나는 최근 기후 테크 스타트업들이 단순히 탄소를 포집하는 것을 넘어, 아주 구체적인 농법의 변화를 어떻게 데이터로 증명하는지에 깊은 관심을 가지게 되었다. 특히 뉴욕 기반의 스타트업 미티 랩스(Mitti Labs)가 벼농사 과정에서 발생하는 메탄가스를 AI로 측정하고 관리한다는 소식을 접했을 때, 기술이 땅의 언어를 해석하는 방식에 전율을 느꼈다. 단순히 “환경을 보호하자”는 구호가 아니라, 위성 데이터와 지상 조사를 결합해 실제 배출량을 수치화하는 정밀함이 인상적이었다.
벼농사라는 뜻밖의 온실가스 주범
우리가 매일 먹는 쌀이 기후 변화의 주요 원인 중 하나라는 사실은 생각보다 낯설게 다가온다. 벼농사는 보통 논에 물을 가득 채우는 방식으로 이루어지는데, 이 과정에서 토양이 산소가 없는 혐기성 상태가 된다. 이때 메탄 생성 미생물이 활성화되면서 강력한 온실가스인 메탄이 배출된다. 실제로 전 세계 인위적 메탄 배출량의 약 10~12%가 벼농사에서 발생하며, 특히 생산량의 90%가 집중된 아시아 지역에서 이 문제가 심각하다.
메탄은 20년이라는 단기 관점에서 보았을 때 이산화탄소(CO2)보다 무려 82배나 더 강력한 온실 효과를 일으킨다. 따라서 벼농사 방식을 바꾸는 것은 기후 위기 대응에 있어 매우 효율적인 전략이 된다. 하지만 문제는 ‘실제로 얼마나 줄었는가’를 증명하는 것이다. 수만 명의 소규모 농가에서 일어나는 변화를 일일이 사람이 방문해 측정하는 것은 비용과 시간 면에서 불가능에 가깝다.
위성 데이터와 AI의 결합: MRV 시스템의 구현
미티 랩스가 해결한 핵심은 바로 MRV(Measurement, Reporting, Verification), 즉 측정-보고-검증 시스템의 자동화다. 이들은 값비싼 지상 장비를 모든 논에 설치하는 대신, 원격 탐사(Remote Sensing) 기술을 활용한다. 위성에서 내려다본 토양의 수분 상태와 식생 지수를 AI 모델에 학습시켜, 지상에서 실제로 어떤 양의 메탄이 배출되는지를 추정하는 방식이다.
이 과정에서 AI는 단순한 예측 도구가 아니라 ‘검증기’ 역할을 한다. 미티 랩스는 위성 데이터와 실제 지상 샘플링 데이터를 결합하여 모델을 고도화했으며, 이를 통해 인도와 같은 지역에서 재생 농법(Regenerative Agriculture)과 무소각 농법(No-burn farming)이 제대로 이행되고 있는지 실시간으로 감시한다. 이는 탄소 배출권 시장에서 가장 중요한 ‘신뢰성’을 확보하는 기반이 된다.
개발자를 위한 관점: 원격 탐사 데이터 처리 파이프라인
미티 랩스와 같은 서비스를 구축하려면 위성 이미지(Sentinel-2 등)를 처리하고 이를 시계열 데이터로 분석하는 파이프라인이 필요하다. 보통 Google Earth Engine(GEE) API나 Python의 rasterio, geopandas 라이브러리를 사용하여 특정 좌표의 NDVI(정규식생지수)나 수분 지수를 추출한다. 만약 유사한 환경 모니터링 도구를 프로토타이핑한다면 다음과 같은 흐름으로 접근할 수 있다.
- 데이터 수집: Sentinel-2 위성 API를 통해 대상 지역의 다중 분광 이미지를 다운로드한다.
- 전처리: 구름 제거(Cloud Masking) 및 대기 보정 작업을 수행한다.
- 지수 계산: 적외선 밴드를 활용해 수분 상태나 식생 지수를 계산한다.
- AI 추론: 계산된 지수를 학습된 메탄 배출량 예측 모델에 입력하여 값을 산출한다.
간단하게 Python 환경에서 위성 데이터의 메타데이터를 확인하고 특정 영역을 처리하는 기초 코드는 다음과 같은 형태가 될 것이다.
import rasterio
from rasterio.plot import show
# 위성 이미지 파일 경로 (예: Sentinel-2 L2A 데이터)
file_path = "/data/satellite/india_rice_paddy_B04.tif"
try:
with rasterio.open(file_path) as src:
print(f"이미지 크기: {src.width} x {src.height}")
print(f"좌표계(CRS): {src.crs}")
# 특정 픽셀의 반사도 값 추출
val = src.read(1)[100, 100]
print(f"좌표 (100, 100)의 반사도: {val}")
except FileNotFoundError:
print("Error: 지정된 경로에 위성 이미지 파일이 없습니다. 경로를 확인하세요.")
except Exception as e:
print(f"Unexpected error occurred: {e}")
실제 운영 환경에서는 수천 개의 타일 이미지를 처리해야 하므로, Dask나 Apache Beam 같은 분산 처리 프레임워크를 사용하여 병렬화하는 것이 필수적이다. 특히 데이터 누락이나 구름 낀 날의 보간법(Interpolation)을 어떻게 처리하느냐에 따라 AI 모델의 정확도가 크게 달라진다.
기술이 만드는 경제적 가치와 상생
미티 랩스의 모델이 영리한 점은 기술을 단순한 감시 도구가 아니라 농민의 수익 모델로 연결했다는 것이다. 이들은 The Nature Conservancy와 파트너십을 맺고 인도 현지 마을 주민들이 직접 프로젝트 운영에 참여하게 했다. AI가 검증한 메탄 감축량은 탄소 배출권(Carbon Credits)으로 전환되며, 미티 랩스는 이 판매 수익의 일부를 수수료로 가져가고 나머지를 농민과 지역 사회에 배분한다.
이러한 구조 덕분에 프로그램에 참여한 소규모 농가들은 순수익이 약 15% 정도 증가하는 실질적인 혜택을 누리고 있다. 환경 보호가 농민의 희생을 강요하는 것이 아니라, 오히려 추가 소득원이 되는 선순환 구조를 만든 셈이다. 또한 미티 랩스는 여기서 더 나아가 기업들이 관리하기 어려운 Scope 3 배출량(공급망 내 간접 배출량)을 측정하는 SaaS 솔루션으로 사업 영역을 확장하고 있다.
이번에 배운 점과 생각할 거리
이번 사례를 통해 AI의 진정한 가치는 복잡한 현실 세계의 ‘비정형적인 고통’을 ‘정량적인 데이터’로 치환하는 데 있다는 것을 다시금 깨달았다. 단순히 모델의 파라미터를 조정하는 것보다, 위성 데이터라는 거시적 관점과 현지 농민의 활동이라는 미시적 관점을 어떻게 정렬(Align)시킬 것인가에 대한 고민이 더 중요하다는 점이 인상 깊었다.
우리는 흔히 AI라고 하면 챗봇이나 이미지 생성기를 먼저 떠올리지만, 정작 지구를 구하는 AI는 이름 모를 인도의 논바닥 위를 떠다니는 위성 데이터 속에 숨어 있을지도 모른다. 만약 여러분이 가진 기술 스택을 활용해 세상의 ‘측정되지 않는 가치’를 수치화한다면, 어떤 분야에서 시작해보고 싶으신가요?