온실가스 불확실성은 결과 옆에 붙이는 형식적인 주석이 아니다. 탄소배출량 산정 오차의 원인과 크기는 어떤 자료를 보완할지, 현재 결과로 어떤 판단을 할지에 영향을 준다. 『탄소감축을 증명하는 기술과 솔루션』 7장은 측정과 표본, 모델의 불확실성을 함께 살피는 관점을 제시한다.

개념과 적용 범위를 먼저 정한다

불확실성의 원인은 서로 다를 수 있다. 장비의 성능, 공간과 시간의 대표성, 활동자료와 배출계수, 모델의 가정을 나누어 살펴야 한다. 한 부분의 정밀도를 높이는 것만으로 전체 오차가 같은 비율로 줄지는 않는다. 결과를 제출할 때는 범위를 계산한 방법과 전제를 남겨야 한다. 민감도 분석과 통계적 불확실성, 제도가 요구하는 보수적 처리를 같은 개념으로 쓰지 않아야 한다. 어떤 보완이 실제 판단을 바꾸는지 확인하는 것이 개선 투자의 기준이다.

배출계수 기반 기준선도 선택지다. IPCC Tier 1은 기본계수를 이용하고, 장내발효 Tier 2는 사양 특성·총에너지섭취량·메탄전환율 등을 보다 상세히 반영한다. 평균계수만으로 개별 농장의 기술 효과를 포착하기 어려울 수 있지만, 계수 사용 자체가 보상에 부적합한 것은 아니다. 적용 방법론이 허용하는 계수와 활동자료, 적용 조건 확인, 불확실성 처리 및 검증을 갖추었는지가 판단 기준이다.

어느 불확실성이 지배적인지는 측정 조건에 따라 달라진다. 자연환기 축사에서는 환기량과 공간 대표성의 기여가 클 수 있고, 작은 농도 차이를 읽을 때는 장비의 반복성·드리프트·배경 보정이 중요할 수 있다. 먼저 불확도 예산을 만들고, 각 항목을 줄이는 비용과 최종 판단의 개선 효과를 비교한다. 비싼 센서나 더 많은 표본이 언제나 최선의 투자는 아니다.

감축량에는 측정의 소급성과 계산의 추적가능성이 함께 필요하다. 측정값은 문서화된 교정 사슬과 불확도를 통해 기준에 연결하고, 활동자료와 배출계수·모델은 출처와 버전·적용 조건을 통해 최종 결과까지 추적한다. 모든 감축량이 직접측정 하나에서 나오는 것은 아니다. 검토자는 계산의 재현과 함께 사용한 자료와 방법이 주장에 적합한지도 확인해야 한다.

농도는 공기 중 가스의 비율이고 배출률은 단위 시간에 배출되는 질량이다. 배출량을 측정하거나 추정하려면 목적에 맞는 농도와 유량, 측정모형을 연결해야 한다. 농도가 낮아져도 공기 이동량이 늘었다면 질량 배출률이 같은 방향으로 달라진다고 단정할 수 없다. 시간에 따른 배출률을 배출량으로 연결할 때는 측정 기간과 누락 구간의 처리도 필요하다.

현실적인 발전 경로는 농도 관측과 기준 배출률 측정을 함께 축적하고, 환기·기상·두수·사료 정보를 연결하는 것이다. 모델 개발에 쓰지 않은 농장과 기간에서 예측오차를 평가하고 적용 범위를 명시해야 한다. 동시 관측자료가 많아져도 대표성이 부족하거나 공통 편향이 있으면 모델의 신뢰가 저절로 높아지지 않는다.

현장 적용의 조건과 한계

센서의 정밀도는 높지만 환기량 추정의 근거가 약한 사업을 가정하자. 센서를 추가로 설치하는 비용이 결과의 신뢰도를 얼마나 높이는지 검토해야 한다. 오차의 주된 원인이 다른 곳에 있다면 장비 수만 늘려도 판단이 크게 나아지지 않을 수 있다. 보완 투자는 주요 기여 요인과 연결해야 한다.

비분산 적외선(NDIR)은 메탄의 적외선 흡수를 이용하는 방식이다. 촉매연소식과 같은 산소 의존성이나 촉매 피독은 없지만 광학 오염과 온도·압력·수분의 영향에서 자유롭지는 않다. 원리만으로 농장의 장기 관측에 적합하다고 판단하지 않고, 예상 농도와 내외 농도 차이에 비해 검출한계·반복성·드리프트가 충분한지 제품별로 확인한다.

센서 비교에서는 측정 범위와 분해능, 다른 가스에 대한 교차감도, 응답시간과 드리프트를 함께 확인한다. 온도·습도·먼지 등 환경 조건과 교정 요구도 검토해야 한다. 작은 농도 차이를 구분해야 하는 목적이라면 장비의 표시 단위와 불확실성이 그 목적에 맞는지 제품과 운용 모드별로 살펴야 한다. 센서 원리의 이름만으로 이 조건을 대신할 수는 없다.

AI는 이상 징후의 후보를 찾고, 정해진 조건에서 짧은 결측을 추정하며, 여러 변수의 관계를 탐색하는 데 활용할 수 있다. 자료 정리와 품질 점검, 보고서 초안 작성을 도울 수도 있다. 각 기능의 목적과 실패 비용은 다르므로 같은 성능 지표로 모두 평가하지 않는다. 어떤 입력과 가정으로 만든 결과인지 밝히고 추정값을 직접 관측한 값과 구분해야 한다.

투자 검토에 필요한 근거

투자자는 보고된 범위가 통계적 불확실성인지, 사업 시나리오인지, 제도의 보수적 조정인지 구분해야 한다. 서로 다른 개념을 하나의 할인율로 처리하면 의미가 흐려진다. 정밀한 소수점 표시는 입력 자료의 품질을 대신하지 않는다.

AI 평가 자료는 사용 목적에 맞게 나눈다. 미래의 운전을 예측하려면 시간 순서를, 다른 농장에 배포하려면 농장 단위의 분리를 고려해야 한다. 모델 선택에 사용한 자료와 마지막 성능 확인에 사용할 자료도 구분한다. 단순한 기준 모델과 비교하고 평균 오차뿐 아니라 농장·계절별 편향과 실패 조건을 확인해야 실제 사용 범위를 설명할 수 있다.

실패하면 어떻게 할지도 적는다. 교정 유효기간 경과, 통신 누락, 평가하지 않은 사료·계절·환기 조건에서는 출력에 제한을 표시하거나 사용을 중지하고 담당자에게 넘긴다. 재학습했다고 곧바로 다시 사용하지 않는다. 변경된 모델을 독립된 평가 자료로 확인하고 적용 시점과 승인자를 기록한다. 모델의 판단 보조와 감축량의 외부 검증은 별개 업무다.

판단에 남겨야 할 기준

불확실성 관리는 가능한 한 많은 숫자를 수집하는 작업이 아니다. 결론에 민감한 입력을 찾아 자료 보완의 가치와 비용을 비교하는 과정이다. 결과의 범위와 사용 한계를 설명할 수 있어야 검토자의 판단도 구체화된다.

저자 소개

이봉준은 서강대학교 기술경영대학원(MOT)을 졸업했다. 인피트론(주) 7년, 하니웰(Honeywell) 20년 등 가스계측 분야에서 27년간 서비스 엔지니어·기술영업·채널 관리 업무를 수행했다. 현재 에이아이세이프티코리아(주) 창업자로서 센서·AI·데이터 분석을 활용한 축산 메탄 모니터링과 측정·보고·검증(MRV) 체계를 연구 중이다.