Bu tədqiqat, ağıllı istixanalarda temperatur, rütubət, işıq intensivliyi və CO2 kimi ekoloji sensorlardan gələn səhv və ya qeyri-adi məlumatların, buluda çatmadan əvvəl istixana gateway'i üzərində aşkarlanmasını məqsəd daşıyan CNN-LSTM-POT adlı hibrid bir anomaliya aşkarlama yanaşması hazırlayır. Sistem, CNN ilə sensor zaman sıralarındakı lokal xüsusiyyətləri çıxarır, iki qatlı LSTM ilə zaman asılı asılılıqları modelləşdirir və real ölçmə ilə proqnoz arasındakı xətanı Peaks Over Threshold (POT) metodu ilə dinamik kimi qiymətləndirir.

Tədqiqatın aparat memarlığında sensor məlumatları STM32F103C8T6 əsaslı məlumat toplama düyünündə alınır, Zigbee üzərindən STM32H743 əsaslı IoT gateway'e ötürülür, anomaliya aşkarlanması gateway üzərində aparılır və yalnız filtrlənmiş məlumatlar 4G bağlantısı ilə bulud platformasına göndərilir. Beləliklə anomaliya aşkarlanmasınin birbaşa məlumat mənbəyinə yaxın bir edge cihazında həyata keçirilməsi hədəflənir.

Kontrollü istixana mühitinda yeddi gün boyunca dörd sensor türünden cəmi 40.320 məlumat nöqtəsi toplanmıştır. Hər sensor 10.080 örnek üretmiştir. Doğrulanmış anomaliya sayıları işıq intensivliyi üçün 504, temperatur üçün 412, rütubət üçün 379 və CO2 üçün 473 olmak üzere cəmi 1768'dir. Anomaliler doğal sensor drift'i ilə kontrollü fiziksel müdahalelerin birleşiminden oluşmuş; etiketler manuel inceleme, yedek sensorlarle müqayisə və ekoloji olay logları istifadə edilərək təsdiqlənmişdir.

Modelin POT bölümünde varsayılan quantile dəyəri 0,99 və anlamlılık parametresi q=10⁻⁴ kimi belirlenmiştir. Mənbə duyarlılık analizinde quantile 0,99 üçün F1-score %92,2; q=10⁻³ üçün isə %92,6 kimi raporlanmaktadır. Bu dəyərlər POT parametre duyarlılığına aittir və tədqiqatın bütün deneylerinin tək bir genel F1 sonucu kimi şərhlanmamalıdır.

STM32H743 üzerindeki edge testinde CNN-LSTM-POT modeli 224,3 KB model ölçüsü, 156,8 KB yaddaş istifadəsi, %34,2 CPU istifadəsi, 23,6 ms inference latency və 4,72 mJ enerji sərfiyyatı göstərmişdir. LSTM daha düşük resurs sərfiyyatıne sahip olsa da mənbə tədqiqatın müqayisəli aşkarlama nəticələrında CNN-LSTM-POT Precision, Recall və F1 açısından en güçlü model kimi hesabatda bildirilmişdir. Bu səbəbdən tədqiqatın əsas teknik iddiası “en hızlı model” olmaktan çox, yüksek anomaliya aşkarlama uğursını mikrodenetleyici üzərində uygulanabilir resurs sərfiyyatıyle birleştirmesidir.

Dörd gateway senaryosunda mənbə tarafından bildirilen anomaly recognition nisbətləri tək düyün–tək sensor üçün %92, tək düyün–çoklu sensor üçün %76, çoklu düyün–tək sensor üçün %86 və çoklu düyün–çoklu sensor üçün %70'tir. En karmaşık senaryoda performansın düşmesi, çox değişkenli anomaliyalarin normal ekoloji değişimlere benzeyebilmesi və yüksek boyutlu özellik uzayında ayrımın zorlaşmasıyla açıklanmaktadır.

