Bu araştırma, akıllı seralarda sıcaklık, nem, ışık şiddeti ve CO2 gibi çevresel sensörlerden gelen hatalı veya olağandışı verilerin, buluta ulaşmadan önce sera gateway'i üzerinde tespit edilmesini amaçlayan CNN-LSTM-POT adlı hibrit bir anomali tespit yaklaşımı geliştirmektedir. Sistem, CNN ile sensör zaman serilerindeki yerel özellikleri çıkarır, iki katmanlı LSTM ile zamansal bağımlılıkları modeller ve gerçek ölçüm ile tahmin arasındaki hatayı Peaks Over Threshold (POT) yöntemiyle dinamik olarak değerlendirir.

Çalışmanın donanım mimarisinde sensör verileri STM32F103C8T6 tabanlı veri toplama düğümünde alınmakta, Zigbee üzerinden STM32H743 tabanlı IoT gateway'e aktarılmakta, anomali tespiti gateway üzerinde yapılmakta ve yalnız filtrelenmiş veriler 4G bağlantısıyla bulut platformuna gönderilmektedir. Böylece anomali tespitinin doğrudan veri kaynağına yakın bir edge cihazında gerçekleştirilmesi hedeflenmektedir.

Kontrollü sera ortamında yedi gün boyunca dört sensör türünden toplam 40.320 veri noktası toplanmıştır. Her sensör 10.080 örnek üretmiştir. Doğrulanmış anomali sayıları ışık şiddeti için 504, sıcaklık için 412, nem için 379 ve CO2 için 473 olmak üzere toplam 1768'dir. Anomaliler doğal sensör drift'i ile kontrollü fiziksel müdahalelerin birleşiminden oluşmuş; etiketler manuel inceleme, yedek sensörlerle karşılaştırma ve çevresel olay logları kullanılarak doğrulanmıştır.

Modelin POT bölümünde varsayılan quantile değeri 0,99 ve anlamlılık parametresi q=10⁻⁴ olarak belirlenmiştir. Kaynak duyarlılık analizinde quantile 0,99 için F1-score %92,2; q=10⁻³ için ise %92,6 olarak raporlanmaktadır. Bu değerler POT parametre duyarlılığına aittir ve çalışmanın bütün deneylerinin tek bir genel F1 sonucu olarak yorumlanmamalıdır.

STM32H743 üzerindeki edge testinde CNN-LSTM-POT modeli 224,3 KB model büyüklüğü, 156,8 KB bellek kullanımı, %34,2 CPU kullanımı, 23,6 ms inference latency ve 4,72 mJ enerji tüketimi göstermiştir. LSTM daha düşük kaynak tüketimine sahip olsa da kaynak çalışmanın karşılaştırmalı tespit sonuçlarında CNN-LSTM-POT Precision, Recall ve F1 açısından en güçlü model olarak raporlanmıştır. Bu nedenle çalışmanın ana teknik iddiası “en hızlı model” olmaktan çok, yüksek anomali tespit başarısını mikrodenetleyici üzerinde uygulanabilir kaynak tüketimiyle birleştirmesidir.

Dört gateway senaryosunda kaynak tarafından bildirilen anomaly recognition oranları tek düğüm–tek sensör için %92, tek düğüm–çoklu sensör için %76, çoklu düğüm–tek sensör için %86 ve çoklu düğüm–çoklu sensör için %70'tir. En karmaşık senaryoda performansın düşmesi, çok değişkenli anomalilerin normal çevresel değişimlere benzeyebilmesi ve yüksek boyutlu özellik uzayında ayrımın zorlaşmasıyla açıklanmaktadır.

