a l   r e s t r i c t i o n s ;   f or   e x a m p l e ,   l a t e n c y ,   e n e r g y   u t i l i z a t i o n ,   a n d   l e s s e r   f u n c t i o n .   T h i s   m e t h o d   d e t e c t i n g   f a l l s   a p p l y i n g   a   w e a r a b l e   a c c e l e r o m e t e r   [24] .   A   f l e x i b l e   a n d   p r o f i c i e n t   f o r   d i s c o v e r i n g   r a i n f a l l -   c a u s e d  l a n d s l i d e s .   T he   W S N - a l t e r e d  a r c h i t e c t u r e   f o r   r a i n f a l l   o b s e r v i n g   m e t h o d   t o   b r o a d c a s t   a n d   g a t h e r   r e a l   t i m e   d a t a   u t i l i z i n g   g e n e r a l   p o c k e t   r a d i o  s e r v i c e   ( G P R S ) .   T h e   S V M   a l g o r i t h m   t o   f o r e c a s t i n g   t h e   r a i n f a l l ;   t h u s ,   i t   d e t e c t s   t h e   l a n d s l i d e   [25] .       2.   METHO D   In  W SN,  se ve ral  se ns ors   tog et her  oc casi on al ly   ob se r ve   the   surr oundin g  sit uati on  an d  gath e r   correla te d  deta il s,  ne xt,  it   f or wards   it   t o  a   ba se  sta ti on  ( BS ) .   T he n  t he  BS   eval uates  a  la nd sli de  est a blishe d  on  the  gathe red  da ta   an d  f orwards  a n  al arm   f or  a   feasi ble  l andsl ide  t o  a   cl oud  ser ver  on  t he  off   cha nc e  the  la n ds li de   ou t pe rforms  a  pre set   th reshold   for  e arly   la ndsli de  a vo i dan c e.   F oreca sti ng   la ndsli de   is   a  vital   com pone nt  of  functi onal   earl y  no ti ce  s ys te ms  with  Io T   te chnolo gy.   Th us,  it   is  a pp li ed   to  e xp a nd  a  la nd sli de  forecast in g  m odel .  WSN  c onta ins  numb e r  of  sel f - go vernin g  m obil e  sen s or  no des,   w hich  util iz es  to  obser ve   env i ronme ntal  sit uation.  The   BS  is  act s  the  owne r  of  th e  WSN  a nd   al l  mobil e  sens or  nodes  a re  reg i ste red   with  the   BS.  The  pro po se d  sy ste m  util iz es  the  se ns or  no des  li ke  Diel ect ric  mo ist ure  sens or   t o  mea s ur e  t he   water   capaci ty   in  the   s oil,  te m per at ur e   se ns or   obse rv es   th e  s oil  te mp e ratu re ,  Til t  se nsor   as sessed   la ye r  of   so il ,   Seismi c  vib rati on s   a re  e valua te d  by  a pp l ying  acce le romet er  a nd  Ra in   gauge  se nsor   no ti ce  the   rai n  fall .  T he   pro po se d  sy ste m  obse rve s  a   sign ific a nt  in di cat or   via  glob al   na vig at io n  s at el li te   sy ste m  ( GNSS)  e qu i pm e nt   with  I oT  se nsors .  The  disto rtion   a nd   de va sta ti on   de velo pm e nt  of   t he  la ndsli de,   to  de te rmin e  a nd   pr e dict  dange rous  c on diti on s   in  ti me   f or   e xten uatin g  e valuates  t o  avo i d  the   li fes pan  fail ure  i nduced  by  unex pe ct ed   disaste rs.  A   w ho le   la ndsli de   detect in g  s yst em  ad mit s  da ta   no ti ci ng,   ac qu isi ti on,  t ransmi ssio n,   rece iving,   processi ng,  de ci sion ,  ea rly  al ert,  an d  reacti on.   Fi gure  2  e xpla ins  c ompon ents   of  Q - le ar ni ng   base d  f ore cast ing  early la nd sli de dete ct ion ( Q - L FD )   mec ha nism.   In it ia ll y,   the  s ens or   nodes  a re  posit io ned   in  a  la ndsli de   reg i on,  a nd   t hese  nodes  ob serv e s  the n  forw a r d  to  t he   BS.  T he  num ber   of  se ns or  nodes  a re  gro uped   into   cl us te rs  [ 26]   by  re c ei ved   st rength   sign al  ind ic at io n  (RS SI )   the n  sel ect s  the   GH  base d   on  t he   di ngo  opti miza ti on  al gorithm   ( DOA) .   T he   f orma ti on   of   cl us te r  base d  on  t hr ee   le vels:  le sser,   mid wa y  an d  hi gh e r.   T he  l ow e r  le vel  RSSI   no des  no t  able  t o  c onne ct   the   gro up,  thus;   it  le aves  the  gr oup.   T he  valu e  of   RSS I  is  midd le ,  t he  se ns or  node  co nsi der   c han ces  a  grou p  membe r ( GM ) .  Th e  v al ue of R SSI   gr e at  that  h ig hly cha nce s a GM .   This  a ppr oac h  util iz es  a   D OA  to   pick   ou t   an   e ff ic ie nt  GH  base d  on   D O A  pr ocess   li ke  ci rcu m fer e ntial ,  chasi ng   a nd a tt acking   t he  obje ct .  Di ngo  is   capa ble  to  de te rmin e  the   lo cat ion   of   t he  obje ct .   Af te r wa rd   sear chin g  the   loca ti on ,  t he  group   fo ll owe d  by  al ph a  ci rcles  the  ob je ct .  It  is   recog nized  t h at   the  Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec   &  C omp E ng,  V ol.  15 , No .  1 ,  Febr uary   20 25 :   425 - 434   428   reacha ble  a  bet te r  age nt  is  t he   obje ct ,  wh ic h  is  relat ed  t o  th e  opti mal  since   the  c hasin g  a r ea  is  not  recog nized   a priori.   a.   Ci rcu m fer e ntial :  Along  with  t he  ci rcumst anc es  of   the   obje c t  (R*,   S*),   a   din go   can   resto r e  it s  locat io n  a t  the  lo cat ion  of  (R,   S ).  