위성에서 AI로 메탄 누출을 찾아내는 시대가 왔다
기후 변화 이야기를 하면 빠지지 않고 등장하는 게 바로 이산화탄소(CO2)인데요. 그런데 사실 메탄(CH4)이라는 온실가스가 더 무섭다는 사실, 알고 계셨나요? 메탄은 이산화탄소보다 온실 효과가 무려 84배나 강력합니다. 같은 양이라면 84배 더 빠르게 지구를 데우고 있다는 뜻이에요. 그런데 이 메탄이 어디서 새고 있는지를 찾아내는 게 예전에는 쉬운 일이 아니었습니다. 위성 영상을 사람이 일일이 들여다보고 분석해야 했기 때문이죠.
그런데 이제 AI가 이 작업을 순식간에 해낼 수 있게 됐습니다. UNIST(울산과학기술원) 연구팀이 위성 데이터를 학습한 인공지능으로 메탄이 새어 나오는 기둥(플룸)을 자동으로 찾아내는 기술을 개발했어요.
메탄은 왜 이렇게 주목받을까
메탄은 천연가스의 주성분이면서 동시에 강력한 온실가스입니다. 주로 석유·가스 시설, 폐기물 처리장, 석탄광산 등 산업 현장에서 발생하는데요. 문제는 이 메탄이 어디서, 얼마나 새고 있는지 정확히 파악하는 게 까다롭다는 점입니다.
메탄의 가장 큰 특징은 대기 중에 머무는 시간이 이산화탄소보다 짧다는 거예요. CO2는 수백 년을 대기 중에 남아있지만 메탄은 약 12년 정도면 분해됩니다. 그런데 문제는 머무는 기간이 짧은 만큼 당장의 온실 효과는 훨씬 더 강력하다는 점입니다. 그래서 기후 과학자들은 메탄 감축을 단기간에 큰 효과를 볼 수 있는 ‘최고의 기후 행동’ 중 하나로 꼽고 있어요.
쉽게 말하면, 메탄 누출을 빠르게 찾아서 막기만 해도 기후 변화 대응에 즉각적인 효과를 볼 수 있다는 뜻이죠. 그런데 기존에는 이 ‘찾는 과정’이 너무 오래 걸렸습니다. 위성 데이터를 다운로드하고, 전처리하고, 전문가가 하나하나 분석하는 데 며칠에서 몇 주가 걸리곤 했거든요. 빠른 대응이 중요한데, 탐지 자체가 느렸던 셈입니다. 게다가 전 세계의 모든 시설을 사람이 계속 모니터링하는 것은 인력과 시간 면에서 사실상 불가능에 가깝습니다.
UNIST 연구팀이 풀어낸 방법
UNIST 지구환경도시건설공학과 임정호 교수 연구팀은 이 문제를 AI로 해결했습니다. NASA의 국제우주정거장(ISS)에 탑재된 초분광 위성 장비인 EMIT(Earth Surface Mineral Dust Source Investigation) 데이터를 활용했는데요. 초분광 위성 데이터는 지표면에서 반사되는 빛을 아주 좁은 파장대별로 쪼개서 기록한 겁니다. 메탄은 특정 적외선 파장의 빛을 흡수하는 성질이 있기 때문에, 이 파장대의 변화만 분석하면 메탄이 새고 있는 위치를 정확히 파악할 수 있어요.
연구팀은 이 원리를 딥러닝의 이미지 분할(Image Segmentation) 기술과 결합했습니다. 이미지 분할은 사진 속에서 원하는 물체만 픽셀 단위로 정확히 구분해내는 기술인데요. 자율주행 자동차가 도로와 보행자를 구분할 때 쓰는 것과 같은 원리라고 생각하면 이해하기 쉬워요. 위성 영상 속에서 메탄 구름 기둥만 콕 집어내도록 모델을 학습시킨 거죠.
여기서 연구팀이 두 가지 방식을 비교했다는 점이 특히 흥미롭습니다. 하나는 위성이 관측한 원시 데이터(복사휘도)를 그대로 활용하는 방식, 다른 하나는 메탄 농도가 높은 영역을 강조해서 가공한 데이터를 활용하는 방식이에요. 그리고 각각에 CNN-ASPP, Inception U-Net, SegFormer라는 서로 다른 딥러닝 모델을 적용해 성능을 꼼꼼히 비교했습니다.
