Indonesi an  Journa l  of El ec t ri cal Engineer ing  an d  Comp ut er  Scie nce   Vo l.  9,  No.  3,   Ma rch   2018,  pp.  72 2 ~ 7 30   IS S N: 25 02 - 4752, DO I: 10 .11 591/ijeecs .v9.i 3.pp 72 2 - 7 30          722       Journ al h om e page :  http: // ia es core.c om/j ourn als/i ndex. ph p/ij eecs   Assessin g t h e Crown  Closu re of  Nypa on  UAV  Im ages usin g  Mean - Sh ift Segmentati on  Algorith m       Robert  Pa r uli an   Sil ala hi 1 ,  I Nen gah Sura t i Jay a 2 , T atang Ti ry ana 3 , F ai rus Mul ia 4   1, Bogor   Agric ul t ura l  Univ ersity ,   Campus   IPB Dramaga, Bogor, I ndonesia     2 ,3 Depa rtment   of   Forest  Man agem ent ,   Fa cul t y   of   Forestr y ,   Bogor   Agric ul tura l   Un ive rsit y ,   Campus   IPB Dramaga,   Bogor,   Indon esia       Art ic le  In f o     ABSTR A CT    Art ic le  history:   Re cei ved   Sep  19, 201 7   Re vised Dec  30, 2 017   Accepte d  Ja n 1 7,   2018       Util izati on  of  v er y   h igh - re solu t ion  images  becom es  a  new  tre nd  in  fore st   m ana gement,  pa rti cularl y   in  the   det e ct ion   and  id ent ifica ti on  of   f ore st  stand   var ia b le s.  Thi s  p ape r  d esc ribe s  th e  use  of  m ea n - s hift   segm ent at io n  al gori thm  on  unm anne d  ae rial  vehi c le s  (UA V)  i m age s  to  m ea sure  cro w n  cl osure  of  n y pa   (N y pa  fru ticans)  and   gap .   T he  27  combinat i ons  of  the  par am et er   val u es   such  as  spatial  r adi us  (hs),  r ange  ra dius  (hr) ,   and   m ini m um   re gion  size   (M) .   Gap  det e ct ion  an d  n y pa crown  clos ure   m ea surem ent s were   per for m ed  using a   h y brid  b et wee n   pixe l - base d  ( m axi m um   li kel ihood  cl assifie r)   and  obje ct - base d  appr oac h es  (segm ent at i on).     For  eva luation  of  the   appr oach   per form anc e ,   th e  ac cur acy   asses sm ent   was  done   b y   compari ng  obje c t - b ase d   cl assifi ca t ion  re s ult s  (segm ent ati on)  and  visua l  in te rpre ta t ion  (gro und  che ck ).  The   stud y   found   tha t the   b est com bina ti on   of  segm ent a ti on  p ara m eter  was t h e   combinat ion  of  hs  10,   hr  10  and  M  50,   with  the   over a ll   a cc ur a c y   of  76 , 6%   and  kapp a accur acy   of   55. 7% .   Ke yw or d s :   Nypa   U nm ann e d  ae rial  v ehicl es  (UAV)   M ean - s hift   S egm entat ion   Copyright   ©   201 8   Instit ut e  o f Ad vanc ed   Engi n ee r ing  and  S cienc e .    Al l   rights re serv ed .   Corres pond in g  Aut h or :   Rob e rt Pa ru li a n  Sil al ahi ,    Bogor A gr ic ultur al   U niv er sit y, Ca m pu s IPB   Dr am aga,    Bogor,  Ind on e sia  1668 0   Em a il :  ins - j ay a@ap ps .i pb.ac.i d       1.   INTROD U CTION     Ind on esi a  is  on e  of   th e  tro pica l  countries  ha vi ng   a  wide  var i et y  of   ecosyst e m s ,   sta rting   from   coastal  forest / lowla nd   (m ang rove,  sw a m p  forest,  pe at   swam p  fo res t ) ,  dry - lo w  la nd  f or e st,  up   to  m ou ntain ous   f or est s ,  su b - al pi ne  a nd  al pin e ) .  T o  obta in  a  s ound  basis  f orest   m anag em ent  pla nn i ng,  the re  is   a  nee d  to  pr ov i de  accurate  a nd  t i m ely  su pp or ti ng  data   relat ed  to   ecosyst e m   ty pe,   forest   cl asses,  forest   de ns it y,  biodi ver sit y,  sta nd i ng   stoc k,  et c.  On e  of  the  un i qu e  ec os yst em   ty pes,   wh ic h  ec onom ic al l y,  ecolog ic al ly ,  so ci al l y  an d  culturall y  play s  an  i m po rtant   ro le   is  the  m angr ov e  ec os yst e m .  In   Indon esi a,  this  m ang r ove  ecosyst e m   is   a  highly   vu l ner a ble  ecosyst em   to  co nv e rsion.  On e  of  the  veget at ion   that  go es  into  a n  ass oc ia ti on   of  m ang r ove   ecosyst em   is  nypa  ( Ny pa  frut ic an s ).   Nypa   veg et at io n  is  c omm on   in  est uar y  a reas  a ffec te d  by   ti de  [ 1].  I n  Ind on esi a ,   the  inf or m at ion   on   the  dynam ic   g r ow t h,   sta tus  and  pote ntial   of  ny pa  has  not  bee n  m uch   st ud ie d,   since  the  nypa   ecosyst em   is  le ss  at tract ive  and   e ve n  f requen tl y  co ns ide red   as  wastel a nd.  S om e  research e r s   ind ic at e  that  ny pa  veg et at io n  can  pro vid e  po te ntial   econom ic  value,   ei ther  at   sm a ll - sca le   or  la rg e - s cal e   bu si ness.  Ny pa   is  on e  ty pe  of   ve getat ion   t hat  m ay   pr ov i de  daily   nee d  pro du ct   f or  ho us e ho l d  co nsu m pt ion .  Seve ral  of   ny pa   researc h  fou nd   that  ny pa   ha s  a  po te ntial   to  be  a  so urce   of   foo d  beca us e  of  it s  have  hig h  carbo hydr at e  a nd   protei n   [ 2] ,   e ve n  acco r din g  t o  the   stu dy   [ 3 ] ,   nypa   c onta ins  a n  et ha no l  t o  pr oduce   fu el   energy .   Currentl y,  the  us e  of  rem ote  sensing  te ch nolog y  in  natu ral  resou rce  m anag em ent  is  a  m u st,  an d  eve n  for  a  sm all  sca le   fo rest  m anag em ent .   Now,   t her e  is  a  tren d  of   usi ng  ve ry  h igh - res olu ti on   i m ages   fo r  detai le d  forest  m anag em ent  up   to  the  tree - le vel  f or es t  m anag em ent .   Since  the  la unch  of  natu ral  re so urces  sat el li te s  for   Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Assessin g  t he C ro wn Cl osure  o f N y pa on U AV Im ag es  usi ng Me an - Shif t …   ( Rob ert   Paruli an S il al ahi )   723   ci vili an  us e  i n  the  19 70 s ,  the  dev el op m ent  of  rem ote  sensi ng   te c hnol og y  has  grown  rap i dly,  sta rtin g  f r om   a  low ,  m od erate   to  ver y  high  reso l utions.  