Eac h  e xecu ta ble  l ocati on s   are   note d  arou nd  the   bes t  age nt,   co ns id erin g  t he  prese nt   locat ion  via   m od i fy i ng  the   ve ct or s   val ue.  It   is  e vid e ntly  de monstrate d  how  a r bitrar y  vec tors  1   as  well   as   2   al locat e  ding oe s  to   par ti ci pat e  e very  l ocati on  a m ong  the   points.   T he   di ngoe s  t o  a da pt  t heir   locat io ns  within t he hunt  area a bout t he ob je ct  in  a ny ra ndom l ocati on is e xpos e d  i n  ( 4 )   a nd  ( 5 ) .     → = | → . → ( ) − → ( ) |   (1)     → ( + 1 ) = → ( ) − → . → ( )   (2)     wh e re ,        → = 2 ⋅ 1 →   → = 2 ⋅ → ⋅ 2 → − →   → = 3 − ( ∗ ( 3 ) )     b.   Chasin g:  I n  thi s  par t,   al l  G M   resem bling  al pha  as  well   as  be ta   hav e  a n  im pro ved   a wa reness  re gardin g  t he   ob je ct   l ocati on.  T he  al pha   di ngo  e ve rlast in gly   operates   the  e xp l or i ng.  On  the   ot her  hand,  oc casi on al ly  beta  dingo e s  al so   donate   in   e xp l or i ng.  As   pe r  the   locat i on  of  the   be st  sea rch  age nt,   ot he r  dingo e s  requi re  to  noti f y  thei r   locat io n.   It  a nnounce s  that  al ph a  a nd  beta   ding oes  a da pt  their  l ocati ons  ra ndom l y  a nd   cal culat e  the   lo cat ion   of  t he  obje ct   in   the   sea rch  s pace.   A fte r  t hat  we  wor k  out  e ve ry   ding o  i nt ensity   ( I)  i s   sp eci fied  in ( 6), (7) an d ( 8) .     → = | 1 → . → − → |   (3)     → = | 1 → . → − → |   (4)     → =  ( 1 − ( 1 − 100 ) + 1 )   (5)     → =  ( 1 − ( 1 − 100 ) + 1 )   (6)     c.   Atta ckin g  o bje ct :  If   there  are   no   ci rc umst an ces  modif y,   it   act s  din go  fi ni sh e d  the  chas e   via  at ta cking   t he  ob je ct .   Di ngoe s  cha se  for  t he  ob je ct   usual ly  tog et he r   with   the  gro up  locat i on.  T he y  f or e ve r  tra vel  proce e d  to  path   for   an d  strike   pr e dat or s .  Acc ordin gl y,   it   is  a ppli ed   f or  ra ndom  va lues  (RV ),  if   the   R V < – 1 ,  it   anno un ce s  obj ect   is  travel  l eft  from  t he  sea rch   a ge nt,  th ough  if  t he  RV   > 1 ,  it   den otes  gro up   nea rs  the   ob je ct . T his  int erv e ntio n helps  the  dingo e s to   ob s er ve  the  obj ect s g lo bally.           Figure  2. Com pone nts  of   Q - L FD   mecha nism           b s e r   i n g   n   i r o n m e n t       t r a ns m i t t he   da t a   t o        l u s t e r   o r m a t i o n      e l e c t i o n D a t a a g g r e g a t i o n       f o r   a r d t h e   d a t a   t o          r e c e i   e d t h e   d a t a         n a l     e t h e   d a t a   o r e c a s t i n g   a n d s l i d e   o r ec as t i n g   a n d s l i d e   l e r t m e s s a g e Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C omp E ng     IS S N:   20 88 - 8708         Q - le arnin g based f or eca sti ng ea rly  l ands li de  d et ect io n  in   …   ( Dev asa ha y am Jo s ep h  Jey akum ar )   429   2.1.    Q - le ar ning  b ase d landsl ide  f orecastin g    Lan ds li de  dete ct ing   est a blish ed  on  I oT   an d  WSN p r ovides   real  ti me d et e ct ion , w it h  acc ur at e ness  a nd  la cking  a ny  pe rson   mist ake .  I n  a ddit ion,  t he   W SN  cat c hes  an  im porta nt  I oT   data   of   la ndsli de   pro ne   re gions.   WSN  is  a  pro misi ng,  reli abl e,  an d  c heap  equ i pm e nt  tha t  prov i des  rea l - ti me  monit ori ng   more  e xtensiv e   distances  a nd  ho sti le   te rr ai ns .  IoT  with  WSN  util iz e  adv a nce d  co m munica ti ng   a ppr oac h  an d  e xamine   com pound  se nsor   data.  It  is   a ble  to   no t   me r el y  no ti ce   la nd sli des  bu t   ca n  al so   forecast   th em.  All  of  the s e  data  are   ap proac ha ble  to  t he  gove r nm e nt  re f err e d  by  the   mobil e  ap pl ic at ion .  Re la te d  a uthoriti es  li ke  administrati on  age ncies,   a nd  tra gedy   ma na geme nt  on  a   r eal   ti me  basis.   E ven  local   pe op le   can   al s o  ob ta i n   la nd sli de   al ar ms   on  t heir   m ob il e   by   this   s ys te m.   Admini strat ion  a gen ci es  ca n  al so  dis tribu te   Re scue   pla ns   with  la nd sli de   imp resse d  pe op le s .  Io T   bas ed  forecast   la nd sli de  recog ni ti on   a nd  obse rv i ng  s ys te ms  giv e   a   whole tra ns mis sion cha nnel .    This  mecha nis m  util iz es  a  BS  act s   a   ce ntral  a ge nt  a nd  eac h  no de  plays   a n  a ge nt ,  an d  the y  consi der at el y  distrib ute  the  da ta   betwee n  ne ighbor  nodes  t o  create   wh ic h  each  se ns or  disti nguish es  t he   sta te  transmissi on  be hav i or.  Q - Le arn i ng   deter mines  op ti mal  f un ct io n  ai ms   to  f or ecast   t he   la nd sli d e .  T he  Q L   ob je ct ives   to   f or ecast   the   re ward   (R W)  li ke   la ndsli de   of   an  a ge nt  by  ac ti on s.   T he   age nt  route  c ollec ti on   is   employe d  t o  la nd sli de  or  no r mal  the  co ncerned   decisi on.  Ther e f or e,   the   bette r  decisi on   is  sel ect ed   by   rew a rd.  