Türkiye açısından yorum: Çalışma Türkiye'deki ticari veya operasyonel seralarda gerçekleştirilmemiştir. Bununla birlikte Zigbee/4G tabanlı çevresel sensör izleme, edge gateway ve anomali filtreleme yaklaşımı Türkiye'deki akıllı sera uygulamalarına kavramsal olarak uyarlanabilir. Ancak gerçek kullanım için yerel sera iklimi, sensör türleri, ürün deseni, sera büyüklüğü, kablosuz haberleşme kalitesi, çevresel değişkenlerin doğal dağılımı ve yanlış alarm maliyeti üzerinde yeniden eğitim ve saha doğrulaması gerekir. Çalışmadaki %70–%92 gateway tanıma oranları Türkiye'deki gerçek sera performansı olarak kabul edilemez.

Akıllı serada anomali neden önemli?

Otomatik sera yönetiminde kontrol kararları sensörlerden gelen verilere bağlıdır. Bir sıcaklık sensörünün hatalı biçimde ani yükseliş göstermesi, nem sensörünün drift yapması veya iletişim bozukluğu nedeniyle veride sıçrama oluşması; havalandırma, sulama veya iklimlendirme kararlarının yanlış verilmesine yol açabilir.

Araştırmanın çıkış noktası, geleneksel sera izleme sistemlerinin veriyi toplamakta başarılı olmasına rağmen sensör verisinin güvenilirliğini gerçek zamanlı olarak değerlendiren mekanizmaların her sistemde bulunmamasıdır.

Çalışma, anomali tespitini bulut tarafına bırakmak yerine doğrudan gateway'e taşımaktadır. Böylece hatalı olduğu düşünülen veri upstream sisteme gönderilmeden önce filtrelenebilir.

Sistem mimarisi nasıl çalışıyor?

Neden CNN ile LSTM birlikte kullanılıyor?

Model iki farklı problem türünü ayrı katmanlarda ele almaktadır. Bir boyutlu CNN, kayar zaman penceresinde sensör sinyalinin kısa ölçekli ve yerel yapısını çıkarmak için kullanılmaktadır. Ardından LSTM katmanları geçmiş gözlemler arasındaki daha uzun süreli zamansal ilişkileri modellemektedir.

Ham veri önce min–max normalizasyonundan geçirilir:

\[ x'= \frac{x-x_{\min}} {x_{\max}-x_{\min}} \]

Burada \(x_{\min}\) ve \(x_{\max}\), mevcut sliding window içindeki minimum ve maksimum değerlerdir. Yeni ölçümler önceki aralığın dışına çıktığında normalizasyon parametreleri güncel pencereye göre yeniden hesaplanmaktadır.

Konvolüsyon katmanında model:

\[ Z = ReLU(W \otimes X+b) \]

ilişkisini kullanmaktadır. \(X\) giriş dizisini, \(W\) konvolüsyon kernel'ini, \(b\) bias değerini ve \(Z\) CNN tarafından üretilen yüksek seviyeli özellik dizisini temsil eder.

Bu özellikler iki ardışık LSTM katmanına aktarılmaktadır:

\[ h_{n1}=f(h_{n-1},z_n) \]

ve:

\[ h_{n2}=f(h_{(n-1)2},h_{n1}) \]

Son tahmin ikinci LSTM katmanının hidden state'inden doğrusal dönüşümle üretilir:

\[ y=Vh_{n2} \]

Anomali doğrudan model tarafından mı sınıflandırılıyor?

Hayır. CNN-LSTM'nin ana görevi bir sonraki veya beklenen sensör değerini tahmin etmektir. Gerçek sensör değeri ile tahmin arasındaki fark daha sonra anomali skoru olarak kullanılmaktadır.

Algorithm 1'de tahmin hatası:

\[ e_t= \left\|x_t-\hat{x}_t\right\|^2 \]

biçiminde hesaplanmaktadır. Son \(N\) hata değeri sliding window içinde tutulur ve POT bölümü bu hata dağılımının uç kısmını modellemektedir.

POT neden sabit eşikten farklı?

