위성은 아프간 양귀비밭을 어떻게 추려냈나

쿠바 스페이스의 아프가니스탄 파일럿은 위성자료가 광범위한 지역에서 의심 농지를 먼저 추려내는 데 어떻게 쓰일 수 있는지를 보여준다. 이 회사는 자사 하이퍼필드-1 초분광 영상, 유럽연합(EU) 지구관측 프로그램 코페르니쿠스의 센티널-2 영상, 작물의 계절별 생육 변화 데이터, AI 모델을 결합했다. 결과물은 아편양귀비일 가능성이 높은 필지 목록이지, 그 자체로 불법 재배를 확정하는 증거는 아니다. 18

헬만드에서 무엇을 분석했나

쿠바 스페이스는 2026년 1월부터 6월까지 아프가니스탄 헬만드 지역에서 하이퍼필드-1 초분광 영상 363장을 수집했다. 총 영상 커버리지는 64만8,450㎢였으며, 이를 센티널-2 자료 및 AI 기반 분류와 결합했다. 18

초분광 센서는 가시광선과 근적외선 영역을 여러 개의 좁은 파장대로 나눠 지표가 반사하는 빛을 측정한다. 하이퍼필드-1은 475~880nm 범위에서 관측하며, 식생과 토양 등 지표 물질의 스펙트럼 특성을 세밀하게 구분하도록 설계됐다. 1 일반 광학영상에서 비슷하게 보이는 작물도 이러한 추가 스펙트럼 정보로 구별할 가능성을 높이는 것이 목적이다.

1단계: 픽셀이 아니라 ‘농지 필지’의 경계를 만든다

대상 지역에는 정밀한 농지 필지 경계 데이터가 없었다. 이에 쿠바 스페이스는 센티널-2 영상을 활용해, 작고 형태가 제각각인 사막 혼재형 농지에 맞도록 미세조정한 별도 필지 경계 추정 모델을 사용했다. 18

이 과정이 중요한 이유는 시스템이 개별 화소가 아니라 필지 단위로 판단했기 때문이다. 실제 조사 업무에서는 특정 의심 지점을 더 선명한 영상으로 확인하거나 후속 검증을 지시할 수 있도록, 경계가 잡힌 위치 정보가 필요하다.

2단계: 한 장의 사진 대신 작물의 ‘계절 패턴’을 본다

이번 파일럿은 위성이 한 번 지나가며 찍은 영상에 의존하지 않고, 시간에 따라 반복 수집한 관측자료를 사용했다. 이런 다중시점 분석은 작물이 자라면서 달라지는 모습, 즉 생육 주기(phenology)를 포착한다. 생육 시기가 다르다면 한 시점에서는 비슷해 보이는 합법 작물과 양귀비를 가르는 데 도움이 될 수 있다. 18

쿠바 스페이스는 초고해상도 플레야드(Pléiades) 영상과 계절별 센티널-2 관측을 이용해 양귀비 기준 데이터를 만들었다고 밝혔다. 현장 접근이 제한된 환경이었으므로, 이 기준 라벨이 현장 실측이 아닌 영상 해석에 크게 의존했다는 점은 성능 수치를 해석할 때 고려해야 한다. 18

3단계: 서로 다른 두 AI 모델이 모두 동의할 때만 표시

쿠바 스페이스는 120만 개가 넘는 하이퍼필드 이미지 패치로 사전학습됐다고 설명한 하이퍼필드-1 기반 모델을 사용해 초분광 분류기를 학습했다. 이후 하이퍼필드 모델과 센티널-2 모델을 각각 평가하고, 두 모델의 판정이 일치한 필지에만 ‘양귀비 가능성 높음’ 표시를 부여했다. 18

이 방식은 경보 숫자를 최대화하기보다 보수적으로 운용하려는 설계다. 양귀비가 아닌 밭을 양귀비밭으로 잘못 분류하는 오탐을 줄이면, 분석 인력의 시간과 값비싼 고해상도 영상 자원을 불필요하게 쓰는 일을 줄일 수 있다.