The  Q - L  value   is  a pp li ed   to   ob ta in   a n  opti mal  act ion  pro cess  pr e dict  th e  f uture  la nd sl ide.  We   obse r ved  the   la nd sli de   re gion,  i n  that  f or ec ast   the  la ndsli de   via  R W,   a nd  le sser  RW   res ul ts  are  el imi nat ed.   He re  S  a ct s  the   Stat es,  and   A  com pr ise s  th e  act ion .  T he  co nclusi on   to  de ci de  the  s peci f ie d  sta te 's  act i on s  is  to  im pr ov e  t he   RW  of   present  and f uture R W .    This   mec han is m  facto r  a s  f ollow s   { SA,  AC,   RW,   P O}.  W he re,   S A  i nd ic at es  the   sta te ,   A C  re pr e sents   the  act ion ,  R W  in dicat es  the  rew a rd,  as  w el l  as  PO   corr esp onds   the  fe asi bili ty  of   la nds li de.   Allow  curren t   sta te   play s  t he   ,  f uture   sta te   in dicat es  t he  ,  a nd    r efe rs  t he  ti me   of  wa it ing   for   gat he red  data.  The     QL - ta ble  help s   to  detect ing   a  bette r  act ion   f or   eac h  sta te ,  The  val ue  (  ,   )  offer s  t he  RW  of   c urren t  a nd  fu t ur e   w h il e  a ct ion   a   is   pe rformed   at    .  We   co ns i der  that   the  a gen t   sel ec ts  an   act io n  ac   in    ,   dete rmin e s   RW a nd ex te nds i nto   fu t ur e  s ta te    ′ . N e xt,  t he QL,   (  ,   )   is f orm ed  as   ( 7) ,      (  ,  ) − ( 1 − )  (  ,  ) + {  + .  (  ′ ,  ) }   (7)     w he re,     ref er s t he Q - le ar ning  r at e and    dep ic t s the  forthc om i ng RW  d isc ount as pect.   Take  t he  act io n  in dicat es  the   ag gr e gated  da ta   is  transmit  t he  c urren t  sta t e  to  nex t  sta te ,   the  RW   is   determi ned  the   curre nt  sta te   SA ;  the   act ion  of  Q V - ta ble  f or   sta te     is  m odifie d.  It  e nha nces  t he  qu al it y  of  serv ic e   ( Q oS )   and  data  a ggre gation;   f ur t hermo re,   it   is  c ompu te d  at   the   f ut ur e   sta te .  The   RW  ru le   is  util iz ed  to   choose   a  Q - Le arn i ng  best  s olu ti on.  The n  ca lc ulate   the  R W  by  water   c apacit y  ( WC),  te mp e ratu re  ( T),  so il   la yer  (SL),   sei smic  vib rati ons  ( SV)  a nd  ra infall   (R )  an d  RW   cal culat ion  e qu at io n  is   bel ow.  W here,  the   add it io nal  disc ount  a sp ect   is  app li ed   to   the   RW,   w hich   is  need e d  to   eva de   bac k  wa r ding  a nd  disc ount   asp ect   range i nvolv i ng  0  to  1.      =  × ( +  +  + )   (8)       3.   EXPERI MEN TAL RES UL TS A ND DIS CUSSIO N   The   Q - le ar ning  base d  f oreca sti ng  earl y  la ndsli de   detect io n  ( Q - L FD)   m echan is m  is   e xecu te d  an d  examine d  in   la borato ry  with  act ual  se nsors   f or  one - m inu te .   W SN  c omprise   seve r al   sens or  node s  li ke   te mp erat ur e   a nd   rain fall   ob serv i ng  se nsor ,  water   ca pacit y  obser ving   s ens or ,   vibrat io n  obser vi ng  s ens or .   Figure  3  e xpla ins  the  ha r dware  for  f or e cast ing   la ndsli de .  T his  fig ur e  con ta in s  te mp e ratur e  a nd   rainf a ll   ob s er ving  se nsor ,  water  ca pac it y  obser ving  s ens or ,  vibrat io n  obse rv i ng   se ns or.  These  se ns or  nodes  obs erv i ng   and  ea rly  wa rni ng  platf orm  offe rs  a   c omplet e  inv e sti gatio n  of  the   ob s er ving   data  t hat  al lots  vis ualiz at ion   of   data f rom all   obser ving l ocati on s  f or the  lan ds li de.   F i g u r e   4   d e m o n s t r a t e s   t h e   O B I A   a n d   Q - L F D   o f   t h e   l a n d s l i d e   f o r e c a s t i n g  a c c u r a c y   r a t i o  a g a i n s t   n o d e   d e n s i t y .   T h e   n o d e   d e n s i t y   s e n s i t i v e l y   d e t e r m i n e s   Q - L F D   m e t h o d   a c c u r a c y .   T h e   n o d e   s i z e  i n c r e a s e s  t h e   a c c u r a c y  r a t i o   v a g u e l y   i n c r e a s e d   i n   t h e   W S N .   T h e   Q - L F D   m e c h a n i s m   r e s u l t s   e x p l a i n   t o   r e a c h  g r e a t   a c c u r a c y .   F rom   Figure  4,  w he n  raises  t he  se nsor   no des  t he  a ccur ac y  rati o  of  OBI A  a nd  Q - LF D  me cha ni sm  is  i ncr ease d.   The   Q - L FD  mec ha nism  acc uracy   rati o  is  high  since  it   forecast s   the  la nd sli de  eff ic ie nt ly .  But ,  the   Q - LF D  c an no t  able  to   f oreca s t  the  la nd sli de   eff ic ie ntly .  Durin g  la ndsli de   detect ion,  the   mecha nism   f oreca sts  the   cha nc e  of  a   la nd sli de .  But  there  is  no   c ha nce  of   a  la ndsli de  occ urrin g.  From  t he  re s ults,  the  mech anism  is  detect ing   it   wrongl y,   w hic h  is  cal le d  a  f al se  al arm.   Fig ur e   5  ex plains   the  False   al ar m  cha nces   of  t he  OBI A  a nd  QLFD   against e xperi ments c ount.     Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec   &  C omp E ng,  V ol.  15 , No .  