In  li ne  with   thei r  de vel op m ent,  the  rem ote  sensing  has  bee n  al so  widely   us ed  f or   sup portin g  ei ther  reg i on al   le vel,  nationa l  le vel  or   ind ivid ual  tree  le vel  fo rest  inv e nt or y .   To day,  the  ad ven t  of  the  hi gh   a nd   ve ry  hi gh   re s olu ti on   had   pro vid e d   a  go od  oppo rtu nity   as  wel l  as  a   chall enge   al l  at   on ce .  T he  hig he r  the   spa ti al   reso l ution,  th e  m or e  detai le d  in form at ion   cou l d  be  der iv ed,   t he   m or e com plex  and reli able a ppr oac hes  a re r e qu i red.    In   a  ver y  hi gh - reso l ution   im a ger y,  the  us e  of  ordi nar y  pi xe l - base d  ap proa ch  su c h  as  s uperv ise d  an d  un s uper vise d  c la ssifie r  is   of t en  pro vid e d  le ss  accu rate  in f or m at ion ,  sinc e  the  cl assifi c at ion   is  s olely   al on e   base d  upon  th e  bri ghtness   va lues  ( re flect ance )   of  t he  obj ect .   T he  a dvent   of  obj ect - base d  cl assifi cat io n  te chn iq ue   of te n  cal le d  the  obj ect - based  im a ge  analy sis ( O BIA), which c on si der   not o nly t he  br ig htn e s s v al ue s   of   t he  ob j ect   bu t  al s o  the  s patia l  aspect  of  the  obj ect   be ing   a naly zed  has  offer e d  a  prom i sing   so lu ti on   to   ov e rc om e  the  dr a w back   of   t he  existi ng  pi xel - based   a nal ysi s.   The  o bje ct - base d  proc e ssing   is  c on si de red   to  hav e  a   bette r  pe rfor m ance  in  processi ng   hi gh - res olu ti on  di gital   i m age  b ecause,  in  a dd it ion   to  c on si der i ng   the   value o f  the  p i xel it sel f,  it  als o  c onsider s the  size (a rea) an d sha pe of  the  obj ect   withi n  th e i m age.    In   t he  la st  fe w   deca des,   t he  s patia l  reso l utio n  of  im ages  ha s  bee n  im pr oved  ra pid ly .  In   add it io n  to   sat el li te   i m age ry,  one  of  the  i m aging   platfo r m s   that  pr od uc e  ver y  hi gh - r es ol utio n  im ages  is  UAV  ( Un m an n e d  Aer ia l  Veh ic le ).   T he   U A V  i s  al so  cal le d  t o  as   dr on e   ( dy nam ic   rem ote ly   op e rated   na vig at io n  e quip m ent).   Now  cam era  te chnolo gy  us e d  in  the   U AV  is  m ai nly   convent ion al   cam era  that  m ay   pr ovid e  sp at ia l  res olut io n  up  to  5  cm .   H ow e ve r,   it s  rec ordin g  platfo r m   is  ver y  pe rs pecti ve  becaus e  it   can  be  fl own   un der   t he  cl oud y  weathe r  ( fly   be low  the  cl oud) ,  unm ann e d,   l ow   c os t,  fast  a nd   relat ively   low  risk.  Th us,   t he  U AV   te c hnol og y  beco m es  a  go od  al te r native  be cause  t he  data  obta ined   w oul d  be  ver y  detai l   and   real  ti m e,  as  well   as  c ould  be   ob ta ine d  easi l y  with  chea pe r   pri ce .  T he  u ti li zat ion   of   U AV   te c hnolog y  has  bee n  widely   us e d  to  i n  m any  aspects  su c h  as  m app in g  act ivit y  [4 ] ,  quantify ing   s patia l  gap   patte r n  [5 ] ,  cha ng e  detect ion   [ 6],   fo rest   inv e nt ory   act ivit ie s  [7 ] ,  ca nopy  s pectral  m app in g  [ 8],  m easur in g  sta nd   va riables  s uch  as  cr own   diam e te r,   canopy  pe rce nt age  an d  num ber   of   tree s  [ 9 ,  10]   as  well   as  est i m ation   of  the  sta ndin g  stock  a nd   sit e  ind e x  qu al it y o f  te ak   sit es [ 11] .   The  In c reasin g  res olu ti o n  of  the  di gital   i m a ges  from   low  reso l ution  to  ve ry  hi gh  res ol ution  ha ve   encou rag e d  a  dev el op m ent  of   i m age  pr oce s sing.  The  cu rrent  i m age  pr oc essing  tre nds  are  the  us e  of  obj ect - base d  cl assifi c at ion  m et ho ds,  as a co m pli m e ntary of th e p i xe l - base d  a ppr oa ch.   A   pix el - ba sed  a ppr oach   c an be   us e d  as  lo ng   as   a  pix el   is  the  s a m e  siz e  as  a  par ti cular  ob j ect   [12].  A n  ob j ec t - base d  ap proa ch  is  now  a po pu la r  appr oach in  hi gh and  ve ry h i gh - re so l ution i m age pro ces sing.    Ba sic al ly ,  t he  o bject - cl assif ic at ion   m et ho d  c onsist s  o f   two  par ts  nam el y  seg m e ntati on  a nd   cl assifi cat ion .  Conve ntion al l y,  the  se gm entat ion   is  the   init ia l  process  of   a n  obj e ct - ba sed  cl assifi e r,  the n  fo ll owe d  by  cl assifi cat ion .  I m age  segm ent at ion   is  gen e ra ll y  def ined  as  a  pr oc ess  of  div idin g  an  im a ge  int o  gro up s   w hich   are  s patia ll y  or   s pectrall y  un ifor m   [13].  Object - based  a ppro ac hes  ha ve  been  ap plied   in  s om e  works  s uc h  as   cl assifi cat ion   of  a gr ic ult ur al   l and  usi ng  S POT - 5  [ 14] ,  e xp l or at io n  of  the   urba n  in form ation   i n  Ci anjur   [ 15 ] ,  m app in g  of   c or al   reef  ha bi ta t  [16 ] ,  m app in g  la nd  c ov ers  c hanges  c hanges  i n  m angr ov e  ecosyst em s  [1 7],  detect in g  of  f or e sts  cha ng es  cause d  by  hurr ic a nes  [18 ] ,  the  ob j ect - ba sed  cl assifi ca ti on   of   la nd   us e  in O ntario, Ca na da h ad  al s o be e xa m ined  by  [ 19 ] .   In   t his  stu dy,   the  a uthors  fo c us e d  on  e xam ining   the   ap propriat e  obj ect - base d  c la ssific at ion   par am et ers  for   analy zi ng   t he   nypa  c row n  c losure  da n  ga p.  