UI/UX 중심 사용자 맞춤형 AI 기반 수목 추천 서비스 아키텍처 연구 = A Study on the Architecture of a User-Centric and AI-Powered Tree Recommendation Service Focused on UI/UX

다국어 초록 (Multilingual Abstract)

Recently, as interest in addressing climate change and deepening urbanization has grown, innovative AI (Artificial Intelligence)-based solutions have been actively discussed in the landscaping and forest management sectors. However, research focused on recommending tree species optimized for on-site environmental conditions remains relatively insufficient. Existing tree recommendation methods rely on experiential knowledge and manual processing, failing to adequately reflect complex environmental factors and lacking a cyclical learning function, which limits performance advancement.

Therefore, this study aimed to propose an efficient alternative for precise response to climate change and urbanization by developing a User-Centric and AI-Powered Custom Tree Recommendation System Focused on UI/UX.

First, a high-quality dataset optimized for AI model training was constructed. Public data and literature related to landscaping trees were collected, and raw data was refined into effective data through preprocessing and validation processes. Specifically, a database including over 57 environmental variables, such such as temperature (mean/extreme), precipitation, soil characteristics (pH, Organic Matter, CEC), and topography (elevation, slope, aspect), was established to enable the model to precisely learn complex environmental factors.
Second, a LightGBM (Light Gradient Boosting Machine)-based Decision Tree ensemble model was developed. The final performance was measured using an independent validation set ($\text{6,110}$ records), completely separated from the training set ($\text{18,327}$ records) using the Hold-out data partitioning method (Total Dataset: $\text{24,437}$ records). Accuracy was measured as the ratio of correct predictions to total predictions, and Precision was calculated as the probability of recommending suitable trees while excluding unnecessary ones. Through this rigorous validation, the model achieved a performance of 98% Accuracy and 98% Precision. This significantly exceeds the initial goals of 95% Accuracy and 85% Precision, proving the AI model's ability to provide accurate tree recommendations by comprehensively considering diverse environmental variables. The model demonstrated prediction capabilities that incorporate tree growth suitability, carbon storage, and indirect external factors.
Third, the system architecture was designed using a modern technology stack, including Python, FastAPI (Fast Application Programming Interface), Docker, and AWS (Amazon Web Services), and a User-Friendly UI/UX (User Interface/User Experience) was implemented. The tree recommendation system is structured as a Closed-loop process, ranging from input to planting registration and Cyclical Learning. This design provides a direct screen flow and simplified interaction, enabling not only landscaping experts but also general users to easily utilize accurate recommendation results without complex analysis.
In summary, this research presents a recommendation system that integrates a high-quality data infrastructure, an explainable learning and inference framework, and a Cyclical Learning-based feedback structure. This contributes to the standardization of data-driven decision-making in the landscaping and forestry sectors and proves its potential for application expansion into urban green space management, climate-resilient landscape design, and carbon-neutral strategies. Future tasks include continuous enhancement of generalization performance and field impact through model advancement, real-time data integration, deep learning and multi-modal analysis, and user experience improvement.

국문 초록 (Abstract)

