名家專欄

2025.10.16

林峰田／新資訊科技在土地管理及不動產研究的應用

生成式人工智慧 2025年第3期政大不動產研究中心土地管理

摘要

　　生成式人工智慧將資訊科技推上了新的高峰，對各行各業產生了嶄新的衝擊，土地管理及不動產相關研究及實務必須及時掌握它的最新發展趨勢。本文從知識結構及整合、專家系統、類神經網路三方面介紹它們的基本觀念，以及在土地管理查詢、不動產市場分析、測量平差作業、土地重劃的應用潛力。期能拋磚引玉，帶動相關研究，提高行政效率，達成數位轉型、循證治理的目標。

壹、前言

　　自從1950年代電腦問世以來，人類便進入了資訊時代，幾乎所有的領域都積極的運用資訊科技來拓展知識、提高工作效率和品質。不動產開發、國土及都市規劃也不例外。尤其近年來人工智慧(Artificial Intelligence，AI)以及大型語言模型(Large Language Model，LLM)更掀起了一陣熱潮。不論學術界、實務界或產業界無不積極引進，生怕被時代潮流所淘汰。其實資訊系統的建置也是需要一步一步的累積，無法一蹴而成。台灣早在1950年代便開始推動電子通訊產業，到了1980年代，政府部門引進大型主機電腦，展開資訊化轉型(鍾蔚文等人，1990)，接著在1998年正式宣佈推動「電子化政府」計畫(曾宜君，2016)，並自2019年起提升為「智慧政府行動方案」，結合人工智慧、大數據等先進科技，轉型為更有效能的服務型政府。隨著此一潮流，國家發展委員會(2022)的智慧國土國家底圖計畫之下的地籍圖建置，以及不動產交易實價查詢服務網對於不動產市場的健全發展提供了莫大的助力。

　　我們可以將資訊科技理解成:「利用資通訊技術，透過數位方式幫助大腦做決策」。它有三大領域:(1)資料分析:包括傳統的統計迴歸、假說檢定、數理模型，以及最近流行的大數據分析。(2)知識結構:包括資料結構、動態複雜系統、多主體模擬、基於邏輯規則的專家系統、跨領域知識結合、知識本體論(知識系譜)、

　　傳統的人工智慧等。(3)類神經網路:尤其是近來已經大量應用於影像判釋的機器學習，以及結合文字、影像、語音之辨識與生成能力的大型多模態模型1(Large Multinodal Model，LMM) 等類神經人工智慧方法。此三大領域的統計分析及大數據方法(Al-Sai, Abdullah and Husin, 2020)，已眾所周知，本文不再贅述。底下茲介紹專家系統、知識網絡、系統整合、類神經網絡的基本概念，以及在土地管理及不動產研究的應用。

貳、知識結構與整合

　　知識(knowledge)由原始資料(data)及資訊(information)所構成。原始資料(data)指透過登記、訪問、調查、量測以及感測器所獲取的第一手資料，例如地籍地價資料。資料經過結構化整理及分析後成為資訊。吾人將地籍地價資料以資料庫表格方式儲存，便是將資料做了結構化處理，即所謂的資料結構(data structure)；然後進行統計分析，可以知道某地區的地價熱區或冷區，成為土地資訊。不同地區不同時段的個案資訊經過彚整歸納成為通案的知識，可以供預測、規劃使用。例如：「市中心地價較高」的知識，幾乎普遍適用於各個城市。

　　資料結構是描述外在世界的方式。現在常見的試算表(如Excel®)以及關聯式資料庫的表單便是表格式(tabular)資料結構(data structure)。除此之外，資料結構尚有階層式(hierarchical)及網絡式(network)。決策樹便是把決策所需的知識組合成階層結構，再依實際資料判斷其決策選擇。Alexander(1965)《A City is Not a Tree》認為規劃者把新市鎮土地使用想成階層式的樹狀結構才導致新市鎮的失敗。可見資料結構的觀念也可以應用於規劃設計的空間認知結構。