This  st ud y  in te gr at ed  t he  pi xel - based   ap proach  with  m axi m u m   li kelihoo d  c la ssifie r  an d  the  m ean - sh ift  al gorithm   in  segm entat ion   m et hod.   T he  us e   of   th e   m ean - sh i ft  seg m entat ion   al go rithm   is  widely   us ed  i n  earli er  stu dies  f or  be nth ic   m app in g  [ 20] ,  en vir on m ental  m anag em ent  m on it or ing   [ 21] ,  la nd   c over  c la ssific at ion   [ 22] ,  cha nge  detect ion   in  SA R   i m age  [23],  m edical   diag nosis  [24].   Although  the   m ean - sh ift  al gorithm   had   be en  su cces f ully   exa m ined  in   cl assify ing   buil ding  obj ect s  i n  s ub urba n  ar ea  [ 25 ] ,  the  a pp li cat ion  in   cl assify ing  ny pa  ve getat ion   is  sti ll   chall eng in g.  U p  t o  now ,   ver y  high - resol ution   im age  ut il iz ation   resea rch   for  nypa  e cosyste m   asse ssm ent  is  still   ver y  ra re.  The   m ai n  obj ect ive  of  th e  stud y  is  to  dev el op  a  cl assifi cat ion   te ch nique  for  assessi ng  the  n ypa  c rown   cl osu res  an d  their   gap   by  com bi ning  the  m ean - s hi ft  segm ent at ion   al gorith m   and   m axi m um   l ikeli ho od   cl assifi er  of   th e  pix el - base d  cl assifi c at ion .       2.        RESE A R CH MET HO D   2.1  Si te d escri pt ion       The  resea rc h  was  co nduct ed  within  t he   con cessi on   area  of   IUP HHK  PT  Ka nd el ia   Alam ,  geog raphical ly   locat ed  bet w een  10 9°34 ' 10 ,82”   E   &  109°4 1' 14 , 85"  E ;    and   betwee n  0°  35' 18,21 "  S  &  0°39 ' 53, 45 "   S.   A dm inist rati vely ,  the  st ud y   sit e  is  locat e d  within   K ub u  Ra ya   Re gency ,  W est   Kali m antan  Pr ovi nce  (F ig ure  1).  Fiel d  ob serv at io n  an d  f ie ld  m easur em ents  wer e  c ondu ct e d  in  20 16,  especial ly   in  area s   cov e re d by U A V  ( U nm ann ed   Aer ia l  Veh ic le )  im ager y.    Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   9 ,  No.  3 ,  Ma rc h 201 8   :   72 2   –   7 30   724       Figure  1.  Stu dy  sit e  m ap       2.2 Da ta and  So f tware     The  m ai n  data  us e d  in  this  stu dy  is  a  UAV  im age  hav i ng   10  cm   sp at ia l  re so luti on,  8  bits   rad iom et ric  value,   4  ba nds,  nam el y  Red ,  G ree n,   Bl ue ,  and   Alpha.   The  pr e proc essing   work   s uch   as  recti fi cat ion,   rad i om et ric  co rr ect io n,   a nd   ge om et ric  cor recti on   was  done   by  data  su pp li er.  The  us e d  UAV  im ages  wh ic h  cov e r  ap pro xi m at ely  40 87  ha ,  wer e  recor de d  in  Fe bruar y   2016 .  Ot her   s upportin g  data   us ed  i n  this  stud y  are   the  data  c ollec te d  from   gr ou nd  m e asur em ents  su c h  as   an   in div id ual  diam e te r  of  nypa,  le ng t h  a nd  diam et er  of   le aves,  a  num ber   of  le aves,  a  nu m ber   of  stu m p  and   weig ht  of   sam ple  nypa   (100 - 200  gra m ).   The  p r oce ssing  and   data  analy sis  wer e   done  us in g  s om e  so ftwar e  su c h  as   QGIS  2.18,  Orfeo   To olbo x  /  Mon te ve rd i  1.24,  ERDA S I m agine 9. 1  a nd Mi cro s of t  Ex cel   20 10.       2.3  Fie ld  Me asure men t and Data Pr ocessi ng     2.3.1  Fie ld me as ureme nt     Fo r  c om par iso n  an d  accu rac y  assess m ent  pu r poses  as  wel l  as  to  ob ta in  qu a ntit at ive  an d  qual it at ive   inf or m at ion   ab ou t  the  a ct ual  conditi on   of  ve getat io n  i n  th e  fiel d ,   the n   groun d  obse rv at i on   a nd  m easur e m ent  wer e  perform e d.   T hese  fiel d  ob s er vations  and   m easur em e nts  wer e  c onduct ed  on  f our  cl us te r  plo ts  ha ving  a  siz e  of   60  m   x  100  m .  Each  cl us te r  was  div id ed  int o  15  s ub  cl us te rs  ( cl us te r  el em ents),   ha ving  a  siz e  of   20   m   x  20  m   each.  The  posit ion   of  the  cl us te r  was   m ade  in  su ch  a  way  so   that  i ts  po sit ion   rela ti vely   per pe nd i cula r   to the ri ve r flo w.     2.3.2 Pr e - pr oc essing     Pr e processin g  of  U A Vs  inclu des  im age  cro ppin g  that  fit  the  sel ect ed  cl us te r  locat ions.  Crop ping  wa s   done  t o  f a ci li tate  the  pr ocess  of   segm entat ion   a nd  cl assifi c at ion .  The   siz e  of  the  U AV  im age  f or   eac h  area  of   interest   is  1100   x  11 00  pi xels  or   a ppr ox im at e ly   11 0  x  110  m et ers  in  siz e.    T he  area  of  interest   was  sel ect ed  t o  cov e r  three  cl asses  nam el y  m ang r ove,  ny p a  and   ga p.   Ea ch  cr opping  pr ocess  of  the  a rea  of   inte rest  (A O I)  i m age w as car r ie d  out by fi rstly   re m ov in g  th e  al ph a  ba nd, so that the im age o nly h as  a  Re d  ba nd, Gree n band ,   and Bl ue ba nd.       2.3.3 Se gme ntati on     Segm entat ion   process  is  the   init ia l  ste p  i n  ob j ect - based  i m age  cl assifi cat ion   ( OBI A ),   w he re  it s   cl assifi cat ion   a lgorit hm   was  do ne  by  m erg in g  sm al le r  segm ents  into  la r ge r  ob j ect s  base d  on  it s  hom ogeneit y  (i.e.,   a  sim i la rit y  of   s pectral  va lue  an d  s patia l  char act erist ic s)  of  t he  im age.  The   segm entat ion   m e tho d  use d  in   this  resea rch   is  us in g  a  m ean - s hift  al go rithm   of   Orfe o  T oo l box/ M on te verdi  1.2 4.  I n  this  st udy,  the   segm entat ion   appr oach   us ed   was  base d  on   sp ect ral  an d  sp at ia l  app r oac hes.   T he  m ean - sh i ft  al go rit hm   was  first  intr oduce d  by  [ 26 ]   a nd   has  bee n  pro ven  that  this   m et ho d  is   a  ve rsati le ,  non - pa ram et ric  m e t hod  for  est i m ating   gr a dients  i n  the  cl us te rin g  pro cess.   