Türkiyə baxımından şərh: Tədqiqat Türkiye'deki ticari və ya operasyonel istixanalarda realleştirilmemiştir. Bununla belə Zigbee/4G əsaslı ekoloji sensor izleme, edge gateway və anomaliya filtreleme yanaşması Türkiye'deki ağıllı istixana tətbiqlarına kavramsal kimi uyarlanabilir. Lakin real istifadə üçün lokal istixana iklimi, sensor türleri, ürün deseni, istixana ölçüsü, kablosuz haberleşme kalitesi, ekoloji değişkenlerin doğal dağılımı və yanlış alarm maliyeti üzərində yeniden eğitim və saha təsdiqləməsı gerekir. Tədqiqatdaki %70–%92 gateway tanıma nisbətləri Türkiye'deki real istixana performansı kimi kabul edilemez.

Akıllı istixanada anomaliya neden örütubətli?

Otomatik istixana yönetiminde kontrol kararları sensorlardan gələn məlumatlare bağlıdır. Bir temperatur sensorünün səhv şəkildə ani yükseliş göstermesi, rütubət sensorünün drift yapması və ya iletişim bozukluğu nedeniyle veride sıçrama oluşması; havalandırma, sulama və ya iklimlendirme kararlarının yanlış verilmesine yol açabilir.

Tədqiqatnın çıkış noktası, gələneksel istixana izleme sistemlərinin veriyi toplamakta uğurlu olmasına rağmen sensor verisinin etibarlıliğini real vaxtlı kimi dəyərlendiren mekanizmaların hər sistemde bulunmamasıdır.

Tədqiqat, anomaliya aşkarlanmasıni bulud tarafına bırakmak əvəzinə birbaşa gateway'e taşımaktadır. Beləliklə səhv olduğu düşünülen məlumat upstream sisteme gönderilmeden əvvəl filtrelenebilir.

Sistem memarlığı necə işləyir?

Neden CNN ilə LSTM birlikte kullanılıyor?

Model iki fərqli problem türünü ayrı qatlarda ele almaktadır. Bir boyutlu CNN, kayar zaman penceresinde sensor sinyalinin kısa ölçekli və lokal yapısını çıkarmak üçün istifadə olunur. Ardından LSTM qatları geçmiş gözlemler arasındaki daha uzun süreli zaman asılı ilişkileri modellemektedir.

Ham məlumat əvvəl min–max normalizasyonundan geçirilir:

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

Burada \(x_{\min}\) və \(x_{\max}\), mövcud sliding window içindeki minimum və maksimum dəyərlərdir. Yeni ölçməler əvvəlki aralığın dışına çıktığında normalizasyon parametreleri güncel pencereye görə yeniden hesaplanmaktadır.

Konvolüsyon qatında model:

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

ilişkisini kullanmaktadır. \(X\) giriş sırasıni, \(W\) konvolüsyon kernel'ini, \(b\) bias dəyərini və \(Z\) CNN tarafından yaradılan yüksek seviyeli özellik sırasıni temsil eder.

Bu özellikler iki ardişıq LSTM qatına ötürülürdır:

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

və:

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

Son proqnoz ikinci LSTM qatının hidden state'inden doğrusal dönüşümle üretilir:

\[ y=Vh_{n2} \]

Anomali birbaşa model tarafından mı sınıflandırılıyor?

Hayır. CNN-LSTM'nin əsas görevi bir sonraki və ya beklenen sensor dəyərini proqnoz etmektir. Gerçek sensor dəyəri ilə proqnoz arasındakı fərq daha sonra anomaliya skoru kimi istifadə olunur.

Algorithm 1'də proqnoz xətası:

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

şəklində hesaplanmaktadır. Son \(N\) xəta dəyəri sliding window içinde saxlanılır və POT bölümü bu xəta dağılımının uç kısmını modellemektedir.

POT neden sabit eşikten fərqli?

Sabit bir anomaly threshold, istixana şərtləri değiştikçe uyğunluğunu kaybedebilir. Gündüz–gece çevrimi, havalandırma, sulama və ya hava şərtləri sensor verisinin normal dağılımını değiştirebilir.

Peaks Over Threshold metodi, proqnoz xətalarının müəyyən bir başlangıç eşiğini aşan uç dəyərlərine Generalized Pareto Distribution (GPD) uydurmaktadır. Mənbədə GPD üçün istifadə edilən gösterim:

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

şəklindədir. Burada \(m\) başlangıç eşiği, \(\gamma\) shape parametresi və \(\beta\) scale parametresidir.

Dinamik anomaliya eşiği isə tədqiqatda:

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

ifadesiyle verilmektedir. \(q\) beklenen anomaliya nisbətı, \(N\) sliding window boyutu və \(G\), başlangıç eşiğini aşan xəta sayıdır.

