AI 기반 기후대응 도시숲의 최적 배식 설계안 제안 - 수원 광교 역사공원을 대상으로 - = Optimizing Urban Forest Planting Layouts for Climate Adaptation Using AI - Case study: Gwanggyo History Park, Suwon, Republic of Korea -

국문 초록 (Abstract)

도시숲은 기후변화 대응과 대기질 개선을 위한 자연기반해법(NbS)으로 주목받고 있으나 실제 배식 설계는 경험적 판단에 의존하는 경우가 많아 생태계서비스 성능과 비용을 동시에 고려한 정량적 최적 설계가 제한적이다. 본 연구는 AI 기반 최적화 기법을 활용하여 도시숲의 미세먼지 저감, 탄소저장, 경관가치를 통합적으로 고려하는 최적 배식설계 프레임워크를 제안하고 광교역사공원을 대상으로 적용 가능성을 검증하였다. 공개자료인 수치지형도를 기반으로 보행권·건물·도로를 식재 불가능 구역으로 설정하고 식재 가능 구역을 격자 단위로 분할한 뒤 수종별 환경성능 계수와 공간 가중치를 반영하여 목적함수를 구성하였다. 이후 총 식재수량 6,000본 제약 하에서 4개 대표 수종 스트로브잣나무, 느티나무, 산딸나무, 화살나무를 대상으로 시뮬레이티드 어닐링(SA) 최적화를 수행하고, 균등 비율 기반의 기준 시나리오와 비교하였다. 분석 결과 최적화 시나리오는 기준 대비 연간 미세먼지 저감량이 19.4% 증가(147.7→176.4 kg/yr), 경관가치 점수가 36.9% 증가하였으며, 총 식재비용은 34.4% 절감되었다. 탄소저장량은 3.8% 감소(60.6→58.3 t/yr)하여 비용 및 다른 성능지표 개선과의 교환관계가 확인되었으나, 비용 대비 성능 효율은 전반적으로 향상되었다. 본 연구는 다목적 생태계서비스와 비용을 통합한 AI 기반 배식 설계를 통해, 구역 특성에 따른 기능 중심의 배치 전략을 정량적으로 도출할 수 있음을 보여주며, 향후 근거 기반 조경설계 및 도시숲 조성 의사결정 지원에 활용될 수 있다.

다국어 초록 (Multilingual Abstract)

Urban forests are increasingly promoted as nature-based solutions for climate adaptation and air-quality improvement; however, planting design in practice is often guided by heuristics and rarely optimized under explicit ecosystem-service and budget constraints. This study proposes an AI-assisted framework for optimal planting layout design that integrates multiple ecosystem-service indicators—particulate matter (PM) reduction, carbon storage, and pedestrian-oriented landscape value—together with planting cost. Using publicly available digital topographic map data, we delineated non-plantable areas (e.g., pedestrian zones, buildings, and roads) and assumed the remaining space within the study site (Gwanggyo History Park, Korea) to be plantable. The plantable area was discretized into grid cells, and species-specific performance coefficients and spatial weights (Reflecting proximity to roads and pedestrian corridors) were combined into a multi-objective evaluation function. A simulated annealing (SA) optimizer was then applied under a fixed planting-stock constraint (6,000 plants) using four representative species (Pinus strobus, Zelkova serrata, Cornus kousa, and Euonymus alatus). We compared a baseline scenario with near-equal species proportions to the optimized solution. Results show that the optimized scenario increased estimated annual PM reduction by 19.4% (147.7 → 176.4 kg·yr⁻¹) and landscape value by 36.9% (20,379.5 → 27,906.8 points), while reducing total planting cost by 34.4% (692.7 → 454.4 million KRW). Annual carbon storage decreased slightly by 3.8% (60.6 → 58.3 t·yr⁻¹), indicating a trade-off associated with reduced use of high-cost canopy trees; nevertheless, performance per unit cost improved across all indicators. The proposed approach demonstrates the potential of AI-based optimization to generate zone-specific, cost-effective planting strategies that support evidence-based landscape design for climate-responsive urban forests.