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.

空置房屋的形成和拆除是城市萎缩和复兴的最明显迹象。及时发现空置房屋已成为协助“智慧城市”倡议的必然任务。但是，空置房屋存在两个紧迫的问题：（1）在各个房屋级别上没有公开可用的信息；（2）十年一次的人口普查调查未能赶上空置房屋的快速变化状况。为此，遥感提供了一种低成本的途径来检测空置房屋。传统上，遥感技术在推导人类住区的生物物理参数（例如建筑物的存在和物理尺寸）方面取得了成功，因此获得了认可。但是，推断建筑物的功能（例如土地用途类型和占用状态）仍然是一个挑战。在这个研究中，我们的目标是通过智能机器学习方法，以超高分辨率的遥感影像检测出空置房屋。我们提出的方法需要三个步骤：真实数据收集，分类和特征选择。结果，开发了一种新的建筑物变化检测方法，以从多时相图像中收集真实的空置房屋数据。确定了房屋分类的重要特征。随后，我们对空置房屋进行了分类，并产生了可喜的结果。此外，结果表明，空置房屋的面积和周围植被的健康状况都对检测精度有最大贡献。我们的工作表明使用遥感技术在很大的空间范围内检测单个空置房屋的潜力。真实数据收集，分类和特征选择。结果，开发了一种新的建筑物变化检测方法，以从多时相图像中收集真实的空置房屋数据。确定了房屋分类的重要特征。随后，我们对空置房屋进行了分类，并产生了可喜的结果。此外，结果表明，空置房屋的面积和周围植被的健康状况都对检测精度有最大贡献。我们的工作表明使用遥感技术在很大的空间范围内检测单个空置房屋的潜力。真实数据收集，分类和特征选择。结果，开发了一种新的建筑物变化检测方法，以从多时相图像中收集真实的空置房屋数据。确定了房屋分类的重要特征。随后，我们对空置房屋进行了分类，并产生了可喜的结果。此外，结果表明，空置房屋的面积和周围植被的健康状况都对检测精度有最大贡献。我们的工作表明使用遥感技术在很大的空间范围内检测单个空置房屋的潜力。确定了房屋分类的重要特征。随后，我们对空置房屋进行了分类，并产生了可喜的结果。此外，结果表明，空置房屋的面积和周围植被的健康状况都对检测精度有最大贡献。我们的工作表明使用遥感技术在很大的空间范围内检测单个空置房屋的潜力。确定了房屋分类的重要特征。随后，我们对空置房屋进行了分类，并产生了可喜的结果。此外，结果表明，空置房屋的面积和周围植被的健康状况都对检测精度有最大贡献。我们的工作表明使用遥感技术在很大的空间范围内检测单个空置房屋的潜力。关键词：机器学习，遥感，智慧城市，空房子。