POT parametreleri sonucu ne kadar değiştiriyor?

Quantile threshold duyarlılık analizi, eşiğin aşırı düşük və ya aşırı yüksek seçilmesinin F1-score'u düşürebildiğini göstərir. Mənbədə en yüksek quantile duyarlılık sonucu 0,99 seviyesinde %92,2'dir.

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

Significance level q üçün nəticə ne?

Tədqiqatçılar kararlı istixana ortamları üçün quantile 0,995 və q=5×10⁻⁵; daha dinamik ortamlar üçün quantile 0,98–0,99 və q=10⁻³; bilinmeyen və ya karma ortamlarda başlangıç üçün quantile 0,99 və q=10⁻⁴ təklif edir.

Bu öneriler mənbə tədqiqatın kendi duyarlılık analizine dayanmaktadır və bütün istixana tipleri üçün evrensel optimum parametreler kimi görülmemelidir.

Sliding window ölçüsü neden örütubətli?

Daha kiçik pencere, yeni dağılıma daha hızlı uyum sağlayarak anomaly detection gecikməsini azaltabilir; ancak daha az tarihsel məlumat nedeniyle threshold proqnozu gürültüye daha açıq hale gelebilir. Büyük pencere isə daha kararlı istatistiksel model üretirken yeni bir baseline'a uyumu yavaşlatabilir.

Tədqiqat bu trade-off'u teorik kimi açıklamakla birlikte fərqli \(N\) dəyərləri üçün ayrı rəqəmsal benchmark cədvəlsu vermemektedir. Buna görə mənbə üzərindən müəyyən bir optimum sliding-window uzunluğu çıkarılamaz.

Model necə öyrədildi?

• 1D CNN filtre sayı: 32
• Kernel boyutu: (3, 1)
• LSTM qatı: 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 məlumat sızıntısını azaltmayı məqsəd qoyur.

Baseline müqayisəsı adil yapılmış mı?

LSTM, BeatGAN və THOC modelləşdiririnin tamamı eyni training, validation və test ayrımlarında qiymətləndirilmişdir. Baseline hyperparameter'ları grid search ilə validation F1-score'u maksimize edecek şəkildə seçilmiştir.

LSTM və BeatGAN kimi error əsaslı modelləşdirirde validation error dağılımından quantile threshold yaradılmış; THOC'un one-class margin dəyəri validation setinde ayarlanmıştır. Bu yanaşma tədqiqatçıların müqayisə eşiklerini mümkün olduğunca benzer qiymətləndirmə mantığına yaklaştırma girişimidir.

İstatistiksel müqayisə ne göstərir?

Hər model fərqli random seed'lerle 10 dəfə çalıştırılmış və CNN-LSTM-POT'un F1-score'u baseline modelləşdirirle paired t-test istifadə edilərək müqayisə edilmişdir.

Mənbə bu nəticələrı CNN-LSTM-POT lehine istatistiksel kimi anlamlı fərqlar şəklində şərhlamaktadır. Bununla belə bu testlerin əhatəsi eyni məlumat seti və eyni deney düzeniyle sınırlıdır.

Loss grafiği nasıl okunmalı?

Tədqiqatın açıklama metni training və validation loss eğrilerinin yaklaşık 0,225'ten başlayıp yaklaşık 0,025 civarında yaxınsadığını ifade etmektedir. Lakin mənbə Şəkil 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 də eyni başlangıç və eyni son dəyər mühitsinde birleşiyor kimi görünmemektedir.

Bu səbəbdən kaynağın “no signs of overfitting” şərhunu aktarmak mümkündür; fakat qrafik üzərindən iki loss eğrisinin eyni dəyəre yaxınsadığı sonucu çıkarılmamalıdır.

Edge cihaz üçün model necə kiçildilmişdir?

STM32H743'ün RAM kapasitesi sınırlı olduğundan iki optimizasyon tətbiq edilmişdir.

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

Memory pooling və static allocation: Layer input/output və ara buffer ihtiyaçları əvvəlden hesaplanarak tək bir sabit memory pool ayrılmış, inference sırasında dinamik yaddaş tahsisi azaltılmış və mümkün olduğunda əvvəlki layer'ın yaddaş alanı yeniden istifadə edilmişdir.