기후변화와 도시화의 심화에 따라 조경 및 산림 관리 분야에서 AI(Artificial Intelligence) 기반 해결책이 활발히 논의되는 반면, 현장 환경에 최적화하여 식재 수목을 추천하는 연구가 상대적으로 부족하다는 문제의식에서 출발하였다. 기존 수목 추천 방식은 경험 의존·수동 처리에 머물러 복합 환경 요인을 충분히 반영하지 못하고, 순환학습 기능이 결여되어 성능 고도화에도 한계가 있었다. 이에 본 연구는 UI/UX 중심 사용자 맞춤형 AI 기반 맞춤형 수목 추천 시스템을 개발하여 기후변화와 도시화에 정밀 대응할 수 있는 효율적인 대안을 제시하고자 했다.
첫째, AI 모델 학습에 최적화된 고품질 데이터셋을 구축하였다. 조경 수목 관련 공공데이터와 문헌 자료를 수집한 뒤, 원시 데이터 전처리· 검수 과정을 통해 유효 데이터로 정제하였다. 특히, 기온 ․ 강수량 ․ 토양 특성 ․ 지형 등 57개 이상의 환경 변수를 포함하는 데이터베이스를 마련하여, 모델이 복합 환경 요인을 정밀 학습할 수 있는 기반을 확보하였다.
둘째, LightGBM(Light Gradient Boosting Machine) 기반 결정트리 계열을 개발하였다. 모델 학습에 사용된 데이터 분할은 홀드아웃(Hold-out) 방식을 사용하여 총 데이터셋(24,437건) 중 학습 세트(18,327건)와 완전히 분리된 독립적인 평가용 검증 세트(6,110건)을 사용하여 최종 성능을 측정하였다. 정확도는 모델이 예측한 결과 중에서 실제 정답과 일치하는 비율을 측정하였으며, 정밀도는 불필요한 수목을 제외하고 적합한 수목을 추천하는 확률을 산출하였다. 이러한 엄격한 검증을 통해 평가한 결과, 정확도 98% ․ 정밀도 98%라는 성능을 달성하였다. 이는 기존 목표인 정확도 95% ․ 정밀도 85%를 큰 폭으로 초과한 수치로, AI 모델이 다양한 환경 변수를 고려하여 정확한 수목 추천을 수행함을 입증하였다. 이 모델은 수목의 생육 적합성뿐만 아니라, 탄소저장량과 간접적인 외부 요인까지 종합적으로 고려하는 예측 능력을 갖추었다.
셋째, Python, FastAPI(Fast Application Programming Interface), Docker, AWS(Amazon Web Services)로 시스템 아키텍처를 설계하고, 사용자 친화적 UI/UX(User Interface/User Experience)를 구현하였다. 수목 추천 시스템은 입력에서부터 식재 등록 및 순환학습에 이르는 폐루프(Closed-loop) 절차로 구성되어 있어 조경 전문가뿐만 아니라 일반 사용자도 복잡한 분석 과정 없이 정확한 추천 결과를 쉽게 활용할 수 있도록 직접적인 화면 흐름과 간결한 상호작용을 제공하였다.
종합하면, 본 논문은 고품질 데이터 인프라와 설명할 수 있는 학습·추론 체계, 순환학습 기반 피드백 구조를 결합한 추천 시스템을 제시하였다. 이는 조경·산림 분야의 데이터 기반 의사결정 표준화에 기여하며, 도시 녹지 관리, 기후적응형 조경 설계, 탄소중립 전략 등으로의 응용 확장 가능성을 입증한다. 향후 과제로는 모델 고도화, 실시간 데이터 연동, 딥러닝·멀티모달 분석, 사용자 경험 강화를 통해 일반화 성능과 현장 파급효과를 지속적으로 심화할 계획이다.

목차 (Table of Contents)

• 국문초록ⅰ
• 목 차ⅳ
• 그림목차ⅶ
• 표 목 차ⅷ
• 약 어 표 ⅸ
• 제 1 장 서 론 1
• 1.1 연구 배경 및 필요성 1
• 1.2 연구 목적4
• 1.3 연구 범위와 한계 5
• 1.4 연구 방법 6
• 1.5 본문 구성 7
• 제 2 장 관련 연구 9
• 2.1 조경 수목 및 환경 데이터 분석 9
• 2.1.1 수종별 기후 환경 조건9
• 2.1.2 기후변화와 수목의 고사율 증가 11
• 2.1.3 탄소저장량 산출 방법론12
• 2.2 AI 추천 시스템 연구 동향 14
• 2.2.1 AI 기반 추천 시스템 연구 14
• 2.2.2 조경 및 산림 분야 추천 시스템 연구 18
• 2.3 빅데이터 구축 및 정제 기술 25
• 2.4 연구의 차별성33
• 제 3 장 연구 방법 36
• 3.1 조경 수목 데이터 수집 및 전처리 37
• 3.1.1 데이터 수집 전략 및 자료원 37
• 3.1.2 수집 대상 및 정보 항목 39
• 3.2 AI 모델 학습 구조 및 절차42
• 3.2.1 모델 구조 설계 및 알고리즘 선정 42
• 3.2.2 데이터 학습 및 파인튜닝 전략 47
• 제 4 장 AI 솔루션 개발 및 구현 52
• 4.1 AI 수목 추천 시스템 아키텍처 설계 52
• 4.1.1 전체 시스템 구성 52
• 4.1.2 개발 환경 및 도구 57
• 4.2 AI 모델 학습 및 추천 절차 60
• 4.2.1 환경 요인 통합 기반 머신러닝 의사결정 방법 60
• 4.2.2 학습 체계 선순환 구조 62
• 4.3 사용자 맞춤형 추천 기능 64
• 4.3.1 AI 수목 추천 시스템의 핵심 기능 64
• 4.3.2 시스템의 사용자 편의성 강화 요소 67
• 제 5 장 실험 및 결과 분석70
• 5.1 실험 설계 70
• 5.1.1 평가 데이터셋 구성 70
• 5.1.2 모델 학습 및 추론 환경 74
• 5.2 성능 평가 지표 78
• 5.3 실험 결과 및 해석 81
• 5.3.1 정확도 및 정밀도 평가 결과 81
• 5.4 시스템의 UI/UX 개발 84
• 제 6 장 결론 및 향후 연구 과제 87
• 6.1 결론 87
• 6.2 향후 연구 과제 88