Individual Vacant House Detection in Very-High-Resolution Remote Sensing Images

The formation and demolition of vacant houses are the most visible sign of city shrinking and revitalization. Timely detection of vacant houses has become an inevitable task to aid the ?Smart City? initiative. Two pressing problems exist for vacant houses, however: (1) No publicly accessible information is available at the individual house level and (2) the decennial census survey does not catch up with the rapidly changing status of vacant houses. To this end, remote sensing provides a low-cost avenue for detecting vacant houses. Traditionally, remote sensing was accredited for its success in deriving biophysical parameters of human settlements, such as the presence and physical size of buildings. It is still a challenge, though, to infer the functions of buildings, such as land-use types and occupancy status. In this study, we aim to detect individual vacant houses with very-high-resolution remote sensing images through a smart machine learning method. Our proposed method entails three steps: ground-truth data collection, classification, and feature selection. As a result, a new building change detection method was developed to collect ground-truth vacant house data from multitemporal images. Important features for classification of houses were identified. Subsequently, we carried out a classification of vacant houses and yielded promising results. Furthermore, the results indicate that both the area of the vacant house parcels and the healthy conditions of the surrounding vegetation contribute most to the detection accuracy. Our work shows the potential of using remote sensing to detect individual vacant houses at a large spatial extent. Key Words: machine learning, remote sensing, smart city, vacant house.?????????????????????????????????????????????????????????????????????1?????????????????2?????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????:??????????????????La aparici?n de casas desocupadas y su demolici?n son uno de los signos m?s visibles del encogimiento y revitalizaci?n de las ciudades. La detecci?n temprana de casas desocupadas se ha convertido en tarea inevitable para ayudar a la iniciativa de la ?Ciudad Inteligente?. Sin embargo, hay dos problemas apremiantes en relaci?n con este fen?meno: (1) No existe informaci?n disponible para el p?blico a nivel de casas individuales; y (2) el estudio del censo decenal no se mantiene al d?a con el estatus en cambio r?pido de las casas desocupadas. A este respecto, la percepci?n remota brinda una alternativa de bajo costo para detectar casas desocupadas. Tradicionalmente, a la percepci?n remota se le reconoci? el ?xito de derivar par?metros biof?sicos de los asentamientos humanos, tales como la presencia y tama?o f?sico de los edificios. No obstante, todav?a es todo un reto inferir las funciones de los edificios, tales como el tipo de uso del suelo y estatus de ocupaci?n. En este estudio, apuntamos a detectar casas desocupadas individuales por medio de im?genes de percepci?n remota de muy alta resoluci?n usando un m?todo de aprendizaje inteligente con m?quinas. El m?todo que proponemos supone tres pasos: recolecci?n de datos reales en el terreno, clasificaci?n y selecci?n de rasgos. Como resultado, se desarroll? un nuevo m?todo de detecci?n de cambios en los edificios para recoger datos reales en el terreno sobre unidades desocupadas a partir de im?genes multitemporales. Se identificaron los rasgos considerados importantes para la clasificaci?n de las casas. Enseguida, efectuamos una clasificaci?n de las casas desocupadas con base en lo cual produjimos resultados prometedores. Lo que es m?s, los resultados indican que tanto el ?rea del lote de las casas desocupadas como las condiciones sanitarias de la vegetaci?n circundante aportan la mayor contribuci?n en t?rminos de la exactitud de la detecci?n. Nuestro trabajo muestra el potencial de usar percepci?n remota para detectar individualmente casas desocupadas en extensiones espaciales grandes. Palabras clave: aprendizaje con m?quinas, casas desocupadas, ciudad inteligente, percepci?n remota.