STM32H743 üzərində resurs sərfiyyatı nasıl?

Bu cədvəl örütubətli bir ayrım ortaya koymaktadır: CNN-LSTM-POT resurs sərfiyyatı bakımından en düşük model değildir. LSTM hem daha kiçik hem daha az yaddaş və enerji tüketen hem də daha hızlı inference yapan modeldir. CNN-LSTM-POT'un tədqiqatdaki gerekçesi, bu ek hesaplama maliyetine qarşı daha yüksek anomaly detection performansı sağlamasıdır.

Gerçek istixana verisi mi kullanıldı?

Tədqiqat kendi deney ortamını controlled greenhouse simulation environment kimi tanımlamaktadır. Yeddi gün boyunca real sensor modüllerinden ekoloji ölçməler toplanmış olsa da qiymətləndirmə operasyonel ticari bir istixana üzərində uzun dörütubət saha tədqiqatsı değildir.

Toplam 40.320 sensor örneğinin dağılımı şöyledir:

Anomalilerin həqiqətən anomaliya olduğu nasıl təsdiqləndi?

Tədqiqat üç fərqli ground-truth təsdiqləmə metodi kullanmıştır.

1. Manuel təsdiqləmə: Sensör sinyalleri timestamp və ekoloji loglarla birlikte uzmanlar tarafından incelenmiştir.
2. Yedek sensorle çapraz kontrol: Aynı türdeki iki sensor arasındaki fərq üç standart sapmayı aşarsa olay ayrıca incelenmiştir.
3. Kontrol sistemi logları: Havalandırma, ısıtma və sulama kimi aktüatör olaylarıyla sensor değişimleri müqayisə edilmişdir.

Məsələn havalandırma aktivasyonu ilə eş zamanlı temperatur değişimi normal kabul edilebilirken, loglarda karşılığı olmayan benzer bir sıçrama potansiyel anomaliya kimi qiymətləndirilmişdir.

Gateway testlerinde hangi senaryolar kullanıldı?

Dörd fərqli koşul yaradılmışdır:

• Tek düyün – tək sensor anomalisi
• Tek düyün – çoklu sensor anomalisi
• Çoklu düyün – tək sensor anomalisi
• Çoklu düyün – çoklu sensor anomalisi

Hər deney altı saat sürmüş, örnekleme aralığı üç dakika kimi belirlenmiş və mənbə hər senaryonun 50 dəfə təkrarlandığını belirtmiştir.

En yüksek nisbət %92 ilə tək sensorlü izole anomaliya durumunda, en düşük nisbət %70 ilə çoklu düyün və çoklu sensorün birlikte bozulduğu koşulda elde edilmiştir.

Tədqiqatçılar performans düşüşünü iki gerekçeyle açıklamaktadır: Çox sensorlü anomaliyalar arasındaki korelasyonların normal ekoloji değişimlere benzeyebilmesi və eyni anda çox sayda sensor/düyün dəyərlendirildiğinde yaranan daha yüksek boyutlu feature space.

Raporlama sınırı: Mənbə hər senaryonun 50 dəfə təkrarlandığını söylese də Cədvəl 7'də cəmi örnek sayını 120 kimi vermektedir. Bundan əlavə Recognition Rate denklemindeki “Total Anomaly Data Points” senaryo bazında cədvəlda gösterilmemiştir. Bu səbəbdən nisbətlərin xam məlumatlerden müstəqil kimi yeniden hesaplanması mümkün değildir.

Tədqiqatın dediyi nədir?

• CNN, LSTM və POT komponentleri tək bir edge anomaly detection zəncirinde birleştirilebilmiştir.
• POT əsaslı dynamic threshold sabit eşik əvəzinə güncel prediction-error dağılımına görə değişebilmektedir.
• Təklif edilən model STM32H743 üzərində 23,6 ms inference latency və 156,8 KB RAM istifadəsiyla çalıştırılmıştır.
• Mənbə deneyinde proposed model, müqayisə edilən anomaly detection modelləşdiriri arasında Precision, Recall və F1 açısından en yüksek performansı göstərir.
• Paired t-test nəticələrında F1 fərqları LSTM, BeatGAN və THOC'a görə istatistiksel kimi anlamlı hesabatda bildirilmişdir.
• Gateway deneylerinde mürəkkəblik arttıkça anomaly recognition nisbətının %92'den %70'e kadar gerileyebildiği görülmüştür.
• Edge filtreleme, mənbə deneyinde buluda gönderilen məlumat miktarını azaltmıştır.

