摘要 

　　近年來，三維空氣污染（3D Air Pollution）逐漸成為空氣品質研究的重要議題，因其能同時揭示水平方向與垂直方向的濃度差異，對都市居民的健康、居住品質與不動產市場皆具有深遠影響。傳統空氣污染評估多依賴地面測站數據，僅能進行二維推估，往往忽略高樓建築中不同樓層的暴露差異。為了突破這一限制，本研究結合無人機（UAV）監測、三維地理資訊以及地理人工智慧（Geo-AI）模型，針對台灣苗栗竹南與頭份地區進行超細懸浮微粒（PM0.1）三維分布的觀測與推估，並進一步探討其對不動產價值與住宅選擇之影響。研究中整合土地利用、建築高度、道路路網與氣象因子，透過 SHAP 值解釋關鍵變數，結果發現靠近主要道路、工業區且位於低樓層之住宅，其污染暴露顯著偏高；相對而言，高樓層住宅因空氣流動與稀釋效應，暴露風險較低。本研究突顯三維空氣污染資訊於都市環境健康風險評估與不動產市場分析的重要性，並提出未來都市規劃應納入垂直空氣品質監測，作為住宅價值評估、健康導向建築設計與居住正義實踐之參考。 

壹、前言 

　　您是否曾想過，買房時除了坪數、地段和採光外，還應該考慮「樓層的空氣品質」？隨著都市高樓林立，三維空氣污染（3D Air Pollution）逐漸被證實會影響居民的健康與生活品質。研究指出，低樓層往往承受來自道路車流與工業區的污染，而高樓層則可能因風場渦流與逆溫層效應而累積污染，使得不同樓層之間的空氣品質存在顯著差異（Li et al. 2019; Hsu et al. 2025）。 

　　其中，超細懸浮微粒（Ultrafine Particulate Matter, UFP），又稱 PM0.1，因直徑小於 0.1 微米，遠小於一般常見的 PM2.5，能更容易穿透肺泡進入血液循環，甚至影響中樞神經系統。大量流行病學研究已指出，PM0.1 暴露與多種健康風險高度相關，包括慢性呼吸系統疾病、心血管疾病（如動脈硬化）、以及神經退行性疾病（如阿茲海默症與帕金森氏症）（Leikauf et al., 2020; Bhargava et al., 2018; Traboulsi et al., 2017）。換言之，居住在污染濃度較高的樓層，可能不僅影響日常生活舒適度，更潛藏長期健康風險。 

　　本文將結合最新的三維空氣污染研究成果，探討樓層高度對空氣污染暴露與不動產市場的影響，並進一步回應一項核心問題：「較高樓層的居住環境是否真能帶來更健康的生活品質？」 

貳、三維空氣污染與地理人工智慧（Geo-AI）模型 

　　傳統的空氣污染監測多依賴地面測站，僅能呈現水平方向的污染分布。然而在高樓林立的都市環境中，垂直方向的污染差異同樣關鍵。例如，冬季常見的逆溫層會導致污染物滯留於低空，使低樓層居民暴露風險增加；相對地，夏季強烈的對流活動則有助於稀釋高樓層的污染濃度，形成明顯的季節性差異。近年來，隨著無人機（UAV）監測技術的發展，學者得以突破傳統測站的限制，直接在不同高度進行污染數據蒐集，揭示都市大氣中更完整的三維分布樣貌。 

　　然而，僅有監測數據仍不足以全面掌握污染動態。為了在監測點不足的情況下進行大範圍、高解析度的模擬，近年來興起的「地理人工智慧」（Geospatial Artificial Intelligence, Geo-AI）便成為關鍵技術。地理人工智慧是一種結合地理資訊系統（GIS）空間分析與人工智慧演算法的新興技術，廣泛應用於環境科學與公共健康研究。以空氣污染模擬為例，傳統方法多依賴監測站點數據，但空間覆蓋有限，難以完整捕捉污染在都市不同區域與高度的變化。Geo-AI 的優勢在於，它能整合多源地理資料（如衛星遙測、航照影像、無人機監測）、土地利用資訊以及空污監測數據，並透過機器學習與集成學習（ensemble learning）等方法，建立能夠解釋「空氣污染濃度與環境因子之間關聯」的推估模式。 