결과: 24만8,889개 필지 중 8,835개가 경보 대상

시스템은 농업 필지 248,889개를 추정했고, 그중 8,835개를 양귀비 재배 가능성이 높은 곳으로 표시했다. 전체 식별 필지의 약 3.6%다. 18

쿠바 스페이스는 결합 모델의 전체 정확도가 75%였다고 보고했다. 센티널-2만 사용했을 때의 71%보다 4%포인트 높고, 오탐도 더 적었다는 설명이다. 18 이 차이의 실무적 의미는 ‘완벽한 식별’이라기보다, 확인해야 할 후보지를 더 관리 가능한 규모로 줄이는 선별 성능의 개선에 있다.

또한 하이퍼필드 장면 3개와 플레야드 기준 영상을 겹쳐 위치 정확도를 시험한 결과, 평균 CE90(오차 반경 90% 기준)은 21.75m, 하이퍼필드 화소 기준 0.87픽셀이었다고 밝혔다. 회사는 이 정도 정확도면 작고 조각난 농지에서도 탐지 결과를 올바른 필지에 연결하는 데 충분했다고 설명했다. 18

어디에 쓸 수 있나: 넓은 지역의 조사 순서 정하기

재배지가 넓게 흩어져 있고 접근이 어렵거나 위험한 지역에서는 위성 기반 선별이 특히 유용할 수 있다. 한 주 전체를 초고해상도 영상이나 현장 조사로 훑는 대신, 가능성이 높은 필지를 먼저 골라 다음 조사 단계에 투입할 수 있기 때문이다. 18

필지 경계 추정, 반복 관측, 작물별 분류이라는 기본 데이터 흐름은 농업 모니터링에도 응용될 수 있다. 다만 헬만드의 양귀비를 대상으로 학습·평가한 모델이 다른 국가나 다른 작물에서도 같은 신뢰도로 작동한다고 가정해서는 안 된다. 지역별 학습 데이터와 별도의 검증이 필요하다.

이 기술이 증명하지 못하는 것

‘양귀비 가능성 높음’이라는 분류는 불법 행위의 증거가 아니다. 쿠바 스페이스도 이 기술을 탐색 범위를 좁히는 선별 도구로 설명한다. 최종 확인에는 더 높은 해상도의 영상, 다른 정보와의 교차 검증, 가능하다면 현장 확인이 뒤따라야 한다. 18

보고된 75% 정확도 역시 기업이 공개한 파일럿 결과이며, 독립적으로 출판된 현장 실측 기반 평가 결과는 아니다. 기준 라벨은 현장 접근 제약 때문에 고해상도 영상과 계절별 해석에 의존했다. 18

분류를 어렵게 만드는 요인은 다음과 같다.

• 작고 섞여 있거나 경계가 불명확한 농지
• 특정 생육 단계에서 양귀비와 비슷하게 보이는 합법 작물
• 구름, 그림자, 식생 상태 변화
• 불완전하거나 부정확한 기준 라벨 18

재배자가 필지를 잘게 나누거나 다른 작물과 섞어 심고, 파종 시기를 바꾸는 식의 은폐를 시도한다면 판별의 모호성은 더 커질 수 있다. 계절별 분석과 초분광 신호는 단일 날짜 영상보다 많은 단서를 제공하지만, 독립적 검증의 필요성을 없애지는 못한다.

다음 모델에서 개선할 수 있는 부분

이번 파일럿에서 근거가 확인되는 요소는 하이퍼필드-1, 센티널-2 융합, 필지 경계 추정, 다중시점 분석이다. 쿠바 스페이스는 별도로 하이퍼필드-2를 2026년에 발사할 계획이며, 더 넓은 스펙트럼 범위와 향상된 공간 해상도를 제공할 예정이라고 밝히고 있다. 13

그러나 정확도 개선은 앞으로 검증돼야 할 과제다. 특히 현지의 지상 실측 데이터가 중요하다. 쿠바 스페이스도 맞춤형 프로젝트에서는 분석 정확도를 높이기 위해 지상 검증 자료를 요청할 수 있다고 설명한다. 29 레이더 영상(SAR), 날씨, 지형 데이터 역시 작물 모니터링에 보조 정보가 될 수 있지만, 제공된 근거만으로는 이것들이 헬만드 파일럿에서 검증된 구성 요소였다고 말할 수 없다.

핵심은 절대적 판정보다 실용적 선별에 있다. 초분광 위성과 AI는 광범위한 작물 감시의 초점을 좁혀, 먼저 조사할 필지를 찾는 데 도움을 줄 수 있다. 하지만 최종 판단은 여전히 추가 증거와 사람의 검토가 맡아야 한다. 18