1 ,  Febr uary   20 25 :   425 - 434   430       Figure  3. Ha rdwar e  for  la ndsli de  pre dicti on           Figure  4. Acc uracy  of  OBI A and Q - LF D  a ga inst  no de den sit y           Figure  5. False   a la rm of OB I A  a nd Q - LF D agai ns t  it erati ons   0 0.2 0.4 0.6 0.8 1 1.2 20 40 60 80 100 OB IA Q -LFD Sensor  Nodes Ac curacy   Rat io 0 0.05 0.1 0.15 0.2 0.25 0.3 10 20 30 40 50 OB IA Q -LFD Number of Iterat ion s False  Alarm Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C omp E ng     IS S N:   20 88 - 8708         Q - le arnin g based f or eca sti ng ea rly  l ands li de  d et ect io n  in   …   ( Dev asa ha y am Jo s ep h  Jey akum ar )   431   Fr om  Fig ur e   5,  e valuate  t he  numb e r  ex per i ments  t he  Q - L FD  mec han is m  false   al ar m  rate  is  belo w   0.1  pe rce ntage .  Since,  t he  Q - L FD   mecha nism  f or e cast s   the  la nd sli de   eff ic ie ntly.   It   is  sp eci fied  as  the   c orrelat ion  am ong  the   c ount   of  normal   ti me  is  i na pprop riat el y  pr e dicti ng  a  la ndsli de   as   well   as   the   tota l  co unt   pr e dicti on.  B ut ,  the   e xisti ng  OBI A  mecha ni sm  raises  t he  f al se  al arm   bec ause,   it   ca n no t  forecast   t he  la nd sli de  eff ic ie ntly . F i gure  6 desc ribes  the   false p os it ive  rati o  a gainst  it erati on s.     Figure  6  il lust rates  the  false   posit ive  rati o  of  Q - LF D  a nd  OBI A  mec ha nisms.   W he n  increase s  a n  it erati on   c ount ,  the   rati o  of  f al se  posit ive  is   hi gh.  The   Q - LFD  mec ha nism  rate  of  the   highest  false  posit ive   rati o  is   0.11  a nd  t he   lo west  le vel  of  false  po sit ive  rate   is  0.01.  Be ca us e ,  of  t he  Q - LF D   mecha nism   uti li zes  a  Q - le ar ning  t o  detect   the  ea rly  la ndsli de  ef f ic ie ntly.  It  is  sp eci fied   as  t he   correla ti on  a mong  the  c ou nt  of  normal  ti me  i s  inap pro pr ia t el y  predict in g  a  la ndsli de  a s  well   as  the   total   count  it erati on s .  Howe ver,  the   existi ng  OB IA  mec han is m  i ncr ease s  th e  f al se  posit ive  r at io  since   it   c an no t   forecast   the   la ndsli de   well .   Figure  7 desc ribes  t he  false  n e gative  rati o  a ga inst it erati on s .     Figure  7  il lustrate s  the   false  neg at ive   rati o  of  Q - LF D   an d  OB IA  mec ha nis ms.   Wh e n  increase s  a n  it erati on   co unt,   the  rati o  of  fa lse   neg at ive   ra ti o  is  high.  T he   rate  of  the  m aximum  false  neg at ive   rati o  is  0.1   and  the   lo west   le vel  of  false   neg at ive   rate  i s  0.0 3.  F or  the   reas on  th at ,  of  the  Q - LF D  m echan is m  a pplyin g  a   Q - le ar ning  t o  disti nguish  the   early   la ndsli de   powe rfull y.  But,  the   existi ng  OB IA  mec han is m  lo west   le vel  of  false  ne gative  rate  is  0.0 7  an d  the  highest  f al se  neg at ive  r at e  is  0. 21.  Sin ce  it   can n ot  ab le   to  befo re  f oreca st   the lan ds li de.           Figure  6. False   posit ive r at i o of   OBI A  a nd  Q - L FD agai ns t   it erati on s           Figure  7. False   ne gative  rati o  of  OBI A  a nd  Q - L FD agai ns t   it erati on s   0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2 10 20 30 40 50 OB IA Q -LFD False  Po siti ve  Rat io Number of Iterat ion s 0 0.05 0.1 0.15 0.2 0.25 10 20 30 40 50 OB IA Q -LFD False  Neg at ive  Rat io Number of Iterat ion s Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec   &  C omp E ng,  V ol.  15 , No .  1 ,  Febr uary   20 25 :   425 - 434   432   4.   CONCL US I O N   This  pa per  give s  the   Q - le ar ni ng  base d  forec ast ing  early   la nd sli de  detect ion  mec ha nism   desi gn  a nd  execu ti on  of  Io T  WSN  est ablishe d  on  r eal - ti me  obser ving  of  e nv i r onmental   ar gu ments  f or  la ndsli des  pr e dicti on.  I niti al ly,  the   se nso r  nodes   a re  f orm  the   gro up  th en  sel ect   the   group   hea d  base d  on  D OA  al gorith m  fitness  f unct io n.   Re al   ti me  obser ving  of   s oi l  par amet er s   a nd   ea rly  pr e dic ti on   syst em  ap ply in g  par a mete rs  li ke  so il   wate r  ca pa ci ty,  s oil  la ye r,  so il   te m pe ratu re,  sei smic  vibrat ion s ,  a nd  rai nf al l.   The se  pa rameters   value s  are   com par e d  a nd  early  warnin gs  are  ge ner at e d  by  a pp l ying - l earn i ng  al gorit hm .   T hen  al ar m  is  a ct ivate d  in  the  reg i on  to  noti fy   a bout  occurr ing   of  La ndsli de  in   earl y.   T hus,  a voids   m ore  da ng e r ou s   is su es  due  to   la ndsli de.   The  e xp e rime ntal  resu lt s  re veals  that  the  Q - L FD   mecha nism  mi nimize s  the  false  posit ive,  false  neg at ive   rati o.  Furthe rm or e ,  it   incre a se s  the d et ect ion acc ur ac y  rati o.  In  f uture,  t o  prov i de  data   sec ur it y  f or   i nformat ion  gathe rin g  in  land sli de  e nv ir onme nt.       REFERE NCE S   [1]   K.  Das,    .    