Sabit bir anomaly threshold, sera koşulları değiştikçe uygunluğunu kaybedebilir. Gündüz–gece çevrimi, havalandırma, sulama veya hava koşulları sensör verisinin normal dağılımını değiştirebilir.

Peaks Over Threshold yöntemi, tahmin hatalarının belirli bir başlangıç eşiğini aşan uç değerlerine Generalized Pareto Distribution (GPD) uydurmaktadır. Kaynakta GPD için kullanılan gösterim:

\[ F(s) = P(S-m>s\mid m

şeklindedir. Burada \(m\) başlangıç eşiği, \(\gamma\) shape parametresi ve \(\beta\) scale parametresidir.

Dinamik anomali eşiği ise çalışmada:

\[ w \simeq m+ \frac{\hat{\beta}}{\hat{\gamma}} \left[ \left( \frac{qN}{G} \right)^{-\hat{\gamma}} -1 \right] \]

ifadesiyle verilmektedir. \(q\) beklenen anomali oranı, \(N\) sliding window boyutu ve \(G\), başlangıç eşiğini aşan hata sayısıdır.

POT parametreleri sonucu ne kadar değiştiriyor?

Quantile threshold duyarlılık analizi, eşiğin aşırı düşük veya aşırı yüksek seçilmesinin F1-score'u düşürebildiğini göstermektedir. Kaynakta en yüksek quantile duyarlılık sonucu 0,99 seviyesinde %92,2'dir.

Quantile 0,999'a çıkarıldığında F1-score %84,8'e gerilemektedir. Bu sonuç, yalnız “eşiği daha uç noktaya taşımak” ile daha iyi anomaly detection elde edilemeyeceğini göstermektedir.

Significance level q için sonuç ne?

Araştırmacılar kararlı sera ortamları için quantile 0,995 ve q=5×10⁻⁵; daha dinamik ortamlar için quantile 0,98–0,99 ve q=10⁻³; bilinmeyen veya karma ortamlarda başlangıç için quantile 0,99 ve q=10⁻⁴ önermektedir.

Bu öneriler kaynak çalışmanın kendi duyarlılık analizine dayanmaktadır ve bütün sera tipleri için evrensel optimum parametreler olarak görülmemelidir.

Sliding window büyüklüğü neden önemli?

Daha küçük pencere, yeni dağılıma daha hızlı uyum sağlayarak anomaly detection gecikmesini azaltabilir; ancak daha az tarihsel veri nedeniyle threshold tahmini gürültüye daha açık hale gelebilir. Büyük pencere ise daha kararlı istatistiksel model üretirken yeni bir baseline'a uyumu yavaşlatabilir.

Çalışma bu trade-off'u teorik olarak açıklamakla birlikte farklı \(N\) değerleri için ayrı sayısal benchmark tablosu vermemektedir. Dolayısıyla kaynak üzerinden belirli bir optimum sliding-window uzunluğu çıkarılamaz.

Model nasıl eğitildi?

• 1D CNN filtre sayısı: 32
• Kernel boyutu: (3, 1)
• LSTM katmanı: 2
• LSTM aktivasyonu: tanh
• Dropout: 0,2
• Optimizer: Adam
• Başlangıç learning rate: 0,001
• Loss: Mean Squared Error
• Batch size: 64
• Training epoch: 30
• Veri ayrımı: %70 training, %15 validation, %15 test

Kronolojik ayrım kullanılması zaman serisinin geleceğinden geçmişe veri sızıntısını azaltmayı amaçlamaktadır.

Baseline karşılaştırması adil yapılmış mı?

LSTM, BeatGAN ve THOC modellerinin tamamı aynı training, validation ve test ayrımlarında değerlendirilmiştir. Baseline hyperparameter'ları grid search ile validation F1-score'u maksimize edecek biçimde seçilmiştir.

