끝없이 펼쳐진 초록빛 논 위로 짙은 회색빛 연기가 피어오르는 풍경이 머릿속에 그려진다. 매년 반복되는 논 그루터기 소각의 매캐한 냄새와 85배나 강력한 온실가스라는 메탄의 보이지 않는 위협이 교차하는 지점이다. 데이터 시트 속 12%라는 숫자, 즉 전 세계 인위적 메탄 배출량의 상당 부분이 우리가 매일 먹는 쌀에서 나온다는 사실을 마주했을 때의 당혹감은 생각보다 컸다.
논바닥의 보이지 않는 가스를 측정하는 법
전통적인 쌀 농사는 논에 물을 가득 채우는 방식으로 이루어집니다. 하지만 이 과정에서 산소가 차단된 혐기성 상태가 조성되고, 여기서 활동하는 미생물들이 엄청난 양의 메탄을 뿜어냅니다. 뉴욕 기반의 스타트업 Mitti Labs는 바로 이 지점에 주목했습니다. 이들은 단순히 ‘환경을 보호하자’는 구호 대신, AI를 활용해 메탄 배출량을 정밀하게 측정하고 검증하는 dMRV(digital Measurement, Reporting, and Verification) 플랫폼을 구축했습니다.
Mitti Labs의 접근 방식은 ‘토양에서 하늘까지(soil-to-sky)’라는 철학을 담고 있습니다. 이들은 인공위성 이미지와 레이더 데이터를 결합해 인도 쌀 농지의 약 4분의 1에 해당하는 1,000만 헥타르를 디지털 트윈으로 구현했습니다. 특히 레이더 기술은 구름과 식생, 심지어 토양 내부까지 투과하여 메탄 생성 미생물이 활발히 활동하는 하부 조건을 분석해 냅니다. 추상적인 예측이 아니라, 실제 지표면의 상태를 데이터로 읽어내는 셈입니다.
AI 기반 탄소 모니터링 시스템 구현하기
Mitti Labs가 제공하는 서비스는 일종의 SaaS(Software as a Service) 모델입니다. 기업이나 프로젝트 개발자가 쌀 농가와 협력할 때, 해당 농가가 실제로 메탄을 얼마나 줄였는지 검증하는 도구로 활용됩니다. 만약 우리가 이들과 유사한 위성 기반의 환경 모니터링 파이프라인을 구축한다면, Google Earth Engine(GEE) API와 같은 도구를 사용하여 특정 지역의 수분 함량이나 식생 지수를 추적하는 것부터 시작할 수 있을 것입니다.
실제로 위성 데이터를 처리하여 특정 좌표의 지표면 상태를 분석하는 간단한 Python 스크립트 구조는 다음과 같습니다. 아래 예시는 Sentinel-1 레이더 데이터를 활용해 논의 침수 상태를 확인하는 개념적 워크플로우입니다.
import ee # Google Earth Engine API
import pandas as pd
# 1. GEE 인증 및 초기화
ee.Initialize()
# 2. 분석 대상 지역(인도 펀자브 주 등) 좌표 설정
roi = ee.Geometry.Rectangle([74.0, 30.0, 75.0, 31.0])
# 3. Sentinel-1 SAR 데이터 필터링 (메탄 배출과 직결된 수분 상태 확인)
collection = (ee.ImageCollection('COPERNICUS/S1_GRD')
.filterBounds(roi)
.filter(ee.Filter.listContains('transmitterReceiverPolarisation', 'VV'))
.filter(ee.Filter.eq('instrumentMode', 'IW')))
# 4. 특정 기간의 평균 후방산란 계수(Backscatter) 계산
mean_image = collection.mean().clip(roi)
# 5. 결과값 추출 및 CSV 저장
stats = mean_image.reduceRegion(
reducer=ee.Reducer.mean(),
geometry=roi,
scale=10
)
print(f"Average Backscatter Value: {stats.getInfo()}")위 코드를 실제로 실행하기 위해서는 다음과 같은 설정 단계가 필요합니다.
- Google Cloud Project를 생성하고 Earth Engine API 사용 권한을 신청합니다.
pip install earthengine-api pandas명령어로 필요한 라이브러리를 설치합니다.earthengine authenticate명령어를 통해 브라우저에서 인증 토큰을 받아 로컬 환경에 설정합니다.- 분석하고자 하는 논의 정확한 위경도 좌표(Bounding Box)를
roi변수에 입력하여 실행합니다.
실행 중 EEException: Permission denied 에러가 발생한다면, 대부분 API 키 설정이나 계정 권한 승인이 완료되지 않은 경우입니다. 이럴 때는 Google Cloud Console의 API 및 서비스 탭에서 Earth Engine API가 ‘사용 설정됨’ 상태인지 다시 한번 확인해야 합니다.
기후 기술이 농부의 지갑을 채우는 방식
기술이 아무리 훌륭해도 현장의 농부가 움직이지 않으면 소용없습니다. Mitti Labs가 영리한 점은 이 기술을 ‘돈’과 연결했다는 것입니다. 이들은 The Nature Conservancy(TNC)와 파트너십을 맺고 펀자브 지역의 PRANA(Promoting Regenerative and No-Burn Agriculture) 프로그램에 참여했습니다. 농부들이 논물을 주기적으로 뺐다 채우는 AWD(Alternate Wetting and Drying) 공법이나, 직접 파종법(DSR), 그리고 그루터기를 태우지 않는 농법을 도입하도록 유도하는 것입니다.
이렇게 줄어든 메탄 양은 AI를 통해 정밀하게 측정되어 ‘탄소 크레딧’으로 전환됩니다. Mitti Labs는 이 크레딧 판매 수익의 일부를 수수료로 가져가고, 나머지를 농민과 지역 사회에 돌려줍니다. 결과적으로 참여 농가들은 환경 보호라는 명분뿐만 아니라, 수익이 약 15% 증가하는 실질적인 경제적 이득을 얻게 됩니다. 기술이 단순한 감시 도구가 아니라, 농민의 소득을 높여주는 금융 도구가 된 셈입니다.
데이터가 바꾸는 식탁의 미래
우리는 흔히 AI라고 하면 챗봇이나 이미지 생성 도구를 먼저 떠올립니다. 하지만 Mitti Labs의 사례는 AI가 어떻게 가장 원초적인 산업인 농업과 결합해 지구의 온도를 낮출 수 있는지 보여줍니다. 65만 명의 농민과 6,259개의 마을을 연결하려는 이들의 계획이 성공한다면, 쌀 농사는 더 이상 기후 위기의 주범이 아니라 해결책의 일부가 될 것입니다.
이번 사례를 통해 배운 점은 결국 ‘측정할 수 없다면 개선할 수 없다’는 진리입니다. 위성 데이터와 AI 모델이 결합하여 보이지 않는 가스를 숫자로 바꾸었을 때, 비로소 자본(탄소 크레딧)이 흐르고 농민의 행동이 변하기 시작했습니다. 만약 여러분이 관심 있는 다른 환경 문제—예를 들어 해양 플라스틱이나 산림 파괴—에 이런 dMRV 모델을 적용한다면 어떤 데이터가 필요할까요? 우리가 매일 마주하는 일상의 제품들이 어떤 데이터 경로를 통해 환경에 영향을 주는지 추적해 보는 것은 어떨까 싶습니다.