Tədqiqatın demədiyi və ya sübut etmədiyi nədir?

• Model uzun dörütubətli ticari istixana şərtlərinda doğrulanmamıştır.
• Farklı bitkiler, iklimler və istixana tipleri üçün eyni POT parametrelerinin optimum olduğu gösterilmemiştir.
• Model en hızlı və ya en düşük enerjili seçenek değildir; LSTM resurs sərfiyyatınde daha avantajlıdır.
• Anomali filtrelemenin bitki verimini və ya ürün kalitesini birbaşa artırdığı deneysel kimi ölçülmemiştir.
• Yanlış sensor verisinin real kapalı çevrim kontrol sisteminde bitki zararına yol açmasını önlediği birbaşa kontrol deneyiyle sübutlanmamıştır.
• Tədqiqat aylar və ya sezonlar boyunca sensor drift və distribution shift davranışını test etmemiştir.
• Gateway Recognition Rate cədvəlsunun 50 təkrar üzerindeki toplulaştırma biçimi tam açıklanmamıştır.
• Türkiye'deki istixana sistemlərinde eyni doğruluk nisbətlərinın elde edileceğine dair məlumat bulunmamaktadır.

Tədqiqatın Metodu və Nəticələri

CNN-LSTM-POT memarlığı

Varsayılan POT ayarları

Eğitim və qiymətləndirmə düzeni

Baseline modelləşdiririn optimum ayarlarından seçilmiş dəyərlər

Ana nicel nəticələr

• 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 ölçüsü: 224,3 KB.
• Runtime yaddaş istifadəsi: 156,8 KB.
• CPU istifadəsi: %34,2.
• Enerji tüketimi: 4,72 mJ/inference.
• Toplam yeddi günlük sensor verisi: 40.320 nokta.
• Mənbədə təsdiqlənmiş anomaly sayı: 1768.
• Gateway senaryolarında bildirilen Recognition Rate aralığı: %70–%92.

En kritik nəticə

Tədqiqatın en güçlü teknik sonucu, yüksek anomaly-detection doğruluğu hədəfləyən CNN-LSTM-POT yapısının masaüstü və ya bulud sunucuya ihtiyaç duymadan STM32H743 sınıfı bir gateway üzərində çalıştırılabilmiş olmasıdır. Lakin bu avantajın bir mənbə maliyeti vardır: LSTM tək başına daha kiçik, daha hızlı və daha az enerji tüketmektedir. Təklif edilən sistem bu nedenle “en hafif model” deyil, daha güçlü anomaly detection ilə kabul edilebilir edge maliyeti arasında bir uzlaşma kimi dəyərlendirilmelidir.

Mənbə və Metod Qeydi

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

Müəlliflər və sıraları: Jun Shu; Dengke Yang.

Sorumlu yazar: Dengke Yang.

Eş katkı/eş birinci yazar: Mənbədə belirtilmemiştir.

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

Jurnal: Future Internet

Nəşriyyat: MDPI, Basel, Switzerland

Cilt / sayı / məqalə: 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

Rəsmi nəşr bağlantısı:https://doi.org/10.3390/fi18040205

Mənbə növü: Hakemli tədqiqat məqaləsi; kontrollü istixana simülasyon ortamında sensor verisi toplama, derin öğrenme əsaslı anomaly detection və real edge mikrodenetleyici dağıtım qiymətləndirməsi.

Rəyçilik statusu: Hakemli jurnalde yayımlanmış tədqiqatdır.

Lisenziya: Creative Commons Attribution (CC BY).

Maliyyələşdirmə: Tədqiqat dış finansman almamıştır.

Məlumat əlçatanlığı: Mənbə, nəticələrı destekleyen ham məlumatların müəlliflər tarafından talep üzerine sağlanacağını belirtmektedir.

Maraqlar toqquşması: Müəlliflər çıkar çatışması bulunmadığını beyan etmektedir.