결과는 이랬습니다. 메탄 농도를 강조한 데이터로 학습한 모델이 전반적으로 높은 정확도를 기록했어요. 실제로 투르크메니스탄, 알제리, 미국 등 여러 지역의 석유·가스 시설과 폐기물 처리장, 석탄 채굴지에서 발생한 메탄 기둥을 잘 포착해냈죠. 반면 원시 데이터를 그대로 학습한 모델은 정확도가 상대적으로 낮았지만, 데이터 전처리 과정이 필요 없어서 의심 지역을 더 빠르게 선별하는 데 유리했습니다. 즉, 정밀 분석이 필요한 경우와 빠른 스크리닝이 필요한 경우를 나눠서 전략적으로 활용할 수 있는 셈입니다.
>머신이 아니라 제대로 학습했다
흥미로운 건 연구팀이 ‘설명 가능한 AI(XAI)’ 기법으로 모델의 판단 근거를 검증했다는 점입니다. 단순히 영상의 색상 차이나 배경 무늬 같은 걸로 메탄을 찾아낸 게 아니라, 메탄이 특정 적외선 파장의 빛을 흡수한다는 실제 물리적 특성을 모델이 제대로 학습한 걸 확인했어요. AI가 블랙박스가 아니라 과학적 근거를 바탕으로 판단하고 있다는 게 검증된 셈이죠.
다른 위성에도 통하는 범용성
이 기술의 확장성도 눈여겨볼 만합니다. 연구팀은 NASA의 EMIT 데이터로 학습한 모델을 탄아거-1(Tanager-1)이라는 민간 위성 데이터에 추가 학습 없이 그대로 적용해봤는데, 비슷한 탐지 성능을 보여줬습니다. 위성 플랫폼이 달라져도 별도로 모델을 다시 만들 필요가 없다는 뜻이에요. 민간 위성 시장이 빠르게 성장하고 있는 요즘, 이 기술의 활용 가능성은 더욱 넓어질 것으로 보입니다.
연구 결과는 국제 학술지인 ‘npj 기후와 대기과학(npj Climate and Atmospheric Science)’에 게재됐습니다.
AI가 기후 변화 대응에 기여하는 방식
사실 AI와 환경 문제의 결합은 점점 더 활발해지고 있는 추세인데요. 최근 소개해드린 정부의 SMR+AI 융합 프로젝트에서도 AI와 에너지 분야의 융합을 다뤘는데요, 이번 연구는 AI가 위성 데이터 분석을 통해 온실가스 감축에 직접적으로 기여한다는 점에서 의미가 있습니다.
또한 국내 대학에서 개발하는 AI 기술이 의료, 환경, 산업 등 다양한 분야에서 실제 문제를 해결하는 방향으로 진화하고 있는 점도 주목할 만한 트렌드입니다.
마무리하며
메탄 누출 탐지 AI 기술이 상용화되면 기업과 정부는 더 빠르게 누출 지점을 찾아 보수할 수 있고, 결과적으로 온실가스 감축 목표 달성에도 속도가 붙을 거예요. 이미 미국, 유럽을 중심으로 메탄 누출 규제가 강화되고 있는 만큼, 이 기술의 수요는 앞으로 더 커질 전망입니다. 임정호 교수는 “메탄은 어디서 얼마나 새는지를 빠르게 확인하는 것만으로도 감축 효과를 높일 수 있는 온실가스”라고 설명했는데요, 그 말에 딱 들어맞는 기술이라고 할 수 있겠네요.
이번 연구가 특히 인상적인 이유는 AI가 단순히 새로운 기능을 추가하는 기술이 아니라, 인류가 직면한 기후 위기라는 실질적인 문제를 해결하는 도구로 활용될 수 있다는 점을 확실히 보여줬기 때문입니다. 앞으로도 IT 기술이 우리 생활과 환경을 어떻게 바꿔나갈지 계속 주목해보려고 합니다.