摘要 

         人工智慧技術近年突飛猛進，已廣泛應用於各國的空間治理、災害管理與產業發展等領域。台灣自2018年《國土計畫法》施行以來，國土規劃領域邁入全國統籌之新紀元，同時面臨氣候變遷下的環境風險與土地永續發展挑戰；在防災方面，台灣因地處環太平洋地震帶與西北太平洋颱風路徑，天災頻仍，亟需先進技術強化災害預警與應變能力；而在不動產領域，則結合估價、房價與都市更新等議題，藉由引入科學輔助及人工智慧強大之數據處理與模式解析能力，期能為上述領域提供突破性之解決方案。近年來，我國政府與學研單位投入大量資源於人工智慧（Artificial Inteligence, AI）相關計畫，如台灣AI行動計畫與智慧國家方案等，促進AI技術在各領域落地應用。鑑於AI技術不斷迭代與進展，本文認為應將其於國土規劃、防災與不動產領域之最新應用現況進行系統性梳理、分析及整合，並展望未來發展趨勢，以利建構明確之發展藍圖與架構。本文將彙整近年AI於相關領域應用之現況，並探討其未來可能之技術進展與發展趨勢。 

壹、國土規劃之現況 

        近年台灣在國土與空間規劃中積極導入AI技術，以強化空間資訊整合分析、都市發展模擬及土地利用監測等工作成效。在空間資訊整合方面，國家發展委員會推動「國土資訊策系統NGIS2.0」，建置跨部會國土空間資料共享機制，強調以智慧國土為發展方向，納入數位孿生（Digital Twin）概念，提升國土規劃與治理之科學基礎。透過整合多源地理資料（如國土規劃圖資、遙測影像、社經統計資料等），並運用AI進行大數據分析，各級政府得以進行更精準之國土空間規劃評估。都市成長模擬上，學界開始嘗試以機器學習與深度學習模型預測都市擴張與土地利用變遷。例如，部分研究結合歷史空間數據訓練AI模型，用以模擬都市蔓延趨勢，藉此評估未來基礎設施需求與環境影響。 

        在土地利用監測方面，內政部建置「國土利用監測整合資訊網」，定期運用多時期遙測衛星影像進行全國土地利用變遷監測，並透過線上通報回報機制，及時掌握土地違規使用情形。如透過AI自動判讀衛星影像，偵測出多處未經許可之土地開發與變更使用案件，相關單位得以及時介入處置，有效遏止國土違章利用。大幅提升土地異動掌握之即時性。除衛星遙測，無人機航照結合AI辨識技術也開始運用於重點區域之土地變化監控。透過深度學習模型自動判讀影像，可快速辨識非法掘山、河川濫採砂石或山坡地濫墾等情形，作為國土巡查之重要輔助，AI與地理資訊系統（GIS）之結合亦使空間決策支援更加智能化。總體而言，近年AI於國土規劃領域的應用已從基礎建設（資料平臺建置、圖資整合）逐步走向實務應用（如都市模擬、違規監測等）。這些創新一方面提高了政府在空間規劃與監管上的效率與精度，另一方面也為後續更先進之智慧規劃工具（如全國性數位孿生國土系統）與發展奠定基礎。 

1. 防災減災之現況 

        台灣近年來在防災減災領域大量引進AI技術，用於強化災害預測模型、風險感知系統以及避難規劃等，致力提升從災前預警到災中應變的整體效能與準確性。首先，在氣象災害預測方面，交通部中央氣象署與國內外科技公司合作，將AI引入天氣預報模式中。2023年起氣象署與輝達(Nvidia)合作研究AI天氣「降尺度」技術（CorrDiff），利用生成式深度學習模型將全球天氣預報模式結果細化為在地高解析度預報，可將預報空間精細度提升10倍以上。經測試，AI「降尺度」技術不僅成功提高地形複雜地區（如台灣山區）的降雨預報準確度，對於颱風中心附近最大風速及結構的預報能力也有所提升。此外，近年國家災防中心針對多套AI颱風預報模型（包括Nvidia之FourCastNet、Google之GraphCast等）進行路徑預測與研究，結果顯示AI模型大幅提升了預報表現，依統計截至2024年9月，西北太平洋當年所有颱風之三日路徑預報，AI模型之平均誤差比傳統模式降低將近20%。AI輔助下，氣象單位更早發佈了超大豪雨警戒（如針對颱風凱米預先發布總雨量達1800毫米的警報），為各地爭取防災準備時間。整體而言，AI在氣象預報中之應用，顯著提升了台灣對颱風、豪雨等天然災害之預警能力與精確度。 