ajum d ar,     .    ou lik ,  an d    .    u jita,   “Re al - tim e   th resh o ld - b a sed   lan d slid e  p redictio n   sy stem  for   h illy   regio n   u sin g    ireless   sen so r  n e t o rks ,”  in   2 0 2 0   IE E E   Inter n a tio n a l  Co n feren ce  o n   Co n su mer  Electro n ics  -   Ta iwa n   (I C CE - Ta iwa n ) ,  Sep .   2 0 2 0 ,  p p .  1 – 2 ,  d o i:  10 .11 0 9 /ICCE - Taiwan4 9 8 3 8 .20 2 0 .9 2 5 8 1 8 1 .   [2]    .    m g ain ,    .  Ku m ar ,   .    ajg ain ,  a n d    .  Rai,  “  and slid es  p redictio n   an d   d etectio n   u sin g   Io T  s  stem, ”  in   2 0 2 3   2 n d   Inter n a tio n a l  Co n feren ce  o n   Vi sio n   To wa rd s  Emerg in g   Tren d s  in   Co mmu n ica tio n   a n d   Netw o rkin g   Tech n o lo g ies  (V iTE Co N) ,  May  2 0 2 3 ,     p p .  1 – 6 ,  d o i: 10 .1 1 0 9 /ViTE Co N5 8 1 1 1 .20 2 3 .1 0 1 5 7 0 7 7 .   [3]    .  Ku m ar     .  an d    .   V.   Ra m esh ,  “  ccurate   IoT   b ased   slo p e  in stab ilit    sen sin g   s  stem  for   lan d slid e  d etectio n ,”  IE EE   S en so rs   Jo u rn a l ,  v o l.  2 2 ,  n o .  1 7 ,  p p .  1 7 1 5 1 – 1 7 1 6 1 ,  S ep .  2 0 2 2 ,  d o i: 10 .11 0 9 /JSEN. 2 0 2 2 .3 1 8 9 9 0 3 .   [4]    .   . ,  V .    .   .    . ,   an d    .    h aji,  “  an d slid e  id en tification   u sin g   m achi n e  learnin g   tech n iq u es:  Re  ie ,  m o ti   atio n ,  an d   futu re   p ros p ects,”  Ear th  Scien ce I n fo rma tics ,  v o l.  1 5 ,  n o .  4 ,  p p .  2 0 6 3 – 2 0 9 0 ,  Dec. 2 0 2 2 ,  d o i : 1 0 .10 0 7 /s1 2 1 4 5 - 022 - 0 0 8 8 9 - 2.   [5]   S.  R.  M eena  et  a l. ,   “ and slid e  d etectio n   in   th e   im ala  as  u sin g   m achi n e  learnin g   alg o rithms  an d   U -  et,”  La n d slid es ,  v o l.  1 9 ,  n o .  5 ,  p p .  1 2 0 9 – 1 2 2 9 ,  2 0 2 2 ,  d o i: 1 0 .10 0 7 /s1 0 3 4 6 - 022 - 0 1 8 6 1 - 3.   [6]     .   K a u s h a l   a n d   V .   K .     e h g a l ,   “ T h r e s h o l d   b a s e d   r e a l - t i m e   l a n d s l i d e   p r e d i c t i o n   s y s t e m   u s i n g   l o w - c o s t   s e n s o r   n e t   o r k s , ”   i n   2 0 2 3   3 r d   A s i a n   C o n f e r e n c e   o n   I n n o v a t i o n   i n   T e c h n o l o g y   ( A S I A N C O N ) ,   A u g .   2 0 2 3 ,   p p .   1 – 7 ,   d o i :   1 0 . 1 1 0 9 / A S I A N C O N 5 8 7 9 3 . 2 0 2 3 . 1 0 2 6 9 9 3 1 .   [7]   D.  Miya m o to   et   a l. ,  “ o n stru ctio n   o n    irel ess   lin k   b et  een  Io T  sen so r   n o d es  an d   g ate a   for  lan d slid es  p red ictio n   s  stem, ”   i n   2 0 2 1   IE EE   US NC - URSI  Rad io   S cien ce  Meetin g   (Joint  with   AP - S   S ymp o siu m) ,  Dec.  2 0 2 1 ,  p p .  1 2 2 – 1 2 3 ,  d o i :  1 0 .23 9 1 9 /USNC - URSI5 1 8 1 3 .2021 . 9 7 0 3 6 2 3 .   [8]   F.  S.   T eh rani,  G.   San tin elli,  an d    .    er rer a    e rr e ra,   “ ulti - regio n al  lan d slid e  d etecti o n   u sin g   co m b in e d   u n su p ervis ed   an d   su p er is ed   m achi n e  learnin g ,”  Ge o ma tics,  Na tu ra l  Ha za rd s  a n d   Risk ,  v o l.   1 2 ,  n o .  1 ,  p p .  1 0 1 5 – 1 0 3 8 ,  2 0 2 1 ,  d o i :   1 0 .10 8 0 /1 9 4 7 5 7 0 5 .20 2 1 .1912 1 9 6 .   [9]   A.  Jo sh i,  D.  P .  K a n u n g o ,  an d   R.  K.  Pan ig rahi,  “De el o p m en t  o f  lan d slide  forecastin g   s  stem  u sin g   d eep  learnin g ,”  in   2 0 2 3   IE EE   App lied  Sen sin g  C o n feren ce ( AP S CO N) ,  Jan .  2 0 2 3 ,  p p .  1 – 3 ,  d o i: 10 .1 1 0 9 / APSCON5 6 3 4 3 .2 0 2 3 .1010 1 2 2 3 .   [10 ]   O.  Gh o rban zadeh ,  H.   Sh ah ab i,   A.   Criv ellari ,    .    o m a  o u n i,  T.    las ch k e,  an d   P.    h a m isi,   “ and slid e  d etectio n   u sin g   d eep  learnin g  and  ob ject - b ased  im ag e  an al  sis ,”  La n d slid es ,  v o l.  1 9 ,  n o .  4 ,  p p .  9 2 9 – 9 3 9 ,  Ap r.  20 2 2 ,  d o i: 10 .10 0 7 /s103 4 6 - 0 2 1 - 0 1 8 4 3 - x.   [11 ]    .  R.   u r a an sh i  an d   U.   .   D esh p an d e,  “Re  ie    o f  ri sk   m an ag em en t  for  lan d slid e  forecas tin g ,  m o n ito ring   an d   p redictio n   u sing   ireless  sen so rs  n et o rk,”  in   2 0 1 7   Inter n a tio n a l  C o n f eren ce  o n   Inn o va t io n s  in   Info rma tio n ,  Embed d ed   a n d   Co mmu n ica tio n   S ystems  ( IC II ECS ) ,  Ma r.  20 1 7 ,  p p .  1 – 6 ,  d o i: 10 .11 0 9 /ICII ECS .20 1 7 .82 7 6 1 1 3 .   [12 ]    .    .    h m ed ,    .  Po th alaiah,  an d   D.    .  Rao ,   “Real - tim e  m o n ito ring   o f  p artially  stab le  slo p es  for  lan d slid e  p r ed ictio n   b y   u sing   ireless  sen so r   n et o rks ,”  in   2 0 1 6   On lin e  Inter n a tio n a l  Co n feren ce  o n   Green   Eng in eerin g   a n d   Tech n o lo g i es  (I C - G E T) ,   No v .   2 0 1 6 ,  p p .  1 – 5 ,  d o i:  10 .11 0 9 /GET .20 1 6 .79 1 6 6 3 8 .   [13 ]   T.   