S om e  research  suc cess fu ll y   im ple m e nted  t he  m et ho d  f or   Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Assessin g  t he C ro wn Cl osure  o f N y pa on U AV Im ag es  usi ng Me an - Shif t …   ( Rob ert   Paruli an S il al ahi )   725   so lvi ng   prob le m s   at   low - le ve l  vision   [ 27] .   The  pa ram et e rs  us e d  in  se gm enta ti on   pro cess  us in g  m e an - s hift   al gorithm   are  the  s patia l  ra diu s,   ra nge  ra di us,   a nd  m ini m u m   reg ion  siz e.    I n  this   stu dy ,   t he  a uthor s  e xa m ined   27   c om bin at io ns   of  se gm entat ion   pa ram et ers  to  obta in  se gm entat ion   inf orm ation   on  ca nopy  a nd   ga p  of   nypa   veg et at io n  a t  r esearch  locati on  (Tab le   1) .               Table  1.   C om bin at ion   of the  param et er ex am ined o n  the  se gm entat ion   No   Settin g   hr   hs   M   Co m b in atio n   No   Settin g   hr   hs   M   Co m b in atio n   1   2   3   4   5   6   7   8   9   10   11   12   13   14   Settin g  01   Settin g  02   Settin g  03   Settin g  04   Settin g  05   Settin g  06   Settin g  07   Settin g  08   Settin g  09   Settin g  10   Settin g  11   Settin g  12   Settin g  13   Settin g  14   5   5   5   5   5   5   5   5   5   10   10   10   10   10   10   10   10   20   20   20   30   30   30   10   10   10   20   20   50   100   150   50   100   150   50   100   150   50   100   150   50   100   5 - 10 - 50   5 - 10 - 100   5 - 10 - 150   5 - 20 - 50   5 - 20 - 100   5 - 20 - 150   5 - 30 - 50   5 - 30 - 100   5 - 30 - 150   10 - 10 - 50   10 - 10 - 1 0 0   10 - 10 - 1 5 0   10 - 20 - 50   10 - 20 - 1 0 0   15   16   17   18   19   20   21   22   23   24   25   26   27     Settin g  15   Settin g  16   Settin g  17   Settin g  18   Settin g  19   Settin g  20   Settin g  21   Settin g  22   Settin g  23   Settin g  24   Settin g  25   Settin g  26   Settin g  27   10   10   10   10   15   15   15   15   15   15   15   15   15   20   30   30   30   10   10   10   20   20   20   30   30   30   150   50   100   150   50   100   150   50   100   150   50   100   150   10 - 20 - 1 5 0   10 - 30 - 50   10 - 30 - 1 0 0   10 - 30 - 1 5 0   15 - 10 - 50   15 - 10 - 1 0 0   15 - 10 - 1 5 0   15 - 20 - 50   15 - 20 - 1 0 0   15 - 20 - 1 5 0   15 - 30 - 50   15 - 30 - 1 0 0   15 - 30 - 1 5 0   Remarks:    hs   :    Spatial  r adi us (p i x el) ,  hr  :  R ange radius/spec tr al   v alue  (DN )   and           M   :   Minim um   re gion   siz e  (p ix el )       Sp at ia l  rad ius  is  a  par am e te r  that  has  a  fu nc ti on   to  co ntro l   the  distance,  m easur ed  by  a    nu m ber   of  pix el s.  T he  s pa ti al   rad ius  wil l  gr ou p  a  num ber   of   pix el s  i nto   on e  se gm e nt  or   one  ob j e ct ,  wh e reas  th e  range  rad i us   is  a  se gm entat ion   pa ra m et er  that  correspo nd s   to  t he   sp ect ral  valu e  of  each   pi xe l.   The  ra ng e  r adius   ref e rs  to  sp ect ral  var ia bili ty   (d ist anc e  in  n - dim ension al   sp at ia l  sp ace)  to  gro up   a  nu m ber   of   pix el s   into  a  sing le  se gm ent.   Furthe rm or e,  it  is also d efin ed  that t he  m in i m u m   reg ion   siz e (M)  is a p ar a m et er r el at ed  to the   m ini m u m  s iz e  of  the  nu m ber   of   pix el s that f or m  a sing le  obj ect . O bj ect s t ha t ha ve  the nu m ber  o f  pix el s  belo w  the  pa ram et er  value  will   be  com bin ed  with  t he  nea rest  ob j e ct .  Af te r  t he  pa ram et er  values  are  determ ined,   t he   segm entat ion   process  is  perf or m ed  on  al l  fo ur  res earc h  cl us te rs .  At  the  end   proces s,  si nce  the  se gm e ntati on   was   proces sed  on   the  ra ste r - f or m at te d  data,  an  outp ut  of   th e  segm entat ion   would  al so   ra ste r  form at .    Fi nal l y,  it  is n eede d  t o conve rt r ast er   data into  a  vect or form at .           Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   9 ,  No.  3 ,  Ma rc h 201 8   :   72 2   –   7 30   726   Figure  2. Flo w   diag ram  o f  t he  stu dy pro ce ss    2.3.4  Clas si ficat i on     In   this  stu dy,  the  auth or   a ppli ed  the  hybr i d  betwee n  the   obj ect - base d  (seg m entat ion ,   OBIA)  a nd   pix el - base d  m axim u m   l ikelih oo d  cl assifi er   (MLC).  T he  resu lt s  of   se gm entat ion   cl assifi cat ion   re sul ts  of   segm entat ion   r un   us i ng   O rf e o  T oo l box/Mo nteve rd i   was  t hen   i nc orporat ed  with   th e  re su lt s  of  s up e r vised  cl assifi cat ion   r un   us in g  ERD AS   im agine.   Du ri ng   the  cl assifi cat ion   us i ng   MLC ,  sever al   cl asses  wer e  de fine d,   nam ely  nypa  canopy,  m angrove  ca nopy,   bar e   la nd,  ga p,   a nd  water   body .  T he  r esults  of  s upe rv ise d  cl assifi cat ion   ha ve  the n  us e d  an  at tribu te   of  each  poly gon  ob ta ine d  du ring   se gm entat i on .   T he  cl assif ic at io n  ste p ou tl ine d  i n  this  stu dy is  dep ic te d i n Fi gure  2.       2.3.5  Accur ac y Assessme nt   On e  of   t he  im portant  issue s  in  determ ining   the  optim al   se gm entat ion   is  i n  the  acc ur acy   assessm en t.  Althou gh the re  are  s om e  m et h od to  ass ess th e p er f or m ance o f segm entat ion  s uch as  fr a gm entat ion  in de x  [ 28] ,   the  area  fit  ind ex  [ 29]   and   there  is  al so   ano t her   m et ho d  to  evaluate  the  segm entat i on   re su lt   us in g  area,   per im et er  and   sh a pe  ind e x   (SI)  [ 30 ] .  