Müəllif töhfələri: Mənbə beyanına görə kavramsallaştırma Dengke Yang; metodoloji Jun Shu və Dengke Yang; yazılım, təsdiqləmə və tədqiqat Jun Shu; orijinal taslak Jun Shu; gözden geçirme/düzenleme Jun Shu; görselleştirme Jun Shu və Dengke Yang; audit Dengke Yang tarafından yürütülmüştür.

Teşekkür: Mənbə, Yuanhua Quan'a məqalənin review/editing süreci və tədqiqat auditine yaptığı katkılar üçün teşekkür etmektedir. Yuanhua Quan tədqiqat müəlliflərı arasında listelenmemiştir.

Deney ortamı: Tədqiqat, müəlliflərın ifadesiyle kontrollü greenhouse simulation environment içinde yürütülmüştür. Bu səbəbdən tədqiqat real ticari istixana üzərində uzun dörütubət operasyonel saha validasyonu kimi dəyərlendirilmemelidir.

Mənbə daxili raporlama notu 1: Şəkil 6'yı açıklayan metin training və validation loss dəyərlərinin yaklaşık 0,225'ten başlayarak yaklaşık 0,025'e yaxınsadığını ifade etmektedir. Şəkil görselinde isə validation loss başlangıçta yaklaşık 0,07 civarındadır və training loss yaklaşık 0,06 seviyesinde sonlanmaktadır. Bu metin–qrafik uyumsuzluğu Verianla metninde sessizce düzeltilmemiştir.

Mənbə daxili raporlama notu 2: Bölüm 5.4 hər deney senaryosunun 50 dəfə təkrarlandığını belirtirken Cədvəl 7'də hər senaryo üçün “Total Data Points” dəyəri 120 kimi verilmektedir. Altı saat və üç dakikalık sampling interval tək bir deney üçün 120 örneğe karşılık gelir; cədvəlnun 50 təkrarı nasıl toplulaştırdığı açıq değildir.

Mənbə daxili raporlama notu 3: Recognition Rate formülü “Total Anomaly Data Points” değişkenini kullanmaktadır; ancak Cədvəl 7 bu dəyəri hər senaryo üçün ayrı kimi vermemektedir. Bu səbəbdən bildirilen recognition yüzdeleri yalnız cədvəldaki digər iki sütundan yeniden üretilememektedir.

Terminoloji notu: Metodin əsas bölümlerinde anomaly score “prediction residual/error” kimi tanımlanırken bazı POT açıklamalarında “reconstruction error” terimi istifadə olunur. Model autoencoder əsaslı bir reconstruction sistemi deyil, CNN-LSTM proqnoz modelidir; Verianla açıklamasında bu nedenle “proqnoz xətası/artığı” terimi esas alınmıştır.

Performans şərh sınırı: Kaynağın nəticə bölümü proposed modelin real-time throughput və edge suitability üstünlüğünü vurgulamaktadır. Buna karşın Cədvəl 5'te LSTM'nin 15,2 ms inference latency, 102,4 KB memory və 3,04 mJ enerjiyle CNN-LSTM-POT'tan daha düşük resurs sərfiyyatıne sahip olduğu görülmektedir. Bu səbəbdən proposed modelin avantajı salt inference hızı kimi deyil, detection accuracy ilə resurs sərfiyyatı arasındaki denge kimi şərhlanmıştır.

Əsas məhdudiyyətlər: Veri yalnız yeddi günlük kontrollü istixana mühitindan gelmektedir. Tədqiqat uzun dörütubət mevsimsel distribution shift, fərqli ürün türleri, ticari istixana operasyonları, geniş sensor filoları və ya fərqli gateway aparatları üzərində doğrulanmamıştır. En karmaşık çoklu düyün–çoklu sensor senaryosunda recognition rate %70'e düşmektedir. POT və sliding-window parametreleri tətbiq ortamına görə yeniden ayarlanmak zorundadır.

Bu Verianla açıklamasındaki bilimsel metod, model parametreleri, deney dəyərləri, performans ölçmələri və məhdudiyyətlər incelenen tədqiqatya dayanmaktadır. Dış təsdiqləmə yalnız bibliyoqrafik nəşr identikliyi, jurnal və rəylik durumunun teyidi üçün kullanılmış; mənbə xaricindən yeni deney sonucu və ya performans dəyəri eklenmemiştir.