　　本團隊將此技術應用於三維空氣污染分析中，首先透過無人機量測不同高度的 PM0.1 濃度，並結合二維與三維的解釋變數（如建築高度、土地利用型態、交通與工業排放、氣象參數）。接著進行空間資料庫建構與 SHAP 值計算，篩選出影響污染濃度的重要因子。透過自動化機器學習（Auto-ML），建立多種迴歸模型（CatBoost、GBR、LightGBR、隨機森林、XGBoost 等），並進行交叉驗證與資料外驗證，確保模型的準確性與穩健性。最後，利用三維視覺化方法，將變數值嵌入空間點磚（point bricks），套用 Geo-AI 模型進行推估，產製都市區域中不同樓層的空氣污染三維分布圖（圖1）。此方法亦已完整發表於 Environmental Pollution（Hsu et al., 2025），為本團隊針對台灣竹南－苗栗地區三維空污推估的代表性研究成果。 

　　此一結合 UAV 與 Geo-AI 的三維建模方法，不僅能彌補測站數據不足的缺口，還能同時揭示都市環境中水平方向與垂直方向的污染差異。對於環境健康風險評估、不動產價值分析與城市規劃具有重要意義，特別是能為「居住暴露風險」與「健康導向都市設計」提供更科學且可操作的依據。 

圖1 三維空氣污染建模與視覺化研究流程 

        研究採用了五種機器學習演算法來推估 PM0.1 的三維濃度分布。這些演算法的訓練 R² 值介於 0.92 至 0.98 之間，RMSE 則落在 583 至 1,398 particles/cm³。透過比較訓練 R²、測試 R² 以及 10 折交叉驗證（CV）R²，確認了模型的一致性與過擬合風險。其中，以 XGBoost Regressor（XGBR）表現最佳，訓練 R² 達 0.98，測試 R² 為 0.88，並且在訓練階段達到最低的 MSE（3.40 × 10⁵）與 RMSE（583 particles/cm³）。此結果顯示，XGBR 不僅能有效降低預測誤差，亦具備穩健的泛化能力，是本研究進行三維空氣污染推估的最佳模型。 

参、三維空氣污染與居住環境 

　　本研究區域位於台灣苗栗縣的竹南鎮與頭份市，總面積約 90.86 km2，人口約 204,929 人。研究範圍涵蓋新竹科學園區竹南園區及頭份工業區，為重要的高科技研究聚落與工業發展中心，該區域同時鄰近主要交通幹道與河川系統，兼具都市、工業、農業與綠地等多樣土地利用型態，污染來源多元且複雜，因而成為分析三維空氣污染分布的理想區域之一（圖2）。 

　　研究結果顯示，不同季節與地區的空氣污染濃度存在顯著差異。冬季時，由於大氣擴散條件較差、混合層高度偏低，污染物更容易被困在低空，使得整體濃度明顯高於夏季；相對地，夏季受益於強對流活動與較高的混合層高度，污染物更易被稀釋與擴散。此一季節性差異反映了氣象因子在污染傳輸與累積中的關鍵作用。 在土地利用類型方面，森林與綠地環境的空氣品質相對較佳，呈現出自然植被對污染物稀釋與阻隔的功能；相反地，工業區、交通幹道周邊與臨水區則顯示較高的污染濃度，反映出人為排放源對空氣品質的影響。 

圖2 研究試區圖（修改自Hsu et al., 2024）

        更值得關注的是，不同樓層之間的污染差異並非簡單的「越高越乾淨」。實際觀測發現，在部分中高樓層，因風場渦流或逆溫層效應，污染物反而會累積，形成難以察覺的「隱形熱點」。這意味著，居住在不同樓層的民眾，實際上面臨著迥異的空氣品質（圖3）。對不動產市場而言，這些發現提醒我們，住宅價值不僅取決於坪數、採光或景觀，更與居民「呼吸到的空氣」息息相關。低樓層住宅往往更容易受到車流與工業排放影響，而高樓層雖然遠離地面污染源，但在特定氣候條件下也未必安全，這直接關聯到居住舒適度與長期健康風險。

