基于多视角影像与可解释机器学习的华北农村闲置院落检测方法研究

针对中国农村空心化加剧背景下闲置院落(VCs)检测面临的数据可用性低、空间尺度局限和可靠性不足等挑战，本研究创新性地融合水平视角(街景)与俯视视角(UAV影像)数据，构建包含植物状态、围墙边缘清洁度等4项核心视觉特征的可解释机器学习模型(XGBoost)，实现F1值0.834的高精度检测，揭示了特征与院落状态的非线性关系，为乡村可持续发展提供低成本监测方案。

　　

随着中国城镇化进程加速，农村人口持续外流导致闲置院落(Vacant Courtyards, VCs)问题日益严峻，2021年平均空置率达16.1%。这些"外整内废"的院落造成资源浪费和环境退化，威胁乡村可持续发展。然而，现有检测方法面临三大瓶颈：缺乏真实监督样本数据、院落特异性特征不明、传统图像处理方法计算冗余且缺乏可解释性。中国农村院落独特的合院式结构（主房+辅房+庭院）与国际通用标准不兼容，加之临时性搬迁与永久性废弃混杂，使得精准评估尤为困难。

针对这些挑战，来自中国科学院地理科学与资源研究所等机构的研究团队在《International Journal of Applied Earth Observation and Geoinformation》发表创新成果。研究首次建立"双视角融合方法"，通过整合水平视角（实地街景照片）与俯视视角（无人机影像）数据，构建包含10项视觉特征的系统框架，并采用可解释机器学习(XGBoost)模型，最终筛选出植物状态、围墙边缘清洁度、太阳能热水器存在性和门窗状况4项核心特征，实现F1值0.834的高精度检测，外部验证集准确率更达0.945。

研究采用多阶段技术路线：首先通过ArcGIS 10.8对无人机影像进行地理配准和院落矢量分割，建立与实地调查数据的空间关联（匹配率94.3%）；其次基于文献梳理构建包含10项视觉特征的标注体系，由多名研究者独立标注34,718条数据；最后采用XGBoost模型进行特征筛选，通过SHAP框架解析特征贡献度。实验设置包含70:30的数据分割、贝叶斯优化超参数调整及十折交叉验证等严谨设计。

研究结果揭示多项重要发现：

1. 模型比较：俯视视角模型(F1=0.827)显著优于水平视角模型(F1=0.766)，尤其在检测"隐藏空置"院落方面，前者误检率降低55%。
2. 特征选择：植物状态贡献度达51.3%，与围墙清洁度(15.6%)、门窗状况(15.1%)构成90%预测力，太阳能热水器存在性则体现生活痕迹。
3. 空间模式：VCs呈现显著集聚特征——旧村区因老龄化形成"自然死亡集群"，而偏远区域因交通不便产生"主动搬迁集群"。
4. 非线性关系：特征影响存在阈值效应，如良好植物状态对"在用"的判断贡献度是差状态的1.8倍，体现不对称性。
5. 区域适应性：在山东训练集表现为"经济作物种植主导"，而京津冀验证集呈现"硬化地面功能转型"，模型成功跨越气候社会经济差异。

讨论部分强调，该研究突破传统遥感依赖纹理特征的局限，首次定量建立影像特征与实际使用状态的关联，其创新性体现在：(1)开发适用于中国农村的"双视角协同"检测框架，较单数据源方法提升12%准确率；(2)发现植物状态等特征存在空间异质性，同一特征在不同地区可能呈现相反判别模式；(3)SHAP分析揭示非线性的决策边界，如太阳能热水器的存在比缺失更具判断价值。这些发现为制定区域差异化政策提供科学依据，例如对"老龄化主导"和"区位劣势"型VCs采取不同活化策略。

研究也存在一定局限：独居老人院落因维护不足易被误判为VCs；SHAP解释对数据分布敏感，跨区域推广需谨慎。未来研究将拓展至东北作物庭院、黄土高原窑洞等特色民居，结合深度学习实现特征自动提取。该成果为实施基于图像数据的院落监测提供可靠技术支撑，对推进乡村振兴战略和可持续发展目标(SDGs)具有重要实践价值。