T his   stud y  us e d  a  co m par ison   betw een  the  segm e ntati on   res ults  with   ref e ren ce  area .      To  ide ntify  th e  m os t  accurat e  segm entat ion   pa ram et er  fo r  asse ssin g  the  ny pa  cr own  cl osure  a nd   gaps,  the  c onve ntion al   c onf usi on   m at rix  an al ysi s  was  perf or m ed.   The  da ta   ref ere nce  use d  f or   e xpressi ng   t he  act ual  crown   c losure  an d  ga ps  der i ved   is  th e  data  der i ved   from   visu al   interp retat ion   a nd  groun d  obse rvat ion.   The  c om par ison  betwee n  th e  aut om at ed  cl assifi cat ion   ( OBI A  a nd  M LC)  was  t hen  us e d  to  cal cu la te   the  ov e rall  accu rac y (OA)  and  ka pp a  accu racy  a s the  fo ll ows   [ 31 ] .                            1        100       (1)                            1 -                       1   2 -                           100                       (2)     Rem ark s :   OA   : Ov e rall  accu r acy  ( %)   K   : Kappa acc ura cy  ( %)   X ii   : C oin ci de d val ue  (num ber  of  pix el )   N   : Total   pi xel   K   :  Kappa acc ura cy   (%)   X i+   :  The  s um  o f  c olu m n  j   X +i   :  The  s um  o f r ow  i     2.3.6  Cro w n   Clos ur e   The  resu lt s  of   the  accu racy  a ssessm ent  fo r  al l  com bin at ion s  of   t he  pa ra m et er  set ti ng   wer e  us e d  t o  identify   the  optim al   seg m entat ion   param eter s.  T he   best  com bin at ion   of  segm entat ion  par am et er  was  then   us e d  to   cal cul at e  the  value   of  cr own   cl osu r e   (Cc)   of  n ypa   in  eac h  cl us te r.   Pr io r  t o  a ny   f ur the r  proces s,  the   cl us te r  was  si m ula te d  into se ver al  p lot form s  acco rd i ng  to the  sha pe   an d  s iz e  of  the f ie ld p lot . S el ect ion  o f  t he   m os t  op tim a l  plo t  siz e  si m ul at ion   was  done   by  con si der i ng   the  c oeffici ent  of   c o va riance  (CV )  val ue   of   the   bio m ass ,  volu m e  and   nypa   densi ty   var ia ti on.    T he   pe rc entage  of  c rown  cl osure   is  the  rati o  bet w een  total   crow n  c ov e rage (m 2 )  and p l o t si ze (m 2 ).       3.         RESU L TS  A ND AN A LYSIS     The  sel ect io n  of   t he  best  se gm entat ion   par a m et ers  is  done   by  eval uatin g  t he  a ver a ge  val ue  of  overall   accuracy  (OA )   an d  k ap pa  acc ur acy   (KA)  f or  al l  f our  cl us te rs.   Re ca pitula ti on   of  accu rac y  values   of   O A  a nd  KA  are   su m m arized  i n  Fi gur e  3 .   T he  acc uracy   value   was   der i ved  by  c om par ing   the   se gm entat ion   an d  visu a l   interp retat ion  a s w el l as  fiel d ob s er vation as  ref e ren ce  d at a.   Of   the  27  com bin at io ns   of  th e  segm entat ion   par am et er  exam ined ,  we  fou nd   t hat  the  rel at ively   hig h  accuracy  in  pr edict ing   the  c r own  cl osure  of  nypa  we re  pr ov i ded   by  the  set ti ng - 10   (10 - 10 - 50),   set ti ng - 01  ( 5 - 10 - 50),   set ti ng - 04  ( 5 - 20 - 50)  and   set ti ng - 19  (1 5 - 10 - 50 )  ha ving  overall   accuracy  bet we en  76. 5 %  an d  76. 6 %   and   k a pp a  acc ur acy  b et wee n  55. 6   a nd  55. 7%   (F ig ure  3) .   The  cl assifi cat ion   acc uracy   ob ta ined  by  a pp l yi ng   the   com bin at ion  of   m ean - sh i ft alg or it hm  an d  pi xe l - base d  m axi m u m  li kelihood  cl assifi er is s li gh tl y l ow er t han  t he  accuracy  of   t he  com bin at io n  m ean - sh ift  al gorithm   and   support  vector   m a chine  ( SV M)  cl assi ficat io n  Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Assessin g  t he C ro wn Cl osure  o f N y pa on U AV Im ag es  usi ng Me an - Shif t …   ( Rob ert   Paruli an S il al ahi )   727   exam ined  by  [ 25 ] .  T his  is  m is  du e  to  t he  siz e,  sh a pe  an d  bri ghtness  va lue  of  the  ny pa  ve getat ion   m or e  com plica te d  than  siz e,  sh a pe a nd brig htn es s  value o f  the  bu il din g o bj e ct s.      0 . 0 1 0 . 0 2 0 . 0 3 0 . 0 4 0 . 0 5 0 . 0 6 0 . 0 7 0 . 0 8 0 . 0 9 0 . 0 1 0 0 . 0 01 02 03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 A c c u r a c y (% )   Pa r a m e te r   Se tti n g   K a p p a   a n d   O v e r a l l   A c c u r a c i e s   Ka p p a OA     Figure   3 .   O veral l and   Ka pp a   Accuracy  fo r  a ll  co m bin at ion   of seg m entat ion   par am et er       Fr om   these  accuracy  val ues,  it   is  no te d  tha t  the  var ia ti on   in  the  value s  of  sp at ia l  rad i us  and   r an ge   rad i us   do e s  no t   pro vid e   a  si gnific ant  di ff e ren ce  of  acc ur acy   (F i gure  4).  No  sig nificant  dif fer e nce  i n  acc uracy   was  obta ined   wh e n  t he  s pat ia l  rad iu s  was   increas ed   or  decr ease d.  Of   al l  set ti ng ,  it   seem s  that  the  m os t   accurate  sp at ia l  rad ius  pa ram et er  fo r  pr e dic ti ng   the  crow n  cl os ur e  is  10   pix el s.  Wh e n  the  sp at ia l  rad i us   is   change d  to  1 5  then  the  accu ra cy   decr eased .  Fr om   the  ran ge   rad ius  po i nt  of   vie w,   the  in crease  of  range   rad iu s   from   10   to  20  causin g  t he  de cl ine  in  OA  f r om   76 . 6%  to   76. 3%,   ve ry  ti ny   change   (s ee  set ti ng - 10  ( 10 - 10 - 50)   and   s et ti ng - 13  (10 - 20 - 50) )   (Fi gure  4 b ) .  