목록으로
업무 생산성 개선을 위한 AI 활용
야생동물 생태통로 설치 적지를 구분하는 AI 풍수관
AI를 활용하여 생태통로 최적 후보지 분석 파이프라인을 직접 구축하고, 현장 적용 가능한 정책 보고서까지 자동 산출한 사례
🤖 활용 AI 도구
Geminai, claude
① 어떤 상황에서 AI를 활용했나요?
월악산 관통 도로에서 20년간 1,229건의 야생동물 로드킬이 발생했습니다. 생태통로(1개소 약 6~7억 원)를 '어디에' 설치할지가 핵심인데, 기존 방식은 로드킬 다발 지점만 보고 전문가가 경험적으로 판단하여 서식지 연결성·지형·규제구역 같은 복합 요인을 놓치는 경우가 많았습니다. 저는 코딩·GIS 비전공자인 실무자로서, 별도의 예산 수반 없이 상용 LLM을 활용하여 생태통로 적지 분석 모델을 구현하였습니다.
② 어떤 AI를 어떻게 활용했나요?
Claude(Anthropic)를 분석 설계·코드 작성·오류 진단·보고서 생성의 전 과정에서 '연구 파트너'로 활용했습니다. 단순 코드 생성이 아닌, 방법론 타당성을 논의하고 오류 원인을 함께 추적하는 대화형 협업 방식입니다.
6단계 파이프라인은 다음과 같습니다.
- (Phase 1~2) 6종 공공데이터 전처리 → KDE + Getis-Ord Gi* 통계 검증으로 로드킬 핫스팟 48개 구간 도출
- (Phase 3) 7종 목표종(삵·너구리·수달·큰산개구리 등) 서식지 적합성 모형(MaxEnt) 구축. 조사데이터 좌표 중복률 80.2% 문제를 AI와 진단하여 target-group background 혼합 샘플링으로 해결
- (Phase 4~5)** 토지피복·HSM·도로 가중합산 저항면 구축 → Julia Circuitscape 회로이론으로 동물 이동 병목 구간 분석
- (Phase 6) 5개 평가기준(로드킬·연결성·서식적합도·지형·보호구역) + 13개 법정 규제구역 중첩 분석 → 후보지 20개소를 A(즉시 추진 3개소)·B(협의 후 3개소)·C(장기 14개소) 등급으로 분류한 11페이지 정책 보고서 자동 생성
③ 활용 결과 어떤 변화가 있었나요?
- 시간: 외부 용역 4~6개월 → 약 3주 (85% 단축)
- 비용: 용역비 3,000~5,000만 원 → AI 구독료 수준 (99% 절감)
- 산출물: Python 스크립트 10여 개, GIS 래스터/벡터 20여 개, 정책 보고서 1건
- 품질: 단일 기준(로드킬 빈도) → 5차원 복합 기준의 과학적 의사결정. A등급 3개소는 백두대간·문화재·자연재해·상수원보호구역 미중첩으로 인허가 리스크 최소
④ 나만의 방식 또는 개선 포인트는 무엇인가요?
첫째, 코딩·GIS 비전공 실무자가 전문가 수준의 공간분석을 직접 수행했습니다.
기존에 이 수준의 분석(KDE 핫스팟, MaxEnt 서식지 모형, Circuitscape 연결성, MCDM 다기준 평가)은 생태학·GIS 전공 석·박사급 연구자 또는 3,000~5,000만 원 규모의 외부 용역으로만 가능했습니다. 저는 Python을 배운 적 없는 일반 행정직 공무원입니다. AI에게 "이 분석의 목적은 이것이고, 데이터는 이런 형태다"라고 업무 맥락을 설명하면 AI가 코드와 방법론을 제안하고, 저는 현장 지식으로 방향을 잡는 역할 분담이 핵심이었습니다. 예를 들어, AI가 산출한 AUC 0.99라는 모형 성능을 "월악산 전역에 분포하는 고라니가 이렇게 완벽하게 예측될 리 없다"는 현장 감각으로 의심하여, 결국 조사설계 편향(좌표 중복률 80.2%)이라는 근본 원인을 찾아냈습니다. 이것은 AI가 '전문 지식의 장벽'을 허무는 대신, 현장을 가장 잘 아는 담당자가 분석의 주체가 되는 새로운 업무 방식입니다.