Kin o sh ita  et  a l. ,   “ stim atio n   o f  p rop ag atio n   p erf o rman ce  b et een  IoT  term in als  an d   g ate  a    u sin g   U   - b an d s  for  lan d slid es   p redictio n   s  ste m ,”  in   2 0 2 1   IE EE   Asia - Pacifi c   Micr o wa ve  Co n feren ce  (A P MC ) ,  No v .  2 0 2 1 ,  p p .  3 2 9 – 3 3 1 ,  d o i:  1 0 .11 0 9 /APMC5 2 7 2 0 .2021 .9661 8 0 1 .   [14 ]   D.  Jo sep h   Je  ak u m ar   an d    .   ing e sh  ari,   “  ak e  sen so r  d etectio n   an d   secu re  d ata  tr an smissio n   b ased   o n   p redicti  e  p arser   i n       s,”  Wir eless   Perso n a l Co mmu n ica tio n s ,  v o l.  1 1 0 ,  n o .  1 ,  p p .  5 31 – 5 4 4 ,  Jan .  2 0 2 0 ,  d o i: 10. 1 0 0 7 /s112 7 7 - 019 - 0 6 7 4 0 - 0.   [15 ]    .   n u radh a,   .    b in a  a,   .    h arat h i,   .  Jan an i,  an d    .  Kh an ,  “IoT  b as ed   n atu ral  d isas ter  m o n ito ring   an d   p re d ictio n   an al  sis   for   h ills  area   u sin g      T    n et o rk,”  8 t h   Inter n a tio n a l  Confer en ce  o n   Adva n c ed   Co mp u tin g   a n d   Co mmu n ica tio n   S ystems ,  IC ACC S   2022 ,  p p .  1 9 0 8 – 1 9 1 3 ,  2 0 2 2 ,  d o i: 1 0 .1 1 0 9 /ICACC S5 4 1 5 9 .20 2 2 .9 7 8 5 1 2 1 .   [16 ]   P.   re e  id   a,   .   .    b h ilash ,  J.  Pau l,  an d    .  Rejith k u m a r,   “    m a ch in e  lear n in g - b ased   earl   lan d slid e   arnin g   s stem   u sin g   IoT,”   in   2 0 2 1   4 th   Bienn ia l  Inter n a tio n a l   Co n feren ce  o n   Na scen t  Tech n o lo g ies  in   Eng in eeri n g   (I CN TE ) ,   Jan .   2 0 2 1 ,  p p .  1 – 6 ,  d o i:   1 0 .11 0 9 /I CNTE51 1 8 5 .2021 .9487 6 6 9 .   [17 ]    .  P.   h atta  an d    .  Than g ad u rai,   “ Detection   an d   p redictio n   o f  calam it o u s  lan d sli d e  in   p r ecip ito u s  h ills,”  in   2 0 1 6   Inter n a tio n a l  Co n feren ce  o n   Adva n ced  Co mmu n ica tio n   Co n tro l  a n d   Co mp u tin g   Tech n o lo g ies  (I CACC CT) ,   May   2 0 1 6 ,  p p .  2 3 8 – 2 4 0 ,  d o i:  1 0 .11 0 9 /ICACC CT.20 1 6 .78 3 1 6 3 8 .   [18 ]   P.    eh ta,  D.   h an d er,    .    h ah im ,   K .  Tej as i,    .    .     erchan t,  an d   U .   .   Desai,   “Dist ribu ted   d etectio n   for  lan d slid e  p redictio n   u sin g    ireless  sen so r  n et o rk,”  in   2 0 0 7   First  Inter n a ti o n a l  Glo b a l  Info r ma tio n   Infr a str u ct u re  S ymp o siu m ,  2 0 0 7 ,  p p .  1 9 5 – 1 9 8 ,   d o i: 10 .1109 /GII S. 2 0 0 7 .4 4 0 4 1 9 0 .   [19 ]   K.  Tej as i,  P.   e h ta,  R.   an sal,   .   Parekh ,   .   .   er ch an t,  an d   U.   .  Desai,  “Ro u tin g   p roto co ls  for  lan d sli d e  p redictio n   u sin g   ireless  sen so r  n e t o rks ,”  in   2 0 0 6   Fou rth   Inter n a ti o n a l  Co n feren ce  o n   Intellig en t  S en sin g   a n d   Info rma tio n   Pro cess in g ,  Dec.   2 0 0 6 ,  p p .  4 3 – 4 7 ,  d o i: 10 .11 0 9 /ICISI P .20 0 6 .4286 0 5 7 .   [20 ]    .   h m ed ,    .   a h ajan ,   .   u p ta,  a n d    .   u ri,   “ n   o p tim al  selectio n   o f  rou tin g   p rot o co l  for  d iff er en t  sin k   p lacem en ts  in   a  wirele ss   sen so r  n et o rk  for  lan d slid e  d etectio n   s  stem, ”  in   2 0 1 4   Inter n a tio n a l  Confer en ce  o n   Co mp u t a tio n a l  Intellig en ce  a n d   Co mmu n ica tio n  N etwo rks ,  No v .  2 0 1 4 ,  p p .  3 5 8 – 3 6 3 ,  d o i: 10 .11 0 9 /CICN.2 0 1 4 .87 .   [21 ]   S. -  .    in,     .   .    lsh eh ri,   P .    an g ,  an d   I.    .    k   ild i ,  “   ag n etic   in d u ctio n - b ased   lo caliz atio n   in   rand o m ly   d ep lo y ed   wireles s  u n d ergrou n d   sen s o r  n et o rks ,”  I E EE   Inter n et  o f  Th in g s  Jo u r n a l ,  v o l.  4 ,  n o .  5 ,  p p .  1 4 5 4 – 1 4 6 5 ,  Oct.  2 0 1 7 ,  d o i:  1 0 .11 0 9 /JIOT. 2 0 1 7 .27 2 9 8 8 7 .   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C omp E ng     IS S N:   20 88 - 8708         Q - le arnin g based f or eca sti ng ea rly  l ands li de  d et ect io n  in   …   ( Dev asa ha y am Jo s ep h  Jey akum ar )   433   [22 ]   S. - F.  Ch en   an d   P. -  .   siu n g ,  “ and slid e  p redicti o n    ith   m o d el  s itch in g ,”  in   2 0 1 7   IE EE   C o n feren ce  o n   Dep en d a b le  a n d   S ecur e   Co mp u tin g ,  Au g .  2 0 1 7 ,  p p .  2 3 2 – 2 3 6 ,  d o i: 10 .1109 /DESE C.2 0 1 7 .80 7 3 8 4 6 .   [23 ]    .    m ale  an d   R.  Patil,  “ IoT  b ased   rainfall  m o n ito ri n g   s  stem  u sin g         en ab led   arc h itectu re, ”  in   2 0 1 9   3 rd   In tern a tio n a l  Co n feren ce  o n   Co mp u tin g   Meth o d o lo g ies  a n d   Co mmu n ica tio n   (I CC MC ) ,   Ma r.   2 0 1 9 ,  p p .  7 8 9 – 7 9 1 ,  d o i:  1 0 .11 0 9 /ICCMC.2 0 1 9 .8819 7 2 1 .   [24 ]    .  Zaid    alah ,    .   K.     el  ap erumal ,   an d   R.    b d u lla,   “ ccele romete r - b a sed   eld erly  fall   d e tectio n   sy stem   u sin g   ed g e  arti ficial   in tellig en ce  architectu re, ”  Inter n a tio n a l  Jo u r n a l  o f  Electrica l  a n d   Co mp u ter  Eng in eerin g ,  v o l.  1 2 ,  n o .  4 ,  p p .   