T he   range  ra di us  di ff ere d  sig nific antly   wh e n  it   r ai sed  f ro m   20   to  30  pix el s  (F ig ure  4 b ), causi ng a  decr ease  of  ov erall  accu racy  2.8% a nd  kapp a accu racy o f  a bout  5.1%.       7 6 . 5   5 5 . 6   7 6 . 6   5 5 . 7   7 6 . 5   5 5 . 6   0 . 0 2 0 . 0 4 0 . 0 6 0 . 0 8 0 . 0 1 0 0 . 0 OA Ka p p a Sp a ti a l   R a d i u s   (h s )   Se t t i n g   0 1 Se t t i n g   1 0 Se t t i n g   1 9   a)   7 6 . 6   5 5 . 7   7 6 . 3   5 5 . 2   7 3 . 5   5 0 . 1   0 . 0 2 0 . 0 4 0 . 0 6 0 . 0 8 0 . 0 1 0 0 . 0 OA K a p p a R a n g e   R a d i u s   (h r )   S e t t i n g   1 0 Se t t i n g   1 3 S e t t i n g   1 6   b)   7 6 . 6   5 5 . 7   7 5 . 0   5 2 . 7   7 4 . 0   5 0 . 6   0 . 0 2 0 . 0 4 0 . 0 6 0 . 0 8 0 . 0 1 0 0 . 0 OA Ka p p a M i n i m u m   R e g i o n   Si z e   (M )   Se t t i n g   1 0 Se t t i n g   1 1 Se t t i n g   1 2   c)   Figure   4 .   O veral l and   Ka pp a   accuracy  for  al l par am et er           The  thir d  par a m et er  we  ob se rv e d  was  the  m ini m u m   reg ion   siz e  (M).   T his  M  par am eter   determ ine s   the  num ber   of   pix el s  that  m a y  com po se  a  sing le   se gm ent  (o bject ) .  W e  se t  up   the  M  siz e  on   the  basis  of   the   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   9 ,  No.  3 ,  Ma rc h 201 8   :   72 2   –   7 30   728   ind ivi du al   diam et er  of   nypa   tree,  that  rangin g  from   0. 5  m 2   ~   1. 5  m 2 .  These  M  valu es  are  from   50   to  15 0  pix el s.   Th e  stu dy  f ound  t hat  the  high  acc ur a cy   set ti ng s  a re   obta ine d  f r om  the  value   M  of  50  pi xels.  T he   M   hav i ng   siz e  m o re  tha n  50  pix e ls  reduce  the  overall   accu racy .  The  m ini m um  reg io n  siz e  diff e re d  sig nifi cantl y  wh e n  it   raised  to  100  pi xels  ( Figure  4c ),   an d  causin g  a  decre ase  of   ove rall   accuracy  2.6 %   and   ka ppa  accurac y   5.1%.       Am on g  the  t hree  segm entat ion   pa ram et ers  evaluated ,  it   is  sh ow n  that  the   M  is  the  m os t  aff ect in g  par am et ers,   la r ger  tha n  t he  s pa ti al   rad ius   a nd  range   ra diu s .  This   is  in   li ne   with   the   stu dy  car ried  out  by  [ 2 7],   expressi ng   t hat  sp at ia l  rad i us   was  le ss  se ns it ive  than  t he  oth er  se gm entat i on   pa ram et er.  The  M  is  ex pressi ng   the  ny pa  siz e   ( crow n  c ov e ra ge ).   T he   ra diu s   range  w hich  e xpress es   the   ra ng e   of  sp ect r al   is  le ss  se ns it ive  in   disti nguish i ng the  ny pa  le a ve s  an d  ga p . Thu s  it   caus e s   le ss sign ific a nt   in   s egm entat ion   pr ocesses   of  t he  crow n  cl os ure a naly sis o f  the   ny pa.               (1)   (2)   (3)   a)  Clust er  1         (1)   (2)   (3)   b)  Cluste r   2         (1)   (2)   (3)   c)  Clust er  3         (1)   (2)   (3)   d)  Cluste r   4   Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Assessin g  t he C ro wn Cl osure  o f N y pa on U AV Im ag es  usi ng Me an - Shif t …   ( Rob ert   Paruli an S il al ahi )   729   Figure   5 .  Com par is on b et wee n  sam ple o f  ori gin al  im age o f   the UA V  (le ft  colum n   : 1 ) wit h  se gm entat ion   resu lt s  us in g se tt ing - 10 ( m idd le  co lum n   :  2 )  a nd the  set ti ng - 04 (rig ht co l um n   : 3 )  at  clu ste r 1 ( a )  ~ cl us t er  4  (d).   To  inc rease  the  accu racy  of  crow n  cl osu re  de li neati on,   the  auth or s  a lso  ap plied  a  pix el - base d  cl assifi er  that   reli es  on   it s   sp ect ral   sig na ture.  T he  se gm entat ion   re su lt   was   the n   com bin ed   wi th  the   cl assifi cat ion   r esult  ob ta ine d  fr om   the  su pe rv ise d  cl assifi cat ion .  T his  is  in  li ne  with  t he  stud y  of  [ 20 ]   fo r   ident ific at ion  of   be nth ic   habi ta t.  How eve r,   his  fi nd i ng   pro vid e d  a  ver y  l ow  overall   acc ur acy   of   only   27.7% .   His  stu dy  note d  that  lo w  acc ur acy   m ay   be  du e   to  the   ga p  from   seg m entat ion   process  w hen  integ rati ng   phot o - transect  an d  cl us te r .  Be si des,  the  low  acc uracy   m ay   be  due  to  the  sam pl e  locat ion   that  do es   not  m a tch   wit h  the ob j ect  in  th e m ap.     The  ex am inatio n  on  the  use   of   a  pix el - base d  m et ho d  to  cl assify   crow n  cl os ure  a nd   t he  gap   was  al s o  perform ed.   Howev e r,   the  st udy  resu lt s  s how  that  it s  abili ty   to  identify   the   obj ect   is  sti ll   low.   O ne   of   it s  dr a w back s   is  i n  th e  la belin g  of  ob j ect s,  w hich  is  only   bas ed  on  the   bri ghtness   val ue  or  c olor  of  the  obj ect ,   without  co ns i de rin g  the  s patia l  aspects  su c h  as  locat io n,   siz e,  sh a pe,   te xture,  et c.  T he   su ccess  or   fai lure  of  pix el - base d  cl assifi cat ion   is   so le ly   deter m ined  by  it s  br i gh t ness  val ue.   Th us ,   the   qual it y  of   t he   obj ect   cl assifi cat ion   r esults  dep e nds  on   the  qu al it y  of   pix el - base d  qu al ific at io n  re su lt s.  The  diff i culty   in  determ ining  the  sp ect r al   separ at io n  of   a  c la ss  al so   bec om es  a  chall enge  in  pixe l - ba se d  cl assifi cat ion  par ti cula rly   in  us i ng   the  high - res olut ion   data.   T he  low  accu racy  of   usi ng  sp ect r al   ran ge  ( ra diom et ric)  m igh t  be  due  to  the  im age   qu al it y  (b lu rr i ng /i m age  m oti on   a nd   lo w  s pe ct ral  reso luti on)  [ 32 ,  3 3 ] .  