        在水患與地質災害方面，AI技術亦有多元應用。以淹水監測為例，國內研究團隊開發結合機器視覺與深度學習之自動淹水偵測系統。該系統利用架設於重點易淹水路段的監視攝影機影像，透過OpenCV影像處理與「卷積神經網路」（Convolutional Neural Network, CNN）模型，即時判讀路面積水範圍及深度。測試結果顯示，無論白天夜晚或颱風暴雨時段，AI系統均能準確識別淹水情形，並可換算水深資訊提供予防災單位參考。此外，系統亦能透過影像分析河川水尺刻度，自動估算無測站河段之水位。此種物聯網結合AI之監測方式，補強了以往人工作業無法長時間全面監控之缺口，有效提高風險感知即時性與精度。另一方面，在土石流及坡地災害預警上，AI也開始扮演重要角色。中央氣象署與水利單位正嘗試利用降雨雷達資料結合機器學習模型，提前預測溪流暴漲及可能之土砂移動範圍。學界亦有將衛星影像時間序列輸入深度學習，用於辨識山坡地地貌變異之初步研究。雖然土石流之發生機制複雜且仍難以完全仰賴AI預測，但無疑地這些探索皆為未來智慧坡地監測系統奠定基礎。 

        在綜合防災系統層面，AI技術之導入使台灣整體災害管理更趨主動與智慧。我國已將AI整合至災害應變和預防體系中，形成「智慧防災」之新模式。AI驅動技術增強早期的預警能力、精簡緊急協調工作且優化資源部署，確保各部門能更有效率地在災害發生前做好準備。整體而言，近年間台灣防災領域之AI應用從氣象、水患等單項技術突破，逐步擴展到整合多災種的智慧防災體系，顯著提升台灣在防災減災上之預見性與韌性，未來應持續透過實務經驗優化模型，並強化人機協同，以確保防災決策之穩健性。 

2. AI在不動產領域應用之現況 

        人工智慧於近年台灣不動產領域之應用亦趨多元化，涵蓋房價預測、智慧估價與開發決策輔助等面向，為房地產市場分析與決策帶來新的契機。首先，於價格預測任務，以筆者近期之研究為例，筆者收集台北市自105年第1季至114年第1季之房地實價登錄資料，並以房價做為應變數，自變數則結合時間、空間、總經指標與個別特徵等共計35項變數，進行房價之預測，並建立4種模型，分別為複迴歸（Multiple Regression）、線性迴歸集成梯度提升技術（OLS Stacking GBDT）、極限梯度提升機（eXtreme Gradient Boosting, XGBoost）與隨機森林（Random Forest），期藉由進行相同之數據處理，和輸入同樣數據資料與變數之方式，進行模型間之預測效能評比，以檢視近年興起之AI模型、機器學習模型是否較傳統之複迴歸更能捕捉變數與房價間之高度複雜之交互關係。實證結果詳如下表一所示，顯示極限梯度提升機無論是RMSE或MAE等誤差指標皆最低，且預測効力判定係數R²亦最高，顯示其表現為最佳，其餘表現依次為：，線性迴歸集成梯度提升技術、隨機森林，而單純應用複迴歸則最次。 

表1：不同房價預測模型間効力評估指標比較表 

資料來源：實價登錄與筆者研究整理。 

        檢視會有此結果差異之因乃由於模型之假設空間與非線性擬合能力有關；即複迴歸在高維、非線性的房價資料中仍受限於線性結構，而前兩類機器學習模型因具備非線性與交互項擬合能力，能捕捉房價與特徵間存在之非線性關係，故在房價此類高度複雜資料中表現較佳，而複迴歸因受限於僅能捕捉線性關係而最終預測結果為最次之成因，但從線性迴歸集成梯度提升技術之表現亦可得知，以線性迴歸為基準並集成相關機器學習技術後，能大幅提升其表現，顯示線性迴歸模型只要經過稍微加強，其表現亦不輸其餘之純粹機器學習模型。故以機器學習技術提升房價走勢預測之準確度實屬近年與未來之趨勢。 

        此外近年多篇研究比較了各類AI方法在房價預測上的表現，例如遞歸神經網路（Recurrent Neural Network, RNN）、多層感知器（Multilayer perceptron, MLP）及長短期記憶模型（Long Short Term Memory, LSTM）等，而筆者於此簡單說明機器學習與基於遞歸神經網路架構下之長短期記憶模型。機器學習（Machine Learning, ML）是一種「讓電腦直接”看資料”、自己找規律」的方法，，而非由工程師手動寫下所有規則。電腦學到規律之後，即能把同樣的規律套到新資料上，做分類或預測，如房價、股價、天氣等。 