　　網絡式資料結構是近來再次受到重視的方法。文字雲可以顯示資料出現的頻率，但是無法分析他們之間的關係，必須運用以網絡式資料結構為基礎的知識本體論(knowledge ontology)技術，才可以掌握資訊之間的關聯。圖1左子圖是影響房價的各種因素網絡關聯圖，右子圖是局部放大圖。吾人可以大略看出房價受到利率、稅制、匯率、財稅政策，以及道路、車站、水電、學校、公園等公共設施，以及市地重劃、區段徵收、園區開發…等公共建設的影響。這種複雜的網絡式關聯可以用國際標準的「統一建模語言」（Unified Modeling Language； UML）來表達。UML是一種可以讓業主、程式設計者、程式開發者、操作者共同理解的圖示語言2，減少溝通的障礙或誤解。它可以進一步轉化成電腦程式或專家系統。

圖1 房價知識圖譜 (左) 全圖， (右)局部放大

　　不動產開發和國土規劃都涉及了跨領域的知識整合。各個專業領域都可以建立自己的網絡式知識本體，然後以共通的UML語言加以串接，整合成跨領域的知識。圖2以某市的捷運建設計畫為例，涉及了地政、都市發展、道路、環評、防災、交通、經濟、社會、勞工、農業等不同部門的專業知識。各個專業部門可以再展開更為細節的知識本體網絡。我們可以利用專家系統的技術將跨領域的知識網絡程式化，建立資訊流，打破各自為政，避免發生自相矛盾的錯誤決策。

圖2 捷運運量推估資料流程圖

參、專家系統

　　專家系統和類神經網路都是人工智慧的次領域。前者被歸類為傳統的人工智慧技術，後者則是當紅的人工智慧技術。二者的理論基礎不同，但不是相互排斥，反而是可以相輔相成。專家系統主要由規則庫 (rule base)、知識庫3(knowledge base)和推理機(inference engine)組成。開發專家系統的知識工程師將領域專家的通則性知識萃取出來，以「若…，則…」的形式寫成規則庫。另外，將個案的資訊建立成知識庫，然後透過邏輯的推理系統和使用者互動。使用者可以提出一些問題，專家系統根據使用者的問題或者回答，給予建議或者答案。

　　專家系統是久被空間規劃治理領域所輕忽的技術。底下我們舉二例，說明它的應用潛力。圖3利用專家系統建立最高行政法院都市計畫判案查詢系統。以輸入「土地使用」為例，可以查得判決字號、判決主文所引用的法規名稱及條文，以及該文文所指涉的內容(如：使用分區、使用限制、或使用管制)。圖4以都市計畫名詞查詢為例，利用專家系統建立名詞的中英文名稱、意義、類別，以及名詞之間的承屬、組合、相關性。例如輸入關鍵詞「都市」會找到相關的學理：「中地理論」，以及構成都市的要素：土地使用、公共設施、道路系統…等。但是專家系統的操作介面對於一般使用者來講並不容易了解。我們可以進一步把專家系統的輸出傳給大型語言模型做進一步的口語化，轉換成短文，讓一般使用者也能夠理解，如圖4 下方用LLM生成的說明文字。這是專家系統和大型語言模型結合的範例。

圖3 最高行政法院都市計畫判案查詢系統

圖4 都市計畫名詞查詢 (專家系統+LLM)

肆、類神經網路應用

　　近年來十分熱門的類神經網路(Artificial Neural Network，ANN)人工智慧被廣泛的應用在人臉、車牌、農作物種類、X光片的影像辨識。在地理資訊系統方面，ANN也被廣泛的應用於圖徵、註記、文字、圖例、圖飾的辨識與萃取、賦予影像圖檔大地座標、套叠不同來源、比例尺、時期的圖檔等各種自動化作業。范慶龍(2021)利用類神經網路的監督式機器學習方法，建構決策樹，判釋無人機遙測影像的土地覆蓋分類作業。大型語言模型也開始被大量的運用於文章的摘要、翻譯、比對，以及結構化資料的解讀、預測、圖表展示、對談式查詢等工作上。將來如何應用於輔助規劃設計審議?將是下一步努力的目標。