T he  i m a ge  blu r r ing   due  to  the   hig h  i m age  m otion   aff ect   the  a bili ty   of   U AV   im age  in  ide ntify ing   the  obj e ct   of   i nterest  [ 32 ,  33 ] .  T he  pr es ence  of   no ise   al so   re duces  the  acc urac y  of  segm entat ion .   I n  t he  very   high - res olu ti on  im ager y,  it   is  quit e  com m on  that   the  sm a ll   siz e   of   gap s  am ong  trees,  br a nc h e s,  tw gs,  a nd   l eaves  caus  ng  “sal t  and   pe ppe ”  no se .  The   o the r   so urce  of  no is e  m ay   co m e  fr om   the  m isregistrat ion  a nd  geo m et ric  corr ect ion   durin g  pr e - pr ocessin g  sta ge.   Ba sed  on  the  be st - sel ect ed  pa ram et er  seg m e ntati on   set t ing - 10,  the  cr own  cl os ure  of  ny pa   within  the  sa m pl in g  plo t a re r a ngin g from  3 8.4% t o 61.6% .       4.          CONCL US IO N   Fr om   the  fo re goin g  res ults  an d  disc us sio ns ,  t his  stud y  co ncl ud e s   that  the  m os t  op tim a l  s egm entat ion   par am et ers  in  m easur in g  the   crow n  cl osure   of   n ypa   an d  ga p  is  prov i de d  by  the  set ti ng - 10 ,  wh ic h  ha s  10  f or   sp at ia l  rad ius ,   10   f or   range   rad ius  a nd   50   f or   m ini m u m   reg ion   siz e .   The  accu racy  of   this  segm entat ion  par am et er  co m bin at io n  prov i des  a ppr ox im a te ly   7 6.6 %  of   ov e rall   accu ra cy   and   5 5.7 %  for  kappa  acc ur acy .   This  stu dy  al so   co nclu de d  that  var ia ti on  of  m in i m u m   re gion  siz e  (M)  con t rib ute  a  sign i ficant  va riat ion   in   accuracy  asse ssm ent,  gr eat er  tha n  an ot he r  pa ram et er  sp at ia l  r adi us   (h s )   a nd   ra nge  rad i us   (hr) .   The   cl assifi cat ion   te chn i qu e  by  com bin ing   of  pix el - base d  an d  obj ect - base d  has  giv e n  a  prom isi ng   resu lt   in   delineat in g  a  ve ry sm all f eat ure  within t he  n ypa v e getat io n.       REFERE NCE S   [1]   Duke  NC.  Man grove   Floristi cs  and  Biog eogr a ph y .   In:   Roberts on  AI,  Alongi  DM .   Edi tors .   T ropic a l  Mangro v e   Ec os y st ems .   W a shington  DC:  A m eri ca n  G eoph ysica l   Union. 199 2.   63 - 100 .   [2]   Heri y ant o   NM ,   Subiandono  E ,   Karl ina  E.  Pote nsi  dan  seb ara n  Nipah  ( Ny fa  fru ct i cans  (Thunb. )   W urm b)  Sebaga i   Sum ber da y a   Pan gan.   Jurnal Pe n didi kan   Hutan  d an  Konservasi  A lam .   2011;   8(4):   327 - 335.   [3]   Ta m unai du  S,  Matsui  N,  Oki m ori  Y,  Saka  S .   Nipa  ( N ypa  fr uti cans )  sap  as  a  pote n ti a l  f ee d stock  for  e tha n ol  produc ti on .   Journal  B iomass   and  Bi o ene rgy .   201 3;  52:   96 - 102.   [4]   Eve ra ert s  J.  Th e   Us e  Of  Unm an ned  Aeri a l  Vehi cl es  (UA VS )  for  Remote  Sensing  And  Mapping.  The  Inte rnation al  Archi v es  of   The  Phot ogram metry ,   R emote Se nsin g  and  Spat ial Inf orm ati on  Scienc es .   2008;   38:   11 87 - 1192.   [5]   Getz in  S,  Nus ke  RS ,   W ie gand  K.  Us ing  Un m anne d  Aeri al   Ve hic l e  (UA V)  to  Qu ant if y   Spatial   Gap  Patt ern s  In  Forests.  Re mot e Sens .   2014;   6(8):   6988 - 7004.   [6]   W al la c e  L ,   Lucie er  A,  W at son   C.   Assesing  th e  Fe asibi li t y  of   UAV - based  LiDAR  for  High  Re soluti on  Fore st  Change  Detect i on .  Th e  12th  C ongre ss   of  the   Inte rna ti ona l  Societ y   for  Photo gra m m et r y   and  Remote  Sensing .  Melbourne .   201 2;  39:   499 - 504.   [7]   W al la c e  L ,   Lu ciee r  A,  Turne r  D ,   W at son  C.   Error   Assess ment  And  Mit iga ti on  F or  Hype r - Tempor al  UAV - Borne   Lidar   Surve ys  Of  Forest  In ve n tory .  The   1 1 th  Int er nat ion al   Conf erence   on   Li DA R  Applic a ti ons  for  As sess ing  Forest  Ec os y st ems .   Hobart .   2012;   1 - 13.   [8]   Dandois  JP ,   El li s  EC.   High  Spatial  Resolution   Thre e - Dim ensi onal   Mapping  Of  Vege ta ti on  Spect ra l  D y nam ic s  Us ing  Com pute r  Vision.   Journal Re mote   Sensing   of  En vi ronm ent .   2013;  136:   259 - 276.   [9]   Ja y a   INS ,   Cah y ono  AB.   Kajian  Te kn is  Pem anf aata n  Potr et  Udara   Non - Metri k  Form at   K ec i l  Pada  B idang   Kehuta nan .   Jurnal  Manaj eme n  H utan  Tr opik a.   20 01;   7(1):   55 - 64.   [10]   Ja y a  INS ,   Kle in n  C,   Mela ti   D,  F ehr m ann  L,   Pére z - Cruza do  C ,   Sept y awa rda n i  E,   Dhani  FA R,   W ac hjuni   S.  Utiliz i ng   Mult i - Sourc e  Data  For  Sustainabl e  Forest  Ma nageme nts  In  Indone sia.  Bridgi n g  The  Gap  Be twe en  Informatio n  Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   9 ,  No.  3 ,  Ma rc h 201 8   :   72 2   –   7 30   730   Nee ds  And  For est  Inv en tory  C apaci t y .  Proce e dings  of  the   5 th   I nte rna ti ona l  DA AD   W orksh o p.     Durban  da n   Piet ermari tz burg .   2015:   163 - 181.     [11]   Kus nadi ,   Ja y a   I NS ,   Pus pani ngsih  N,  Basuki   M,  Hakim  L.  Model   Penduga  Kua li t as  Te m pat  Tum buh  Jati  ( Tect on a   gra ndis )  Mengg unaka n  Ci tra  Re solusi  Sangat   Tinggi  Pesawat   Tidak  Ber awa k  Di   KP H  Nganjuk.   Jurnal  Pe n eliti a n  Kehut anan  Wa llace .   2016;   5(2):   185 - 194.   [12]   Bla schke   T.   Obj ec t  B ase d  Im age   Anal y s is  for  Remote  Sensing.   ISPR S  Journal   of  Phot ogram metry   and  R emot e  Sensing .   2010 ;  6 5(1):  2 - 16.   [13]   Pal  NR,  Pa l  NK .   A Re vi ew  on   I m age   Segm ent a t ion  T ec hniqu es.   