LSTM ve BeatGAN gibi error tabanlı modellerde validation error dağılımından quantile threshold oluşturulmuş; THOC'un one-class margin değeri validation setinde ayarlanmıştır. Bu yaklaşım araştırmacıların karşılaştırma eşiklerini mümkün olduğunca benzer değerlendirme mantığına yaklaştırma girişimidir.

İstatistiksel karşılaştırma ne gösteriyor?

Her model farklı random seed'lerle 10 kez çalıştırılmış ve CNN-LSTM-POT'un F1-score'u baseline modellerle paired t-test kullanılarak karşılaştırılmıştır.

Kaynak bu sonuçları CNN-LSTM-POT lehine istatistiksel olarak anlamlı farklar şeklinde yorumlamaktadır. Bununla birlikte bu testlerin kapsamı aynı veri seti ve aynı deney düzeniyle sınırlıdır.

Loss grafiği nasıl okunmalı?

Çalışmanın açıklama metni training ve validation loss eğrilerinin yaklaşık 0,225'ten başlayıp yaklaşık 0,025 civarında yakınsadığını ifade etmektedir. Ancak kaynak Şekil 6 görseli bu anlatımla tam uyuşmamaktadır.

Grafikte training loss yaklaşık 0,225 seviyesinden başlayıp yaklaşık 0,06'ya inerken validation loss yaklaşık 0,07'den başlayıp yaklaşık 0,025–0,03 bandına inmektedir. Eğriler eğitim boyunca birlikte azalma eğilimi gösterse de aynı başlangıç ve aynı son değer çevresinde birleşiyor gibi görünmemektedir.

Bu nedenle kaynağın “no signs of overfitting” yorumunu aktarmak mümkündür; fakat grafik üzerinden iki loss eğrisinin aynı değere yakınsadığı sonucu çıkarılmamalıdır.

Edge cihaz için model nasıl küçültülmüş?

STM32H743'ün RAM kapasitesi sınırlı olduğundan iki optimizasyon uygulanmıştır.

Magnitude-based pruning: Eğitim tamamlandıktan sonra mutlak ağırlık değeri 0,01'in altında kalan bağlantılar sıfırlanmış ve inference sırasında atlanmıştır. Sparse yapı Compressed Row Storage biçiminde tutulmuş ve ardından model fine-tune edilmiştir.

Memory pooling ve static allocation: Layer input/output ve ara buffer ihtiyaçları önceden hesaplanarak tek bir sabit memory pool ayrılmış, inference sırasında dinamik bellek tahsisi azaltılmış ve mümkün olduğunda önceki layer'ın bellek alanı yeniden kullanılmıştır.

STM32H743 üzerinde kaynak tüketimi nasıl?

Bu tablo önemli bir ayrım ortaya koymaktadır: CNN-LSTM-POT kaynak tüketimi bakımından en düşük model değildir. LSTM hem daha küçük hem daha az bellek ve enerji tüketen hem de daha hızlı inference yapan modeldir. CNN-LSTM-POT'un araştırmadaki gerekçesi, bu ek hesaplama maliyetine karşı daha yüksek anomaly detection performansı sağlamasıdır.

Gerçek sera verisi mi kullanıldı?

Çalışma kendi deney ortamını controlled greenhouse simulation environment olarak tanımlamaktadır. Yedi gün boyunca gerçek sensör modüllerinden çevresel ölçümler toplanmış olsa da değerlendirme operasyonel ticari bir sera üzerinde uzun dönem saha çalışması değildir.

Toplam 40.320 sensör örneğinin dağılımı şöyledir:

Anomalilerin gerçekten anomali olduğu nasıl doğrulandı?

Araştırma üç farklı ground-truth doğrulama yöntemi kullanmıştır.