4 4 3 0 – 4 4 3 8 ,  Au g .  2 0 2 2 ,  d o i: 1 0 .11 5 9 1 /ijece.v1 2 i4 .pp 4 4 3 0 - 4 4 3 8 .   [25 ]   B.  T .  Ph a m   et  a l . ,  “    n o   el  in telli g en ce  ap p roach   o f  a   seq u en tial  m i n im al   o p tim i zatio n - b ased   su p p o rt  v ecto r  m achi n e  for   lan d slid e su scep tib ilit   m ap p in g ,”  S u sta in a b ility ,  v o l.  1 1 ,  n o .  2 2 ,  No v .  2 0 1 9 ,  d o i: 10 .3390 /s u 1 1 2 2 6 3 2 3 .   [26 ]    .  K.   Jeml a   aik ,   .   Par am es  ara p p a,  an d    .    .   Ramachan d ra,   “  n erg    eff icien t  d a ta  trans m iss io n   u sin g   m u ltio b jecti  e  im p ro  ed   rem o r a  o p tim i atio n   alg o rithm  for   ireless  s en so r  n et o rk   ith   m o b ile  sin k ,”  Inter n a tio n a l  Jo u rna l  o f  Electrica l  a n d   Co mp u ter Eng i n ee rin g ,  v o l.  1 3 ,  n o .  6 ,  p p .  6 4 7 6 – 6 4 8 8 ,  Dec.  2 0 2 3 ,  d o i: 10 .11 5 9 1 /ijece.v1 3 i6 . p p 6 4 7 6 - 6 4 8 8 .       BIOGR AP HI ES OF  A UTH ORS         Devasah ayam  Joseph   Jeyak um ar          is  an  associa t e  prof essor  in   the   D epa rt me nt  of  El e ct roni cs  and   Comm uni catio n  at  J.N.N  Insti tut e   of  Eng inee ring .   He   re ceiv ed  his  Ph.D .   degr ee   f rom  An na  unive rsi ty.   H e  has  a  to tal  exp eri en ce   of  26  y e ars  which  includ es  te a chi ng  as   well  as   industrial.  His   cur r ent  rese arc h   int e rest s  are  sign al  pro ce ss ing,  wire le s s  net works ,   wire le ss   s ensor  ne two rk  and   cogni ti v e   rad io   ne tw ork .   He   ca n   be   cont a cted  at  em a il :  ja yaku ma rjosep h33@gma il.c o m .         Boominathan   Sh anmat hi          co mpl e te d   b ac he lor  of   enginee ring   degr ee  i n   el e ct roni cs  and  c omm unication  fr om  J.N.N   Insti tu te  of  Engi n ee rin g,   Kann igaipai r   aff iliated   to   Anna  Univer sity   in  2016.   He  co mpl eted  m aste r   of  engi n ee ring   i n  appl i ed  e lectr o nic s  from  Sri   Venka te sw ara  Coll ege  of   Eng ine er ing,   Sriper am ba thur  aff i li a te d   to   Anna   Univer sity ,   an d   Chenna i  in  201 8.   Curre nt ly  she   is  pursuing  Ph.D.  at   Anna  Uni ver sity,   Ch enna i .   Area   of  h er   rese arc h   is  app li c at ion   of  i mage  proc essing,   com munica ti on   sys te m,  signal  and  im ag e   proc essing,   digi t al   logi c   c irc u i ts .   She  ca n   be   con tacte d   at email:   shanmathib@j nn . e du. in .         Par app urathu   Bah ulayan   Smi tha          is  an  as socia t e  profe ss or  in   Depa r tm en t   o f   El e ct roni cs  and  Comm unicati on   Engi ne eri ng . ,   J. N.N  Instit ut e  of   Engi ne eri ng ,   K anni ga ipa ir ,   Thi ruva lur - 6011 02, Tamil n adu,  India .   She co mp le t ed  ba chelor   of  e ngineeri n g  degr e e  in   el e ct roni cs  and   c omm unication  fr om  Per ia y ar   Ma nia mmai   Col le g e  of   Technol ogy   for   Wom en ,   Vall a m,   Tha nj av ur,   T am il  Nadu  aff iliated  to  Bh a rat hid asa n  Univ ersit y.   She   com p le t ed  ma st er  of  eng ine er ing   in   e le c tronics  and   con trol  f rom  Sathy abam a  Inst it ut e  of   Scie nc e  and  Te chno logy,   Sat hyaba m a  Dee m ed  Univer sity ,   Chenna i  in  200 5.   Curre nt ly  she  is  pursuing  Ph.D.  at Sat hyab am a  Inst it ut e  of S ci ence  an d   Tec hnology,   Chenn ai .   Her  r ese arc h   are a   includes   cybe r  physi cal  s ystem s  and   distr ibut ed   cont ro l  sy stem s .  Her   a r ea  of  intere st   are   cy ber   physic al   sys te ms,  mi cro p roc essors   and   m ic roc on trol l ers,  ant enn as  and   w ave  propa g at ion ,   microwave  engi ne eri ng,   co mm unica ti o n  sys te ms, im age   pro ce ss ing ,   cont rol   sys te ms.  She  c an   be  con tacte d   at   em a il :   smi thapb@ jnn. edu . in .         Sh ali ni  Ch owdar y          re cei ved  a   ba che lor' s  degr e e   B. E   i n  e lectr oni cs  an d   com munica ti on  engi ne eri ng  in  2 008  from  Anna   Univer sity,  a  mas te r's  degr e e  M. E  in  applied   el e ct ron i cs  in  20 11  from  Anna  Univer sity .   She  is  cur ren t ly  workin g  as  an  assistant   profe ss or  in  the   Dep artme nt   of  El e ct roni cs  and  Com muni c a ti on,   T . J.S  Eng i nee ring   C ollege ,   Peruvoya l ,   Ta milnadu ,   Indi a.   She   has  mor e tha n  13  y ea rs of   te a chi ng  expe ri e nce   Curr ent ly   she  is pur suing   Ph.D.  at  Save e tha   Univ ersit y,   Chenna i .   Are a   of  her   rese ar ch  is  appl i ca t io n  of  image  proc essing.   are a  of  int er est:   dig ital  c irc ui ts ,   i ma g e  and  signa l  pro ce ss in g.   She  ca n   be  contac te d   at   em a il :   l aksha shali ni@g ma i l.co m .       Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec   &  C omp E ng,  V ol.  15 , No .  