Pat te rn   Recogni t ion .   1993 ;  26(9) :   1277 - 1294 .   [14]   Duro  DC,  Frankli n  SE,   Dube  MG .   A  Com par ison  of  Pixel - B ase d   and  Obje ct - Bas ed  Im age   Anal ysis  W it h  Sele c ted   Mac hine   Le arn i ng  Algorit hm s  for  The   Cla ss ific at ion  of  Agric u ltural  L andsc ape s   Us ing  Spot  HR G  Im age r y .   201 2;  118:  259 - 272.   [15]   Sari  NM ,   Kus ha rdono  D.  Objec t  Segm ent at ion  on   UA V   Photo  Dat a  to  Support  the   Provision  of  Rur al   Area   Spatia l   Inform at ion.  For um Geografi .   20 15;  29(1):   49 - 58.   [16]   W ahi din  N,  Sire gar   VP ,   Naba ba n  B,   Ja y a  I ,   W outhu y ze n  S.  Obj ec t - b ase d  Im age  Anal y sis  for  Co ra l  Re ef  Bent h i c   Habit a t  Mapping   with  Sev eral  Cl assific a ti on  Algo rit hm s.  Proc edi a   Environm ent al   Sci en ce s .   2015;   24:  222 - 227.   [17]   Conche dda  G ,   Durie ux  L,  Ma yaux  P.  An  Obje ct - base d  Me thod   for  Mapping  an d  Change   Anal ysis  in  Mangrove   Ec os y st em.  In te r nati onal Journal   of Re mot e  Se nsing .   2008;   63(5):   578 - 589.   [18]   Cheha t a  N,  Orny   C,   Boukir  S,  Gu y on  D,  W igne ron  JP .   Objec t - base d  Change   Detect ion  in  W ind   Storm - Da m age d  Forest  Us ing  High  R esolut ion  Multi spec tral  Im age s.  Inte rnational   Journal  of  Re mote  Sensing .   201 4;  35(13):  4758 - 4777.   [19]   La ckn er  M,  Co nwa y   TM.   Det ermining  La nd - use  Inform at ion   from   La nd  Co ver   Through  an   Objec t - or ie n te d   Cla ss ifi c at ion   of   IKO NO S Im age r y .   Canadian   Jo urnal  of    R emot e   Sensin g.   2008;    34(2):  77 - 92 .   [20]   W ic aksono  P,  Farda   NM .   Apl i k asi  Al goritma  Klasif ik asi  M ean  Shif t  untu k  Pe m et aan  Habitat   B ent i k  Studi   Kasus   Kepul auan  Kari munjawa .   Pros id ing  Pert emuan  Il m ia h  Ta hun an  X X.  Bogor.   2015:   663 - 672.   [21]   Bal lari  D,  Orel l ana   D,  Acosta   E,   Espinoza  A,  Morocho  V.  UAV  Monit oring  fo r  Env iromental   Manage ment  in  Galapagos  Islan d .  The   Inte rn ati onal   Archi ves  o f  the   Photogramm et r y ,   Remote  Sensing  and  Sp at i al   Inform at io n  Scie nc es .   ISP RS   Congress XXIII.  Prague .   20 16: V ol  XLI - B1.   11 05 - 1111.     [22]   Lin   H.   Me thod  of  Image  Segme ntat ion  on  High - Re soluti on  Ima ge  and  Classifi cat ion  for  Land  Cove rs .  Fourth   Inte rna ti ona l  Co nfe re nc e  on   Nat ura l  Com putatio n .   Jinan .   2008 :   5 63 - 566 .   [23]   Aiaz z i   B ,   Alpar one   L ,   B aro nti   S ,   Gar ze l li   A ,   Zo ppet ti   C.   Nonpar ametr ic  Chang e  Dete c ti on  In   Mu lt item pora l  SA R   Im age s  Based  On  Mea n - Shift  Cluste ring .  IE E E  Tr ansacti ons  on  Geosci en ce   and  Re mote   Sen sing .   2013;  51 ( 4 ):  2022 - 2031 .   [24]   Ti ng  Y,  Mingxi ng  G,  Yanm ing  W .   Ultra sound  Im age   Segm ent at ion  b ase d  on   the   Mea n - Shif t   and  Graph  Cut s  The or y .   TEL KOMNIKA .   2013 ;  1 1(10):  5600 - 560 8.   [25]   Bena rc h id  O,  Ra issouni  N.  Support  Vec tor  Ma ch ine   for  Obje ct   B ase d  Buil d ing  E xtra c ti on  in  Sub urba n  Area   Us in g  Ve r y   High  R esolut ion  Sat el l ite   Im age s,  a  Ca se  Stud y :  Te tu an,   Morocc o .   I ndonesian  Journal  of  Artificia l   Inte lligen ce .   201 3;  2(1):   43 - 50.   [26]   Fukunaga  K,  Hos te tl e r  LD.   Th e  Esti m at ion  of   the   Gradi ent   of   a  Densit y   Func ti on,   with  Appli ca t ion  in  Patt er n   Rec ognition.   I E EE   Tr ansacti ons   on  Information   Theory .   1975;   2 1(1):  32 - 40.   [27]   Com ani ci u  D,   Mee r  P.  Me an  Shift:   A  Robust   Approac h  Towa rd  Fea ture   Spa ce   Ana l y s is.   IE EE   Tr ansacti on s  of   Pat te rn   Analysis and  Mac h ine In te lligen ce .   2002;   24(5):  603 - 619.   [28]   Straste rs  KC,  Gerbra nds  JJ .   Thr ee - dimensiona l  I m age   Segm ent aion  Us ing  A  Spl it ,   Merg e  and  G roup  Approac h.   Pat te rn   Recogni t ion  Letter .   1991;   12(5):  307 - 325.   [29]   Luc i ee r   A.  Unc e rta inties  in  Segm ent a ti on  and Their  Visual isat ion .   PhD   The sis.  Utr ec ht :  Utre cht Unive r sit y ;   2004.   [30]   Neube rt  M,  Her old  H,  Meine l  G .   As sess ing  Im a ge  Segm ent at ion   Quali t y   -   Conc e pts,  Methods  an d  Applic ation.   I n:  Bla schke   T,  Ha y   G,   L ang  S.  E dit ors .   Obje ct - B ase d   Im age   Ana l y sis  -   Spatial  Conce pts  For   K nowledge - Drive n  Remote  Sensing  Applic ations.  L ec tur e  Notes  in  Geoinf orm at ion  &  Cart ogra ph y   ( LNG&C).   Berl i n:  Springer;   200 8:   769 - 784.   [31]   Ja y a  INS .   Anal i sis  Cit ra   Digital ,   Perspekti f  Pen ginde ra an  Jauh  untuk  Pengel ol a an  Sum ber da y a   Alam.  Bogor:  Instit ut  Pe rta n i a n  Bogor.   2015:  1 85 - 232.   [32]   W ah y uni   S,  Ja y a   INS ,   Pus pani ng sih  N.  Model   for   Esti m ating  Abo ve  Ground  Biom ass  of  Recla m ati on  Forest  Us ing   Unm anne d  Aeri al   Vehi cles.  Ind onesian  Journal  of  Elec tri cal   En gine ering  and   Computer  Sci en ce .   2016;  4(3) :  58 6 - 593.   [33]   Zhe ng  L ,   Z h an g  J,  W ang  Q.  Mea n - Shift   Bas ed  Color  Segm ent a ti on  o f  Im a ges  Conta in ing  Gree n  Vege ta t io n.   Computers and Electronic s  in A gricul ture .   2008;   65 (1) :  93 - 98 .   Evaluation Warning : The document was created with Spire.PDF for Python.