圖3使用無人機測量的每種土地利用類別的濃度垂直分佈（修改自Hsu et al., 2025）。 

        為了更深入理解三維空氣污染的形成機制，本研究引入 SHAP（SHapley Additive exPlanations）方法，評估各環境變數對模型預測的影響力，SHAP 值是一種模型解釋工具，源自合作博弈論，能將機器學習模型的複雜運算拆解為各變數對預測結果的「貢獻值」，從而判斷哪些因子最能解釋模型輸出。結果如圖3所示，一氧化碳、公共休憩空間（250m）、氣溫、樓層高度與一氧化氮為影響 PM₀.₁ 濃度的主要因子。其中，一氧化碳與一氧化氮作為典型的交通與燃燒源污染指標，揭示了車流密集區與工業排放對低樓層污染的強烈影響；而樓層高度則突顯了垂直分布的特性，特別反映污染物在 40 公尺以下的高濃度現象。此外，公共休憩空間、農地與森林覆蓋等綠地指標則展現負向影響，顯示自然環境能有效降低污染濃度，改善居住環境品質。另一方面，建物距離（2D 與 3D）顯示都市建築群會影響污染累積，這可能與街谷效應（street canyon effect）密切相關。 

圖3 影響 PM0.1 三維濃度推估之變數重要性 

　　為了更直觀呈現這些現象，本研究亦運用 ArcGIS Pro 的三維運算功能進行視覺化展示（圖4）。以東興橋人造濕地（W0）為案例，冬季條件下的模擬結果顯示整體 PM₀.₁ 濃度偏高，並大量堆積於西北側近地表，與混合層高度（Mixing Layer Height）較低所造成的限制效應相符（Salvador et al., 2020）。進一步比較不同土地利用類型可見，河川通過區與鄰近森林區污染濃度相對較低，而主要道路與工業設施周邊則明顯偏高，特別是在垃圾處理廠與工廠附近形成局部污染熱點。 

圖4 PM0.1之三維視覺化成果: 採樣點東興橋人造濕地周邊於2023年1月12日8時之三維空污分佈。 

　　綜合上述研究結果，三維空氣污染不僅受到氣象與排放源控制，同時也深受都市空間結構與綠地配置的調節。這些結果亦與歐美及亞洲其他高密度都市的觀察一致，顯示都市型態與氣候條件會共同決定污染的垂直差異。 對不動產市場而言，這些發現具有重要意涵：位於低樓層且鄰近道路或工業設施的住宅，因暴露風險較高，市場價值可能受壓抑；相對而言，鄰近綠地、樓層較高或具良好通風條件的住宅，則可能享有健康優勢並呈現價格溢價。換言之，三維空氣污染研究不僅揭示了都市空間中的環境風險分布，也涉及居住公平與健康城市規劃的挑戰，為住宅選擇與政策制定提供新的科學依據。 

肆、空氣污染如何影響不動產價值 

　　住宅價格不僅受到地段、交通便利性、學區品質等傳統因素影響，近年來環境品質，特別是空氣污染，逐漸被證實會對不動產市場帶來實質影響。以往的研究多以地面測站數據為依據，較難揭示同一社區中不同樓層之間的暴露差異；然而透過三維空氣污染推估，可進一步發現低樓層若緊鄰交通要道或工業設施，往往面臨更高的污染濃度與健康風險，進而對房價形成壓抑效應。相對而言，高樓層住宅若因空氣流動與稀釋作用而具有較佳空氣品質，則可能呈現「樓層溢價」現象。此結果顯示，不動產市場的價值評估應不僅止於建築本身與周邊設施，還必須納入居住者「實際呼吸到的空氣」品質。 