　　在各國都致力於發展自己的生成式語言模型之際，由國科會主導、國家實驗研究院開發建置，以開源大型語言模型為基礎的「可信任生成式AI模型」(TAIDE)，已開放給各界應用。TAIDE已經將台灣的新聞、法規等作為訓練的材料。TAIDE的專業領域開發者可以自行蒐集專業領域的資料，進行預訓練、微調，最後經過了人類專家的反饋強化學習等階段，以建立專業領域所需的語言模型。

　　不過大型語言模型仍然存在一些風險，必須加以注意，包括:(1)使用限制:行政院訂有使用大型語言模型的相關法規，要求不得直接使用大型語言模型的輸出結果，必須經過各級業務承辦及主管的審視修正之後才能使用。(2)時間限制:無法涵蓋在訓練資料蒐集時間之後的變化。(3)權威性限制:由於主管機關以及立法目的不同，可能出現同名異義或者異名同異名同(近)義的查詢結果而造成混淆，甚至錯誤，尤其是跨領域知識整合的時候。例如：同是農業部主管的《水土保持法》和《山坡地保育條例》，因立法目的不同，對於山地坡範圍的定義便大不相同。又如：國家教育研究院《樂詞網》建置時，係由各領域專家學者分別蒐集專業術語，加以解釋。然而合在一起時，便可能發生問題。例如2025年1月查詢「rezoning」的中文解釋時，將都市計畫、電子計算機、機械工程的名詞混在一起。同樣的，TAIDE尚能正確掌握有關「土地使用分區」的基本觀念，但是如果詢問較為深入的問題(例如:台北市第三種住宅區的容積率和建蔽率)就會發生用詞、解釋和計算式錯誤的問題。猜其原因可能是因為混入報章雜誌和坊間評論等非官方的資訊來源，以至於輸出錯誤的答案。希望這些問題能逐步改善、更正。

1、LMM的應用

　　自從openAI 公司於2022年12月推出ChatGPT以來，引起生成式AI (Generative AI， GAI)，許多研究紛紛嚐試應用到不同領域，不動產的相關應用也不例外。

　　由於LLM採用對話式的人機互動，最普遍的應用便是查詢方式的改變。之前的網路查詢必須隱約知道答案中的一些關鍵詞，系統才能找到相近的文獻。然而查詢者常不知從何問起，更不知專業術語而不得其門而入。LLM克服了此一困難，查詢者可以描述問題，而不涉及答案，LLM便可以透過聊天式的互動，給予適當的答案。一般民眾對於地政及不動產專業術語經常感到陌生，專業者也經常面對龐大的法規、案例以及圖資，需要更有效率的查詢方法。對此，吾人可以結合LLM、檢索增強生成（Retrieval-augmented generation, RAG )及微調(Fine-tuning)等技術，針對地政及不動產專業領域提供幫助。不過，目前的技術發展雖進步神速，但離成熟尚有一段距離。例如：詢問某市的人口及地籍統計資料、重大建設計畫、國土計畫的功能分區與都市計畫土地使用分區的對照關係…等問題，都仍然會發現錯誤。可能尚需提供更多的資料，以及加強微調訓練樣本，才能減少LLM的幻覺現象。

　　此外，LLM在不動產市場分析有許多研究應用案例。Geerts et al.(2025) 發現透過慎選相近似的不動產特徵值及區位條件，可以大大提升LLM的不動產估價能力，但是估價區間及空間推理能力仍有待加強。Ma et al. (2024)則進一步地景影像轉化為文字描述，可以將環境因素納入考慮。Janowski, A. and M. Renigier-Bilozor(2024)採用人機協作的方式，利用LLM協助人類分析不動產市場。

