4. ConclusionsThe ANNs training and

4. Conclusions
The ANNs training and tests achieved satisfactory results, reaching a MSE of around
0.07. Simple network architectures, with just four neurons in a single hidden layer are
appropriated for the solution of the studied problem, providing a faster training and the same
results of networks with more neurons. The highest errors were detected among the
agriculture and forest fire risk areas, while the untouched forest areas were classified with
almost 100% accuracy.
When simulated in Porto dos Gauchos municipality, the ANN model could indicate with
relative precision the spatial distribution of areas where forest fire events took place in the
year of 2005. The model result presented noises in areas that did not make part of the ANN
training, as rivers, roads and deforested areas boundaries. Those noises were efficiently
corrected by using a median filter with a kernel size of 5x5. However, it is recommended that
future works should take those areas into account along the ANN training process.
The comparison of the simulation result with hot spots indicators of fire captured by the
MODIS sensor from June to December 2005 presented good spatial agreement, being mostly
the spots concentrated in output values from 0.8 to 1.
The ANN model presented in this work allowed a fast and relatively precise method to
predict forest fire events in the studied area. Hence, it offers an excellent alternative for the
support of forest fire prevention policies, and also to assist in the assessment of burned areas,
reducing the uncertainty involved in the currents methods.
Nonetheless, further works are necessary in order to test and implement this method for
the different vegetation types of the Brazilian Amazon and to develop an optimized
operational methodology.

Results (Indonesian) 1:

4. kesimpulanANNs pelatihan dan tes mencapai hasil yang memuaskan, mencapai UMK dari sekitar 0,07. arsitektur jaringan sederhana, dengan hanya empat neuron dalam satu lapisan tersembunyi yang disesuaikan untuk pemecahan masalah belajar, memberikan pelatihan lebih cepat dan sama hasil dari jaringan neuron yang lain. Kesalahan tertinggi terdeteksi antara pertanian dan hutan api daerah-daerah berisiko, sedangkan kawasan hutan tak tersentuh diklasifikasikan dengan hampir 100% keakuratan.Ketika simulasi di Porto dos Gauchos kotamadya, ANN model dapat menunjukkan dengan relatif presisi distribusi spasial dari daerah-daerah yang mana kejadian kebakaran hutan terjadi di tahun 2005. Hasil model disajikan suara-suara di daerah yang tidak membuat bagian dari ANN pelatihan, sungai, jalan dan batas-batas daerah-daerah deforestasi. Suara-suara tersebut yang efisien diperbaiki dengan menggunakan filter rata-rata dengan kernel ukuran 5 x 5. Namun, dianjurkan depan harus memperhitungkan daerah tersebut sepanjang proses pelatihan ANN.Perbandingan hasil simulasi dengan hot spot indikator ditangkap oleh api Sensor MODIS dari Juni hingga Desember 2005 disajikan baik kesepakatan spasial, yang sebagian besar tempat yang terkonsentrasi di nilai-nilai output dari 0,8 ke 1.Model JST yang disajikan dalam pekerjaan ini diperbolehkan metode cepat dan relatif tepat untuk memprediksi kejadian kebakaran hutan di daerah yang diteliti. Oleh karena itu, menawarkan alternatif yang sangat baik untuk dukungan kebijakan pencegahan kebakaran hutan, dan juga untuk membantu dalam penilaian daerah terbakar, mengurangi ketidakpastian terlibat dalam arus metode.Meskipun demikian, bekerja lebih lanjut perlu untuk menguji dan menerapkan metode ini untuk vegetasi yang berbeda jenis Amazon Brasil dan untuk mengembangkan yang dioptimalkan metodologi operasional.

Results (Indonesian) 2:

4. Kesimpulan
The ANNs pelatihan dan tes mencapai hasil yang memuaskan, mencapai MSE sekitar
0,07. Arsitektur jaringan yang sederhana, dengan hanya empat neuron dalam lapisan tersembunyi tunggal
disesuaikan untuk solusi dari masalah yang diteliti, memberikan pelatihan yang lebih cepat dan sama
hasil jaringan dengan lebih neuron. Kesalahan tertinggi terdeteksi di antara
area risiko pertanian dan kebakaran hutan, sedangkan kawasan hutan tersentuh diklasifikasikan dengan
akurasi hampir 100%.
Ketika simulasi di Porto dos Gauchos kota, model ANN bisa menunjukkan dengan
relatif presisi distribusi spasial daerah di mana hutan peristiwa kebakaran terjadi di
tahun 2005. hasil model yang disajikan suara di daerah-daerah yang tidak membuat bagian dari ANN
pelatihan, seperti sungai, jalan dan area hutan batas. Mereka suara yang efisien
diperbaiki dengan menggunakan filter median dengan ukuran kernel 5x5. Namun, dianjurkan bahwa
karya masa depan harus mengambil daerah yang memperhitungkan sepanjang proses pelatihan JST.
Perbandingan hasil simulasi dengan hot spot indikator api ditangkap oleh
sensor MODIS dari bulan Juni sampai dengan Desember 2005 disajikan kesepakatan tata ruang yang baik, yang kebanyakan
para bintik terkonsentrasi di nilai output dari 0,8 ke 1.
Model ANN yang disajikan dalam karya ini memungkinkan metode yang cepat dan relatif tepat untuk
memprediksi peristiwa kebakaran hutan di daerah penelitian. Oleh karena itu, ia menawarkan alternatif yang sangat baik untuk
mendukung kebijakan pencegahan kebakaran hutan, dan juga untuk membantu dalam penilaian daerah terbakar,
mengurangi ketidakpastian yang terlibat dalam metode arus.
Meskipun demikian, karya-karya selanjutnya diperlukan untuk menguji dan menerapkan metode ini untuk
jenis vegetasi yang berbeda dari Amazon Brasil dan mengembangkan dioptimalkan
metodologi operasional.