둘째, '분석 결과 도출'에서 끝나지 않고 '정책 실행 패키지'까지 완성했습니다.
대부분의 AI 활용 사례가 "보고서 초안을 만들었다", "데이터를 분석했다"에서 멈춥니다. 이 사례는 한 단계 더 나아가, 후보지 도출 → 13개 법정 규제구역 자동 중첩 진단 → A/B/C 등급 분류 → 변산반도국립공원 실제 사례 기반 인허가 추진 로드맵 → 현장 조사표 설계까지, 실무자가 다음 날 바로 현장에 나갈 수 있는 수준의 산출물을 만들었습니다. 분석 결과가 담당자 PC의 파일로 잠자는 것이 아니라, 실제 정책 의사결정의 근거 문서로 상급기관에 보고되었습니다.
셋째, 1개 공원의 성공 모델이 전국 23개 국립공원으로 즉시 확산 가능합니다.
모든 분석에 사용된 데이터(로드킬, 토지피복도, DEM, 하천망)는 전국 어디서나 무료로 확보 가능한 공공데이터이고, 분석 스크립트는 입력 파일 경로만 바꾸면 다른 지역에서도 동일하게 작동합니다. 실제로 이 모델을 치악산국립공원에 확장 적용하는 기획안을 별도로 작성한 바 있으며, 국립공원뿐 아니라 지자체의 야생동물 피해 저감 사업, 도로관리청의 로드킬 저감시설 배치 계획에도 동일한 프레임워크를 적용할 수 있습니다..
⑤ 다른 사람도 따라 할 수 있나요?
로드킬 데이터(국립생태원 무료 공개) + 공공 GIS 데이터(환경부 EGIS, 국토지리정보원 DEM 등 무료) + 생성형 AI 구독만 있으면 됩니다. WinPython 포터블 환경에서 작동하므로 별도 서버나 고가 GIS 소프트웨어 없이 일반 업무용 PC에서 실행 가능합니다. 입력 데이터만 해당 지역 것으로 교체하면 전국 23개 국립공원·지자체·도로관리청에서 동일한 분석을 재현할 수 있습니다.
월악산 관통 도로에서 20년간 1,229건의 야생동물 로드킬이 발생했습니다. 생태통로(1개소 약 6~7억 원)를 '어디에' 설치할지가 핵심인데, 기존 방식은 로드킬 다발 지점만 보고 전문가가 경험적으로 판단하여 서식지 연결성·지형·규제구역 같은 복합 요인을 놓치는 경우가 많았습니다. 저는 코딩·GIS 비전공자인 실무자로서, 별도의 예산 수반 없이 상용 LLM을 활용하여 생태통로 적지 분석 모델을 구현하였습니다.
② 어떤 AI를 어떻게 활용했나요?
Claude(Anthropic)를 분석 설계·코드 작성·오류 진단·보고서 생성의 전 과정에서 '연구 파트너'로 활용했습니다. 단순 코드 생성이 아닌, 방법론 타당성을 논의하고 오류 원인을 함께 추적하는 대화형 협업 방식입니다.
6단계 파이프라인은 다음과 같습니다.
- (Phase 1~2) 6종 공공데이터 전처리 → KDE + Getis-Ord Gi* 통계 검증으로 로드킬 핫스팟 48개 구간 도출
- (Phase 3) 7종 목표종(삵·너구리·수달·큰산개구리 등) 서식지 적합성 모형(MaxEnt) 구축. 조사데이터 좌표 중복률 80.2% 문제를 AI와 진단하여 target-group background 혼합 샘플링으로 해결
- (Phase 4~5)** 토지피복·HSM·도로 가중합산 저항면 구축 → Julia Circuitscape 회로이론으로 동물 이동 병목 구간 분석
- (Phase 6) 5개 평가기준(로드킬·연결성·서식적합도·지형·보호구역) + 13개 법정 규제구역 중첩 분석 → 후보지 20개소를 A(즉시 추진 3개소)·B(협의 후 3개소)·C(장기 14개소) 등급으로 분류한 11페이지 정책 보고서 자동 생성
③ 활용 결과 어떤 변화가 있었나요?