        而「遞歸神經網路」之架構如圖1所示，即於以往之神經網路中加入「回饋迴圈」，該迴圈使前一時間點之輸出會影響下一個時間點之計算，不再適用或需要的資訊則予以放棄或遺忘，因此遞歸神經網路適合處理與「時間序列」相關之任務，例如文字、語音、股價與房價等，因該些時間序列任務中之第t項往往與第t-1項有關，讀者可想像成閱讀句子，讀到第三個字詞時，大腦仍記得前兩個字，才能判斷第三個字詞之語意，而遞歸神經網路便是將「記憶」嵌入網路。 

圖1遞歸神經網路之結構示意圖 

資料來源：筆者繪製。 

        而在智慧估價系統方面，我國已出現多種AI自動估價服務。傳統不動產估價往往依賴專業人員經驗，耗時且具主觀差異。如今，運用機器學習訓練之估價模型，可根據房屋位置、坪數、樓齡、周邊機能等數十項特徵，自動給出估值建議。例如，部分商業銀行提供了線上房屋智慧估價工具，客戶輸入地址及基本條件後，系統即透過AI模型計算銀行對該房屋之貸款估值，這類自動估價模型（Automated Valuation Model, AVM）之應用，一方面讓買賣雙方和放款機構能更快速地獲取對某物件的參考價格，另一方面也提升了市場透明度。而針對房貸試算等應用亦已於近年出現，如政大不動產研究中心與筆者共同推出之「房貸計算機」，可於不同利率條件下之計算不同之償還額度，提供民眾作為購屋時之重要參考。總體而言，AI輔助估價已逐漸成為學界、業界與政府部門重要之輔助工具。 

        整體而言，近年AI於不動產領域之應用雖然相對於國土規劃與防災領域起步稍晚，但發展迅速且實用性漸強。從強調技術驗證之房價預測模型研究，到實務導向之自動估價服務，再到輔助政策執行之都更評估工具，AI正逐步滲透至不動產領域之各個環節，改變傳統作業模式與決策流程。然而，AI應用也引發對資料隱私及模型偏差之關注：例如，自動估價可能因訓練資料之侷限對某些區域產生系統性低估/高估，需透過模型校準和人工專業判斷來修正。未來發展須科技治理並重，以確保AI工具使用符合法規與公共利益。 

        綜上所述，AI正迅速成為提升國土規劃、防災與不動產治理效能之關鍵利器。本文綜整了近年我國在這三大領域應用AI所取得之進展，包括建構智慧國土空間資料平臺、導入AI強化災害預測與監測、以及發展房市預測與智慧估價系統等。這些創新應用已初步展現AI技術之價值，空間規劃決策更加數據導向且精準，防災體系之預警反應更快速智能，不動產市場資訊更透明及高效能。同時，我們參考國際經驗與研究，提出了未來發展展望。可以預見，隨著AI算法、算力與資料之不斷進步，台灣將逐步建構起數位孿生國土與智慧城市系統，全面提升國土規劃之科學性與彈性；防災領域則「」邁向預警更提前、應變更自動化之智慧防災網絡；不動產產業也將因AI而重塑，走向資訊對稱、交易便捷之智慧市場格局。 

        然而，愈加倚重AI技術也帶來新課題與風險挑戰。本研究彙整之現況顯示，一些AI應用仍在試驗階段，模型可靠性與適用邊界需要長期觀察，對於極端或新穎情境可能出現預測偏差，例如在價格的預測上，AI技術仍無法突破財務理論上之「效率市場假設」(Efficient Market Hypothesis, EMH)。此外，資料隱私、演算法公平性、決策透明度等倫理和治理問題亦不容忽視。在智慧國土與智慧城市的建構中，如何在部會與地方間共享數據與協同運作，也涉及制度與協調機制之完善。有鑑於此，本文建議未來在推進AI技術落實時，政府與研究機構應同步強化下列工作：（1）建立嚴謹的模型驗證與監督機制，定期評估AI預測決策的準確性與偏誤，必要時進行校正，確保「負責任之AI」應用；（2）制訂相關法規與標準，明確AI介入公共決策時之權責界限，保障民眾隱私權與受益權；（3）培育跨領域專業人才，促進規劃、防災、不動產從業者的數位轉型，提升其運用AI之能力；（4）持續推動資料開放與整合，在保護個資前提下，增進資料可得性與品質，因高品質數據系AI發揮效用之基石。唯有技術進步與制度完善並行，方能最大化AI帶來之效益。 