LMM在土地管理領域的應用有相當大的潛力。例如：地籍測量、控制點選址、航遙測影像之地形地物辨識，以及地籍圖、地形圖、都市計畫圖套疊...等作業都值得一試。

2、平差問題

　　平差問題是測量作業的重要步驟，尋求高效率的解算方法是關鍵的研究課題。傳統的測量工作使用最小平方法(Least-Squares Method)進行平差作業。最小平方法是一個問題定義明確、存在演算法、有正確答案的問題，但是它的複雜度高達O(N3)，是最大的弱點。O(N3)表示平差作業所需的計算時間會隨測量點數量N呈3次方的成長。Mustafin and Bykasov(2012)利用觀測成果為稀疏矩陣的特性，利用共軛梯度法（Conjugate Gradient Method）將時間複雜度大幅降為O(mk)，其中m為遞迴計算次數，k為矩陣中非零個數(Shewchuk, 1994)。在法定容許誤差範圍內，利用深度習學習來進一步降低時間複雜度，目前還是一個研究中的熱門課題(Amiri-Simkooei, Tiberius, and Lindenbergh, 2024; Huang, Huang and Sun, 2021; Luo et al., 2024)。

3、土地重劃

　　土地重劃是地政的主要業務之一。它的目的是將原本零亂的土地坵塊調整為規整的土地坵塊(內政部，2015)。不論規整與否，地籍圖都可以用稀疏矩陣來表達。吾人將各基地視為一節點，相鄰基地的對應節點以直線相連。如圖5左上方的地籍圖可以表達成左下方的關係網絡圖，然後可以轉換成右方的稀疏矩陣。然而，土地重劃必須考慮到原位次、原各筆基地面積、權屬、地價… 等因素，比平差法的坐標值的平差複雜很多，無法直接使用前一小節的深度學習方法解題。幸而臺灣已有許多土地重劃的實例經驗，或許可以利用「圖卷積網路」 (Graph Convolutional Network, GCN)的類神經網路技術(Bhattacharya, 2026)，將以下資料做為輸入層：

原地籍圖、地形圖、衛星影像、都市土地使用分區圖
各宗土地之權屬、面積、周長、使用別、地價、與各公共設施距離
各宗土地之空間關聯 (即如圖5左下方) ，而將以下資料做為輸出層，用以訓練類神經網路的參數權重：
土地重劃成果空間關聯性
重劃後地價

　　透過此一方法，或許可以產生相對可行的替選方案，再交由人工依實際個案情況加以調整，有助與地主協商溝通的效率。

圖5 地籍圖的網絡資料結構及稀疏矩陣表達方式

伍、結語

　　資訊科技仍以不斷加速的方式演進。在硬體方面，從早年以算術計算為主的中央處理器(Central Processing Unit, CPU)，到現今以矩陣算為主的圖形處理器(Graphics Processing Unit, GPU)，和已經問世的類神經處理器(Neural Processing Unit, NPU)以及量子電腦(Quantum Computer)，電腦的算力正在不斷的增強。在軟體方面，大數據分析和大型多模態模型都是基於大量的既有經驗，目前只具有模仿式的創新能力，仍然缺乏真正的突破式、洞見式的創新能力。真正的創新能力來自於打破現有的刻板行為模式、從見微知著的小數據洞見著手，以超越大數據分析和大型多模態模型的追趕。

　　生成式人工智慧為土地管理和不動產研究帶來新的契機，我們必須把握時機，積極探討和資訊科技的協作互動式，善用它的長處，避免可能的缺點。在個人層次，我們必須掌握不斷精進的新技術，才不至於被時代所淘汰。在行政層次，必須掌握即時的動態資訊，透過循證治理，提升作業的效率與品質。在推動層次，機構除了要導入新技術之外，必須有政策、法令、人才培訓、經費、組織文化的調整配合，才能達成數位轉型的目標。