- 시간: 외부 용역 4~6개월 → 약 3주 (85% 단축)
- 비용: 용역비 3,000~5,000만 원 → AI 구독료 수준 (99% 절감)
- 산출물: Python 스크립트 10여 개, GIS 래스터/벡터 20여 개, 정책 보고서 1건
- 품질: 단일 기준(로드킬 빈도) → 5차원 복합 기준의 과학적 의사결정. A등급 3개소는 백두대간·문화재·자연재해·상수원보호구역 미중첩으로 인허가 리스크 최소
④ 나만의 방식 또는 개선 포인트는 무엇인가요?
첫째, 코딩·GIS 비전공 실무자가 전문가 수준의 공간분석을 직접 수행했습니다.
기존에 이 수준의 분석(KDE 핫스팟, MaxEnt 서식지 모형, Circuitscape 연결성, MCDM 다기준 평가)은 생태학·GIS 전공 석·박사급 연구자 또는 3,000~5,000만 원 규모의 외부 용역으로만 가능했습니다. 저는 Python을 배운 적 없는 일반 행정직 공무원입니다. AI에게 "이 분석의 목적은 이것이고, 데이터는 이런 형태다"라고 업무 맥락을 설명하면 AI가 코드와 방법론을 제안하고, 저는 현장 지식으로 방향을 잡는 역할 분담이 핵심이었습니다. 예를 들어, AI가 산출한 AUC 0.99라는 모형 성능을 "월악산 전역에 분포하는 고라니가 이렇게 완벽하게 예측될 리 없다"는 현장 감각으로 의심하여, 결국 조사설계 편향(좌표 중복률 80.2%)이라는 근본 원인을 찾아냈습니다. 이것은 AI가 '전문 지식의 장벽'을 허무는 대신, 현장을 가장 잘 아는 담당자가 분석의 주체가 되는 새로운 업무 방식입니다.
둘째, '분석 결과 도출'에서 끝나지 않고 '정책 실행 패키지'까지 완성했습니다.
대부분의 AI 활용 사례가 "보고서 초안을 만들었다", "데이터를 분석했다"에서 멈춥니다. 이 사례는 한 단계 더 나아가, 후보지 도출 → 13개 법정 규제구역 자동 중첩 진단 → A/B/C 등급 분류 → 변산반도국립공원 실제 사례 기반 인허가 추진 로드맵 → 현장 조사표 설계까지, 실무자가 다음 날 바로 현장에 나갈 수 있는 수준의 산출물을 만들었습니다. 분석 결과가 담당자 PC의 파일로 잠자는 것이 아니라, 실제 정책 의사결정의 근거 문서로 상급기관에 보고되었습니다.
셋째, 1개 공원의 성공 모델이 전국 23개 국립공원으로 즉시 확산 가능합니다.
모든 분석에 사용된 데이터(로드킬, 토지피복도, DEM, 하천망)는 전국 어디서나 무료로 확보 가능한 공공데이터이고, 분석 스크립트는 입력 파일 경로만 바꾸면 다른 지역에서도 동일하게 작동합니다. 실제로 이 모델을 치악산국립공원에 확장 적용하는 기획안을 별도로 작성한 바 있으며, 국립공원뿐 아니라 지자체의 야생동물 피해 저감 사업, 도로관리청의 로드킬 저감시설 배치 계획에도 동일한 프레임워크를 적용할 수 있습니다..
⑤ 다른 사람도 따라 할 수 있나요?
로드킬 데이터(국립생태원 무료 공개) + 공공 GIS 데이터(환경부 EGIS, 국토지리정보원 DEM 등 무료) + 생성형 AI 구독만 있으면 됩니다. WinPython 포터블 환경에서 작동하므로 별도 서버나 고가 GIS 소프트웨어 없이 일반 업무용 PC에서 실행 가능합니다. 입력 데이터만 해당 지역 것으로 교체하면 전국 23개 국립공원·지자체·도로관리청에서 동일한 분석을 재현할 수 있습니다.