1. Manuel doğrulama: Sensör sinyalleri timestamp ve çevresel loglarla birlikte uzmanlar tarafından incelenmiştir.
2. Yedek sensörle çapraz kontrol: Aynı türdeki iki sensör arasındaki fark üç standart sapmayı aşarsa olay ayrıca incelenmiştir.
3. Kontrol sistemi logları: Havalandırma, ısıtma ve sulama gibi aktüatör olaylarıyla sensör değişimleri karşılaştırılmıştır.

Örneğin havalandırma aktivasyonu ile eş zamanlı sıcaklık değişimi normal kabul edilebilirken, loglarda karşılığı olmayan benzer bir sıçrama potansiyel anomali olarak değerlendirilmiştir.

Gateway testlerinde hangi senaryolar kullanıldı?

Dört farklı koşul oluşturulmuştur:

• Tek düğüm – tek sensör anomalisi
• Tek düğüm – çoklu sensör anomalisi
• Çoklu düğüm – tek sensör anomalisi
• Çoklu düğüm – çoklu sensör anomalisi

Her deney altı saat sürmüş, örnekleme aralığı üç dakika olarak belirlenmiş ve kaynak her senaryonun 50 kez tekrarlandığını belirtmiştir.

En yüksek oran %92 ile tek sensörlü izole anomali durumunda, en düşük oran %70 ile çoklu düğüm ve çoklu sensörün birlikte bozulduğu koşulda elde edilmiştir.

Araştırmacılar performans düşüşünü iki gerekçeyle açıklamaktadır: Çok sensörlü anomaliler arasındaki korelasyonların normal çevresel değişimlere benzeyebilmesi ve aynı anda çok sayıda sensör/düğüm değerlendirildiğinde oluşan daha yüksek boyutlu feature space.

Raporlama sınırı: Kaynak her senaryonun 50 kez tekrarlandığını söylese de Tablo 7'de toplam örnek sayısını 120 olarak vermektedir. Ayrıca Recognition Rate denklemindeki “Total Anomaly Data Points” senaryo bazında tabloda gösterilmemiştir. Bu nedenle oranların ham verilerden bağımsız olarak yeniden hesaplanması mümkün değildir.

Çalışmanın söylediği nedir?

• CNN, LSTM ve POT bileşenleri tek bir edge anomaly detection zincirinde birleştirilebilmiştir.
• POT tabanlı dynamic threshold sabit eşik yerine güncel prediction-error dağılımına göre değişebilmektedir.
• Önerilen model STM32H743 üzerinde 23,6 ms inference latency ve 156,8 KB RAM kullanımıyla çalıştırılmıştır.
• Kaynak deneyinde proposed model, karşılaştırılan anomaly detection modelleri arasında Precision, Recall ve F1 açısından en yüksek performansı göstermektedir.
• Paired t-test sonuçlarında F1 farkları LSTM, BeatGAN ve THOC'a göre istatistiksel olarak anlamlı raporlanmıştır.
• Gateway deneylerinde karmaşıklık arttıkça anomaly recognition oranının %92'den %70'e kadar gerileyebildiği görülmüştür.
• Edge filtreleme, kaynak deneyinde buluta gönderilen veri miktarını azaltmıştır.

Çalışmanın söylemediği veya kanıtlamadığı nedir?

• Model uzun dönemli ticari sera koşullarında doğrulanmamıştır.
• Farklı bitkiler, iklimler ve sera tipleri için aynı POT parametrelerinin optimum olduğu gösterilmemiştir.
• Model en hızlı veya en düşük enerjili seçenek değildir; LSTM kaynak tüketiminde daha avantajlıdır.
• Anomali filtrelemenin bitki verimini veya ürün kalitesini doğrudan artırdığı deneysel olarak ölçülmemiştir.
• Yanlış sensör verisinin gerçek kapalı çevrim kontrol sisteminde bitki zararına yol açmasını önlediği doğrudan kontrol deneyiyle kanıtlanmamıştır.
• Çalışma aylar veya sezonlar boyunca sensor drift ve distribution shift davranışını test etmemiştir.
• Gateway Recognition Rate tablosunun 50 tekrar üzerindeki toplulaştırma biçimi tam açıklanmamıştır.
• Türkiye'deki sera sistemlerinde aynı doğruluk oranlarının elde edileceğine dair veri bulunmamaktadır.