參考文獻

內政部(2015) 《內政部市地重劃作業手冊》，ISBN／ISSN：9789860444131
范慶龍(2021) 監督式機器學習於土地覆蓋分類效益之研究，台灣土地研究，第24卷，第1期，頁67至94。DOI：10.6677/JTLR.202105_24(1).0003。
國發會(2022) 《智慧國土發展策略研析增能計畫期末報告》，國發會。
曾宜君(2016)邁入第五階段電子化政府─數位政府，《人事月刊》第368期，第49-53頁。
鍾蔚文、曾繁藤、鄭瑞城(1990)邁向資訊化時代的台灣，《新聞學研究》第42期，第1-17頁。
Alexander, C. (1965) A City is Not a Tree. Architectural Forum, vol. 122, no. 1, pp 58-62.
Amiri-Simkooei, A., C. Tiberius, R. Lindenbergh (2024) Deep learning in standard least-squares theory of linear models: Perspective, development and vision, Engineering Applications of Artificial Intelligence, Volume 138, Part B, https://doi.org/10.1016/j.engappai.2024.109376
Al-Sai, Z. A., R. Abdullah, and M. H. Husin (2020) Critical Success Factors for Big Data: A Systematic Literature Review, IEEE Access, vol. 8, pp. 118940-118956, 2020, https://ieeexplore.ieee.org/document/9127414.
Bhattacharya, R., N. K. Nagwani, D. S. Asudani, G. S. Chhabra, S. Bhattacharya, S. Kadam (2026). A Comprehensive Overview of Graph Convolutional Network. In: Bhattacharya, R., Rathore, Y.K., Tran, T.A., Swarnkar, S.K. (eds) Graph Mining. Synthesis Lectures on Computer Science. Springer, Cham. https://doi.org/10.1007/978-3-031-93802-3_1
Geerts, W., M. Reusens, B. Baesens, S. Broucke, J. De Weerdt (2025) On the Performance of LLMs for Real Estate Appraisal, arXiv:2506.11812v1
Huang, J., S. Huang, and M. Sun (2021) DeepLM: Large-scale Nonlinear Least Squares on Deep Learning Frameworks using Stochastic Domain Decomposition, 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), Nashville, TN, USA, pp. 10303-10312, doi:10.1109/CVPR46437.2021.01017.
Janowski, A. and M. Renigier-Bilozor(2024) HELIOS Approach: Utilizing AI and LLM for Enhanced Homogeneity Identification in Real Estate Market Analysis. Appl. Sci. 14, 6135. https://doi.org/10.3390/app14146135
Luo, J., J.Wang, H. Wang, H. Dong, Z. Geng, H. Chen, Y. Kuang (2024) Neural Krylov Iteration for Accelerating Linear System Solving, 38th Conference on Neural Information Processing Systems (NeurIPS 2024), 38th Conference on Neural Information Processing Systems (NeurIPS 2024), https://proceedings.neurips.cc/paper_files/paper/2024/file/e88870ec82f2469b0ddf32c817920c68-Paper-Conference.pdf
Ma,Y., T. Zhang, and G. Zhan (2024) An LLM-based Intelligent System for the Evaluation of Property Geographical Environment, International Symposium on Intelligent Robotics and Systems (ISoIRS), Changsha, China, pp. 258-262, doi: 10.1109/ISoIRS63136.2024.00057.
Mustafin, M. and D. Bykasov (2021) Adjustment of Planned Surveying and Geodetic Networks Using Second-Order Nonlinear Programming Methods, Computation, 9(12), 131; https://doi.org/10.3390/computation9120131
Shewchuk, J. R. (1994) An Introduction to the Conjugate Gradient Method Without the Agonizing Pain, Carnegie Mellon University, https://www.cs.cmu.edu/~quake-papers/painless-conjugate-gradient.pdf