        總體來說，人工智慧為台灣國土永續發展、韌性社會構築與房地產健全發展提供了前所未有之機遇。它既是提升治理能力的工具，也是引領觀念變革之動力。學術界應持續關注並深入研究AI在空間與社會領域之影響及最佳實踐模式，而政策制定者則應審慎規劃，讓科技創新與公共利益相輔相成。不遠的未來將是關鍵之黃金期，台灣能否乘AI之勢打造更安全、宜居與繁榮之國土空間，取決於我們今日之布局與努力。透過結合理性與創新、科技與人文，我們有理由相信，人工智慧將成為引領台灣邁向永續韌性未來之重要力量。 

註解 

1. 機器學習（Machine Learning, ML） 

機器學習系屬人工智慧之一分支，透過讓電腦從大量數據中學習模式，以便在未來進行預測或分類，而無需被明確地編程。比如垃圾郵件過濾系統利用機器學習從歷史郵件中學習哪些特徵可能是垃圾郵件，舉例可能是有大量連結或沒有主旨等，讓過濾器學習該些特徵，從而自動偵測並過濾新進郵件。 

2. 影像處理與卷積神經網路（Convolutional Neural Network, CNN） 

影像處理透過數位方式分析及改進影像資訊；卷積神經網路則是深度學習的一種特殊神經網路，特別擅長於處理影像資料，能有效從影像中自動擷取特徵進行分類。比如人臉辨識系統使用CNN從大量人臉照片中學習特徵模式，以辨別照片中的人物身份或情緒表達。 

3. 線性迴歸集成梯度提升技術（OLS Stacking GBDT） 

線性迴歸集成梯度提升技術系一結合線性模型（OLS）與梯度提升決策樹（GBDT）之集成技術，用以提高預測效果。先以GBDT捕捉複雜之非線性模式，再以線性模型有效整合。比如房價預測模型先用GBDT處理房屋資料之非線性變數（如位置、屋齡），再由線性迴歸整合這些預測，進一步提高整體預測精度。 

4. 極限梯度提升機（eXtreme Gradient Boosting, XGBoost） 

XGBoost是一種梯度提升決策樹的優化實作，以速度快、預測精度高、穩定性強而著稱，廣泛應用於分類與迴歸問題。在機器學習競賽中，XGBoost經常被用於預測用戶購買行為，例如預測顧客是否會點擊某個線上廣告。 

5. 隨機森林（Random Forest） 

隨機森林是一種集成式學習方法，由多個決策樹組成，透過隨機抽樣數據和特徵以降低模型的過擬合風險，並提升整體預測能力。比如銀行使用隨機森林模型，透過客戶資料及交易記錄預測客戶違約風險，協助銀行有效管理信用風險。 

參考文獻 

1. 國土利用監測整合資訊網（2025），內政部營建署城鄉發展分署111年度「國土利用監測整合作業」委託專業服務案 總結報告書（修正版），網址：https://landchg.tcd.gov.tw/DLF111/111%E5%B9%B4%E5%BA%A6%E5%9C%8B%E5%9C%9F%E5%88%A9%E7%94%A8%E7%9B%A3%E6%B8%AC%E6%95%B4%E5%90%88%E4%BD%9C%E6%A5%AD%E5%A0%B1%E5%91%8A%E6%9B%B8.pdf ，瀏覽日期2025.7.15。 

2. 中央通訊社（2025），氣象署天氣預報合作輝達AI技術　資料精細度提升逾10倍，網址：https://www.cna.com.tw/news/ahel/202406050246.aspx．瀏覽日期2025.7.15。 

3. 國土空間資訊圖資標準入口網站（2025），落實智慧國土NGIS2.0應用，網址：https://www.google.com/search?q=%E5%9C%8B%E5%9C%9F%E8%B3%87%E8%A8%8A%E7%AD%96%E7%B3%BB%E7%B5%B1NGIS2.0&sourceid=chrome&ie=UTF-8，瀏覽日期2025.7.16 

4. 張登林、楊昇學、葉克家（2021）。結合AI平台與IoT識別河川水位與都市淹水，農業工程學報，第67卷第1期,頁14-27。 

5. 蔡繡容、夏政瑋（2023）。預測台灣房地產市場趨勢之模型-應用深度學習技術，住宅學報，第32卷第2期, 頁21-55。 

6. Yimou Lee（2024）. As storm Bebinca approaches, Taiwan uses AI to predict typhoon paths，網址：https://www.reuters.com/technology/artificial-intelligence/storm-bebinca-approaches-taiwan-uses-ai-predict-typhoon-paths-2024-09-13/，瀏覽日期2025.7.16 

7. NVIDIA（2025），Generative Correction Diffusion Model (CorrDiff) for Km-scale Atmospheric Downscaling，網址：https://docs.nvidia.com/deeplearning/physicsnemo/physicsnemo-core/examples/generative/corrdiff/readme.html，瀏覽日期2025.7.15。