Çalışmanın Yöntemi ve Bulguları

CNN-LSTM-POT mimarisi

Varsayılan POT ayarları

Eğitim ve değerlendirme düzeni

Baseline modellerin optimum ayarlarından seçilmiş değerler

Ana nicel bulgular

• Quantile duyarlılık analizindeki en yüksek F1: %92,2, quantile=0,99.
• q duyarlılık analizindeki en yüksek F1: %92,6, q=10⁻³.
• CNN-LSTM-POT edge inference latency: 23,6 ms.
• Model büyüklüğü: 224,3 KB.
• Runtime bellek kullanımı: 156,8 KB.
• CPU kullanımı: %34,2.
• Enerji tüketimi: 4,72 mJ/inference.
• Toplam yedi günlük sensör verisi: 40.320 nokta.
• Kaynakta doğrulanmış anomaly sayısı: 1768.
• Gateway senaryolarında bildirilen Recognition Rate aralığı: %70–%92.

En kritik sonuç

Çalışmanın en güçlü teknik sonucu, yüksek anomaly-detection doğruluğu hedefleyen CNN-LSTM-POT yapısının masaüstü veya bulut sunucuya ihtiyaç duymadan STM32H743 sınıfı bir gateway üzerinde çalıştırılabilmiş olmasıdır. Ancak bu avantajın bir kaynak maliyeti vardır: LSTM tek başına daha küçük, daha hızlı ve daha az enerji tüketmektedir. Önerilen sistem bu nedenle “en hafif model” değil, daha güçlü anomaly detection ile kabul edilebilir edge maliyeti arasında bir uzlaşma olarak değerlendirilmelidir.

Kaynak ve Yöntem Notu

Tam özgün çalışma adı: CNN-LSTM-POT-Based Anomaly Detection for Smart Greenhouse Sensor Data: A Real-Time Edge Deployment Approach

Yazarlar ve sıraları: Jun Shu; Dengke Yang.

Sorumlu yazar: Dengke Yang.

Eş katkı/eş birinci yazar: Kaynakta belirtilmemiştir.

Kurum: School of Intelligent Manufacturing and Energy Engineering, Zhejiang University of Science and Technology, Hangzhou 310023, China.

Dergi: Future Internet

Yayınevi: MDPI, Basel, Switzerland

Cilt / sayı / makale: 18 / 4 / 205

Alınma tarihi: 1 Mart 2026

Revizyon tarihi: 5 Nisan 2026

Kabul tarihi: 8 Nisan 2026

Yayın tarihi: 13 Nisan 2026

DOI: 10.3390/fi18040205

Resmî yayın bağlantısı:https://doi.org/10.3390/fi18040205

Kaynak türü: Hakemli araştırma makalesi; kontrollü sera simülasyon ortamında sensör verisi toplama, derin öğrenme tabanlı anomaly detection ve gerçek edge mikrodenetleyici dağıtım değerlendirmesi.

Hakemlik durumu: Hakemli dergide yayımlanmış çalışmadır.

Lisans: Creative Commons Attribution (CC BY).

Finansman: Araştırma dış finansman almamıştır.

Veri erişilebilirliği: Kaynak, sonuçları destekleyen ham verilerin yazarlar tarafından talep üzerine sağlanacağını belirtmektedir.

Çıkar çatışması: Yazarlar çıkar çatışması bulunmadığını beyan etmektedir.

Yazar katkıları: Kaynak beyanına göre kavramsallaştırma Dengke Yang; metodoloji Jun Shu ve Dengke Yang; yazılım, doğrulama ve araştırma Jun Shu; özgün taslak Jun Shu; gözden geçirme/düzenleme Jun Shu; görselleştirme Jun Shu ve Dengke Yang; denetim Dengke Yang tarafından yürütülmüştür.