　　除了價格層面的影響外，空氣污染亦透過健康風險轉化為購屋者的偏好。長期暴露於高污染環境的居民更易罹患呼吸道與心血管疾病，增加醫療支出與生活壓力，這種隱藏的健康成本逐漸反映在市場交易中。低收入族群往往因經濟限制而集中居住於低樓層或臨近道路的區域，承受更高的污染暴露，形成「雙重弱勢」，也突顯出居住公平與環境正義的議題。 

　　此外，城市發展型態與建築設計亦會影響污染與價格的關聯。在高密度都市中，樓層高度差異造成的污染落差更加明顯；相對而言，低密度都市則多以水平方向的臨路距離為主要差異因素。建築設計也能在一定程度上調節污染影響，例如綠建築規劃、空氣濾淨設備與垂直綠化，皆能減少污染累積、改善室內空氣品質，進而提升住宅價值。綜合來看，三維空氣污染不僅影響不動產價格，也與健康風險、社會公平與都市規劃密切相關，為未來的不動產價值分析與居住選擇提供更廣泛的思考面向。 

伍、政策與市場意涵 

　　三維空氣污染的視角對於不動產市場與政策規劃皆有深遠意涵。首先，在不動產資訊揭露方面，未來應考慮將空氣品質作為重要指標，提供購屋者更多元的決策依據，以提升市場透明度與消費者知情權。其次，都市規劃上，政府應將三維污染模擬成果納入規劃流程，避免在污染熱點區域興建高密度住宅，並透過合理的土地利用分區及綠地配置，改善都市空氣品質。最後，市場與政策端亦可攜手推動「健康導向建築設計」，例如強化通風、綠建築規範與垂直綠化，降低污染暴露風險。此舉不僅可提升都市居住品質，亦有助於長期的永續發展與居住正義實踐。部分國際城市已率先將空氣品質納入不動產與都市政策工具中。以倫敦為例，購屋過程中已開始納入地區空氣品質資訊，以供購屋者參考（Property News Team, 2021）。而在美國，Zillow 在其房源資訊中新增空氣品質與氣候風險評分，Realtor.com 則提供「Air Factor」評分顯示未來空污趨勢，協助購屋者做更健康的選擇。 

陸、結論 

　　本研究突顯了三維空氣污染在都市環境中的重要性，並探討其對不動產市場的潛在影響。研究結果指出，不同樓層的污染暴露差異，會直接影響住宅價值與居住選擇，特別是在交通與工業排放源密集的都市區域。換言之，住宅的「高度」不僅是視野與景觀的象徵，更與居民的健康風險息息相關。未來的不動產研究與都市規劃，應結合三維空氣污染的監測與模擬資訊，以科學數據支撐政策制定，推動健康導向的住宅環境，進而促進居住正義與提升市民生活品質。本研究亦存在一定限制與未來發展方向。首先，受限於 UAV 飛行高度，僅能捕捉 120 公尺以下的污染特徵，無法完整呈現超高樓層的暴露情況。其次，單一無人機作業缺乏同步監測，不同地點間的時間差異需透過氣象數據校正。未來研究可考慮應用多無人機協同採樣，或在高樓層布建感測器，以增加資料覆蓋範圍。此外，亦應進一步探討氣候變遷下的影響，如熱島效應與極端天氣事件，如何改變三維空氣污染的分布模式。這些新方向將有助於提升研究的精細度，並提供更全面的決策依據。 

誌謝 

　　本研究獲得臺灣國家科學及技術委員會（NSTC）之補助（NSTC 114-2119-M-006-010-；NSTC 113-2121-M-006-010-；NSTC 112-2121-M-006-015-；NSTC 113-2123-M-001-013-；NSTC113-2121-M-006-001-；112-2314-B-038-118-MY2），以及教育部高等教育深耕計畫之支持。本研究部分亦獲高雄醫學大學精準環境醫學研究中心資助，該中心隸屬於教育部高等教育深耕計畫特色領域研究中心計畫之下，並由高雄醫學大學研究中心計畫補助（KMU-TC114A01）。 
此外，本研究亦獲得衛生福利部桃園醫院研究發展部研究規劃組（PTH114058 與 PTH114118）、臺北醫學大學口腔醫學院（TMUCOM202501）、長庚科技大學基金會（ZRRPF6N0011），以及長庚醫療研究計畫基金會（CMRPF6P0041、CMRPF6P0042、CMRPF6P0043）之經費支持。 