1 ,  Febr uary   20 25 :   425 - 434   434     Th amiz harasan   Pann ee rse lva m           com p le t e d  bac h el or  of   e ngine er ing  degr ee   i n  el e ct roni cs  and  com munica ti on  from  Maha ra ja   Engi ne eri ng  Col le ge ,   Coim b at or e  aff i li a te d  to   Anna  Univer si t y  in   2006.   H e  com pl et ed   ma ster   of   eng ine er ing  in  co mput er   and  com munica ti on  from  Sona  Coll ege   of  T ec hno l ogy,   Salem  aff i li ated  to  Anna   Univer sity  Chenna i  in  200 8.   His  ar ea s  of  int er est  in cl ude   wire le ss   co mm u nic a ti on,   signal  proc essing,   inform a ti on  the o ry  and codi ng .  H e  c an  b e cont a cted  a t em a il :   pan nee rkt@gm ail. c om .         Rajagop alan  Srinath           obt ai n e d  his  B . E .   d egr e e  fro m  Anna   Un ive rsity ,   Ch enna i ,   Ta milnadu ,   Indi a  in  Apr il  200 5  and   his   M.E   degr ee  in   app li ed   e lectr oni cs  from   Anna   Univer sity,   Ch e nnai ,   Tamil n adu ,   India  in  May  2 007  and  com p leted  his  Ph.D.  in   inform a ti on  and  communica ti on  eng ine e ring   from  Anna  Un ive rsity ,   Chenn a i  in  th e  ye ar  2 023.   He  is  cur ren t ly  worki ng  as  an  assistant   prof essor  in   the  Depa r tm ent  of   Elec t ronic s  and   Comm unicati on  Engi ne eri ng,   SR M  Instit ute   of  Sc ie nc e  and  T ec hn ology,   Chenn ai,  Ta milnadu ,   India .   His  a rea s   of  intere st   includ e  dig it a l  sign al  p roc essing,   digita l  i ma ge   proc essing,   a rti f ic i al   int ellige n ce,   neu ral  net works   an d  fuz zy  logic .   He  has   publi she d  16   articles  in   th e  r eputed  Inte rna ti ona l  Jou rna ls,  10   ar ti c le s   in  the   In te rn at io nal   Conf ere n ce s.   In  his  teac hing   profe s sion ,  he  has  a  v ast  ex per ie n ce   o f  over   17  ye ars.   He   ha s  handl ed   differe nt  subje ct s  for  u nder gra dua te   and  postgraduat e  student s  fro m  the   EC E  and  C SE  strea ms.   He  has  bee n  the   Co ordina tor  for   Nati ona l  Bo ard   of  a cc r edi t at ion .   He   has   orga n ized  and   attend ed   work shops   in   t he  f ie lds   of  signal   and  i ma g e  proc essing  and   adva n ce d   communicati on   sys te ms.  He   has  a lso  pla yed   a   vital   role  in   condu c ti ng   and   coor d ina ti ng   v ari ous   Nat iona l   le v el  T ec hn ic a l   Sympos ia  and   Confer ences.   He  is  a   li fe   m e mbe r   of  ISTE   and  I ET E .   He   ca n   be   con tacted  a t  email:   drsrina thraja gop al an@gm ai l . co m.         Muthu raj   Mar i selvam           is  an   assistant   prof essor  in  the   D epa rt me nt   of  E lectr on i c s   and  Co mm uni c at ion   a t   J.N.N   Instit ute  of   En gine er ing,   Kann iga ip ai r,  Thi ruv al ur - 601102,   Ta milnadu ,   Ind ia .   He  com pl e te d  b ac he lor  o f  engi n ee ring   degr ee  in  elec troni cs  and  com munica ti on   from  Sre e  Sow dam bik a  Col le g e  of   Engi n ee r in g,   Aruppukot ta i   aff i liate d   to   Anna  Univer sit y  in  2009 .   He  com pl et ed  ma st er  of  engi n ee r in g  in  VLSI  desi gn  from  Sri  Venka te sw ara  C oll ege  of  En gine er ing  and  Te chno logy,   Tirupac hur  aff ilia te d  to   Anna   Univer sity,  and  Chenna i   in  201 3.   His  ar ea s  of   i nte rest   include  digi tal  ci rc u it s,  VLSI  design ,   im ag e  and  sig nal   proc essing ,  and  low  pow er  VLSI .  He  ca n  be   contac t ed  at  email:   ma rise lva m . ms @gma il.c o m .         Mohanan   Mural i           obtained   h is  B. Te ch .   degr e e  in  elec tron ic s   and  com mun icati o n   engi ne eri ng   fro m  Dr.   M . G.R.  U nive rsity   Chenn a i   and   M.E .   d egr e e  in   me d ical   elec tro nic s   from   Coll ege   of   Eng i nee ring ,  Guindy   ca mpus ,   Anna   Univer sity ,   Ch enn ai - 600  025 .   He  i s  working  as  assistant  profe s sor  in   the  Dep art m ent  of   Bio me di ca l   Eng ineeri ng   of   J.N.N.   Insti tut e   of   Engi ne eri ng,   Ka nniga ip ai r,   Th iru val lur .   His  f ie ld   of  intere st  inclu des  signa l   proc e ss i ng,   imag e  proc essing ,   m ed ic a l  elec t ronic s ,   wire le ss   sensor  net work,  wir eless   net work  an d  int egr at ed   el e ct roni cs .   He  has  at t ende d   nu mbe r  of  se mi n a rs,  short - te r m  c ourse,   Summ er  Schools  and  Confer ences.   He   publi shed   13   pa per s  in   Nat iona l   Confer ence   proc ee ding s.   He   is   p ubli shed  20   pape rs   in   Inte rn at ion al   and   UG C  Journals  proc ee dings.   He  is  t he  Life  ti m e  m e mbe r  of   ISTE   (India ).  He  is   working  as  a ca de mi c   coor d i nat or  in   J.N.N .   Instit u te  of  Engi ne eri ng,   Kanniga ip ai r,  a nd  Th iruva l lur   Distric t - 601   102 .   He   is  gu ide d   3 5  U.G.   proj ect s  and   3   P.G   proje c ts.  He   c an be  con tacte d   a t  e ma il:   mura l im oh ana n@gma il.c o m .       Evaluation Warning : The document was created with Spire.PDF for Python.