Teşekkür: Kaynak, Yuanhua Quan'a makalenin review/editing süreci ve araştırma denetimine yaptığı katkılar için teşekkür etmektedir. Yuanhua Quan çalışma yazarları arasında listelenmemiştir.

Deney ortamı: Araştırma, yazarların ifadesiyle kontrollü greenhouse simulation environment içinde yürütülmüştür. Bu nedenle çalışma gerçek ticari sera üzerinde uzun dönem operasyonel saha validasyonu olarak değerlendirilmemelidir.

Kaynak içi raporlama notu 1: Şekil 6'yı açıklayan metin training ve validation loss değerlerinin yaklaşık 0,225'ten başlayarak yaklaşık 0,025'e yakınsadığını ifade etmektedir. Şekil görselinde ise validation loss başlangıçta yaklaşık 0,07 civarındadır ve training loss yaklaşık 0,06 seviyesinde sonlanmaktadır. Bu metin–grafik uyumsuzluğu Verianla metninde sessizce düzeltilmemiştir.

Kaynak içi raporlama notu 2: Bölüm 5.4 her deney senaryosunun 50 kez tekrarlandığını belirtirken Tablo 7'de her senaryo için “Total Data Points” değeri 120 olarak verilmektedir. Altı saat ve üç dakikalık sampling interval tek bir deney için 120 örneğe karşılık gelir; tablonun 50 tekrarı nasıl toplulaştırdığı açık değildir.

Kaynak içi raporlama notu 3: Recognition Rate formülü “Total Anomaly Data Points” değişkenini kullanmaktadır; ancak Tablo 7 bu değeri her senaryo için ayrı olarak vermemektedir. Bu nedenle bildirilen recognition yüzdeleri yalnız tablodaki diğer iki sütundan yeniden üretilememektedir.

Terminoloji notu: Yöntemin ana bölümlerinde anomaly score “prediction residual/error” olarak tanımlanırken bazı POT açıklamalarında “reconstruction error” terimi kullanılmaktadır. Model autoencoder tabanlı bir reconstruction sistemi değil, CNN-LSTM tahmin modelidir; Verianla açıklamasında bu nedenle “tahmin hatası/artığı” terimi esas alınmıştır.

Performans yorum sınırı: Kaynağın sonuç bölümü proposed modelin real-time throughput ve edge suitability üstünlüğünü vurgulamaktadır. Buna karşın Tablo 5'te LSTM'nin 15,2 ms inference latency, 102,4 KB memory ve 3,04 mJ enerjiyle CNN-LSTM-POT'tan daha düşük kaynak tüketimine sahip olduğu görülmektedir. Bu nedenle proposed modelin avantajı salt inference hızı olarak değil, detection accuracy ile kaynak tüketimi arasındaki denge olarak yorumlanmıştır.

Temel sınırlılıklar: Veri yalnız yedi günlük kontrollü sera ortamından gelmektedir. Çalışma uzun dönem mevsimsel distribution shift, farklı ürün türleri, ticari sera operasyonları, geniş sensör filoları veya farklı gateway donanımları üzerinde doğrulanmamıştır. En karmaşık çoklu düğüm–çoklu sensör senaryosunda recognition rate %70'e düşmektedir. POT ve sliding-window parametreleri uygulama ortamına göre yeniden ayarlanmak zorundadır.

Bu Verianla açıklamasındaki bilimsel yöntem, model parametreleri, deney değerleri, performans ölçümleri ve sınırlılıklar incelenen çalışmaya dayanmaktadır. Dış doğrulama yalnız bibliyografik yayın kimliği, dergi ve hakemlik durumunun teyidi için kullanılmış; kaynak dışından yeni deney sonucu veya performans değeri eklenmemiştir.