參考資料 

1. 許家瑋、陳映融、蘇均珺、洪若彬、陳裕政、龍世俊、蕭大智、張智安、施奕良、吳治達*（2024）。以三維混合空間模型評估空氣污染的垂直與水平變異性：以台灣竹南-苗栗地區為例。2024測量及空間資訊研討會論文摘要集。 

2. Better Homes & Gardens. (2024, March 22). Realtor.com releases new climate risk assessment tools. https://www.bhg.com/realtor-climate-assessment-tools-8607395 

3. Bhargava, A., Tamrakar, S., Aglawe, A., Lad, H., Srivastava, R. K., Mishra, D. K., Tiwari, R., Chaudhury, K., Goryacheva, I. Y., & Mishra, P. K. (2018). Ultrafine particulate matter impairs mitochondrial redox homeostasis and activates phosphatidylinositol 3-kinase mediated stress signaling in macrophages. Environmental Pollution, 234, 406–419. https://doi.org/10.1016/j.envpol.2017.11.093 

4. Hsu, C. W., Chern, Y. R., Su, J. J., Wijaya, C., Chen, Y. C., Lung, S. C. C., Hsiao, T. C., Teo, T. A., Shih, I. L., & Wu, C. D.* (2024). 3-D air pollution estimation using a hybrid spatial model: A case study of Zhunan-Miaoli area, Taiwan. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLVIII-4/W8-2023, 301–306. https://doi.org/10.5194/isprs-archives-XLVIII-4-W8-2023-301-2024 

5. Hsu, C. W., Chern, Y. R., Su, J. J., Wong, P. Y., Asri, A. K., Wijaya, C., Chen, Y. C., Lung, S. C. C., Hsiao, T. C., Teo, T. A., Shih, Y. L., & Wu, C. D.* (2025). Assessing 3-D variability of ultrafine particle using a Geo-AI modelling approach: A case study in Zhunan-Miaoli, Taiwan. Environmental Pollution, 383, Article 126879. https://doi.org/10.1016/j.envpol.2025.126879 

6. Kolodny, L. (2024, September 26). Zillow adds climate risk scores to real estate listings. The Verge. https://www.theverge.com/2024/9/26/24255325/zillow-real-estate-climate-risk-insurance 

7. Leikauf, G., Kim, S., & Jang, A. (2020). Mechanisms of ultrafine particle-induced respiratory health effects. Experimental & Molecular Medicine, 52, 329–337. https://doi.org/10.1038/s12276-020-0394-0 

8. Li, B., Li, X., Li, C., Zhu, Y., Peng, Z., Wang, Z., & Lu, S. (2019). Impacts of wind fields on the distribution patterns of traffic emitted particles in urban residential areas. Transportation Research Part D: Transport and Environment. https://doi.org/10.1016/j.trd.2018.01.030 

9. Property News Team. (2021, June 15). Check pollution levels surrounding your new home. Zoopla. https://www.zoopla.co.uk/discover/property-news/check-pollution-levels-surrounding-your-new-home/ 

10. Salvador, P., Pandolfi, M., Tobías, A., Gómez-Moreno, F. J., Molero, F., Barreiro, M., Pérez, N., Revuelta, M. A., Marco, I. M., Querol, X., & Artíñano, B. (2020). Impact of mixing layer height variations on air pollutant concentrations and health in a European urban area: Madrid (Spain), a case study. Environmental Science and Pollution Research, 27(33), 41702–41716. https://doi.org/10.1007/s11356-020-10146-y 

11. Traboulsi, H., Guerrina, N., Iu, M., Maysinger, D., Ariya, P., & Baglole, C. (2017). Inhaled pollutants: The molecular scene behind respiratory and systemic diseases associated with ultrafine particulate matter. International Journal of Molecular Sciences, 18(2), 243. https://doi.org/10.3390/ijms18020243