AI 서재
책으로 읽는 AI서재
한 권을 고르고, 목차에서 차례대로 읽을 수 있게 정리했습니다.
대학생을 위한 교양 인공지능
프랑스어·한국어 쌍어판
372쪽 PDF. 인공지능의 기본 개념과 대학 생활에서 AI를 쓰는 방법을 두 언어로 읽는 교재입니다.
한국에 유학 온 외국인 학생들은 이 교재를 무료로 마음껏 내려받아 사용해도 좋습니다. 개인 학습과 수업 자료로 쓰고, 필요한 부분을 인쇄해 공부해도 좋습니다.
책 소개PDF 다운로드
대학생을 위한 교양 인공지능
러시아어·한국어 쌍어판
372쪽 PDF. 인공지능의 기본 개념과 대학 생활에서 AI를 쓰는 방법을 두 언어로 읽는 교재입니다.
한국에 유학 온 외국인 학생들은 이 교재를 무료로 마음껏 내려받아 사용해도 좋습니다. 개인 학습과 수업 자료로 쓰고, 필요한 부분을 인쇄해 공부해도 좋습니다.
책 소개PDF 다운로드
대학생을 위한 교양 인공지능
베트남어·한국어 쌍어판
372쪽 PDF. 인공지능의 기본 개념과 대학 생활에서 AI를 쓰는 방법을 두 언어로 읽는 교재입니다.
한국에 유학 온 외국인 학생들은 이 교재를 무료로 마음껏 내려받아 사용해도 좋습니다. 개인 학습과 수업 자료로 쓰고, 필요한 부분을 인쇄해 공부해도 좋습니다.
책 소개PDF 다운로드
대학생을 위한 교양 인공지능
라오스어·한국어 쌍어판
372쪽 PDF. 인공지능의 기본 개념과 대학 생활에서 AI를 쓰는 방법을 두 언어로 읽는 교재입니다.
한국에 유학 온 외국인 학생들은 이 교재를 무료로 마음껏 내려받아 사용해도 좋습니다. 개인 학습과 수업 자료로 쓰고, 필요한 부분을 인쇄해 공부해도 좋습니다.
책 소개PDF 다운로드
대학생을 위한 교양 인공지능
몽골어·한국어 쌍어판
372쪽 PDF. 인공지능의 기본 개념과 대학 생활에서 AI를 쓰는 방법을 두 언어로 읽는 교재입니다.
한국에 유학 온 외국인 학생들은 이 교재를 무료로 마음껏 내려받아 사용해도 좋습니다. 개인 학습과 수업 자료로 쓰고, 필요한 부분을 인쇄해 공부해도 좋습니다.
책 소개PDF 다운로드
PDF 다운로드 책
다국어로 읽는 대학생 교양 인공지능
한국어 원문과 외국어 번역을 함께 실은 유학생용 교재입니다. 각 책 소개 페이지에서 PDF를 받을 수 있습니다.
[AI서재] 5.3 순환 바이오경제(Circular Bioeconomy)와 산림 탄소 신용(Carbon Credit)
인공지능과 디지털 혁신이 이끄는 미래 임업·산림농업
5.3 순환 바이오경제(Circular Bioeconomy)와 산림 탄소 신용(Carbon Credit)
김경진 변호사
| 이전 절 | 5.2 ICT 기반 목재 트레이서빌리티(QR/전자태그) 및 목재 품질 자동 감정 | 읽기 〉 |
| 목차 | 전체 목차로 돌아가기 | 읽기 〉 |
벌채가 끝난 비탈에는 가지와 수피, 밑동이 남습니다. 이를 현장에 남겨 토양으로 돌려보낼지, 파쇄해 연료나 소재 원료로 옮길지는 산불 위험과 양분 순환, 운반 거리, 가공 수요를 함께 보고 정해야 합니다. 수분이 많으면 운송 중량은 늘지만 연료의 발열량은 낮아질 수 있습니다. 무게만으로 값을 매기면 품질과 에너지 효율이 어긋납니다.
목질 부산물에서는 리그닌과 셀룰로오스를 뽑아 소재를 만들 수 있고, 규격에 맞는 원목은 공학목재가 될 수 있습니다. 모든 가지와 뿌리가 경제성 있는 원료가 되는 것은 아닙니다. 수거·건조·운송·가공에서 드는 에너지와 산림에 남겨야 할 유기물의 양을 빼고 계산해야 합니다. 탄소 크레딧도 사업 등록과 추가성, 기준선, 검증 요건을 통과해야 발행됩니다.
부산물에서 신소재로
나무는 크게 세 가지 물질로 이루어져 있습니다. 섬유질을 이루는 셀룰로오스(Cellulose), 그 사이를 채우는 헤미셀룰로오스(Hemicellulose), 그리고 나무를 뻣뻣하게 세워 주는 리그닌입니다. 종이나 펄프를 만드는 공장에서는 오랫동안 리그닌을 골칫거리로 여겼습니다. 펄프를 뽑아내고 남은 검은 폐액에 섞여 있다가 태워지거나 버려지는 부산물에 지나지 않았습니다. 일본 산림종합연구소(FFPRI)와 일본 환경성이 2025년과 2026년에 걸쳐 내놓은 자료를 보면, 리그닌의 화학 구조를 다시 짜 맞추는 개질 리그닌(Modified Lignin) 기술이 이 상황을 바꾸고 있습니다. 열에 강하고 잘 부러지지 않도록 구조를 바꾼 개질 리그닌은 자동차 부품이나 전자제품 겉면, 생분해 수지 원료로 쓰입니다. 나무 섬유를 나노미터 굵기로 풀어낸 셀룰로오스 나노파이버(Cellulose Nanofiber, CNF)도 석유계 플라스틱을 대신해 쓰이는 곳이 늘고 있습니다. 개질 리그닌으로 만든 부품은 자동차 실내 마감재나 전자제품 겉면처럼, 손으로 만졌을 때 나무인지 플라스틱인지 구분이 잘 안 가는 데에 먼저 쓰이고 있습니다.
목질 소재가 석유계 소재보다 온실가스를 덜 낸다고 미리 정할 수는 없습니다. 원료의 산지, 가공 열원, 약품, 제품 수명, 재사용과 폐기를 전과정평가로 비교해야 합니다. 순환 바이오경제는 재생 가능한 생물자원을 오래 쓰고 다시 순환시키려는 틀입니다. 왕(Wang) 연구팀은 기후 스마트 임업을 인공지능 기반 산림관리와 기후 적응·완화를 잇는 관점으로 정리했습니다.
도시에 심는 숲
나무 속 탄소를 오랫동안 가두어 두는 방법 가운데 하나는 그 나무로 건물을 짓는 것입니다. 널빤지를 결이 엇갈리게 겹겹이 붙인 직교집성재(Cross-Laminated Timber, CLT)와 기둥과 보를 만드는 데 쓰는 글루램(Glulam) 같은 공학목재는 콘크리트나 철골 대신 써도 웬만큼 층수를 올릴 수 있을 만큼 튼튼합니다. 이런 두꺼운 목재로 짓는 중고층 건물을 매스 티버(Mass Timber) 건축이라고 부릅니다. 일본 임야청과 환경성은 도시의 철근 콘크리트 구조물을 목조로 바꾸어 나가자는 정책을 숲의 나라, 나무의 도시라는 이름으로 밀고 있습니다. 실제로 목조 건축 현장에 가 보면 콘크리트 타설 현장과 분위기부터 다릅니다. 레미콘 소음과 먼지 대신, 공장에서 미리 잘라 온 목재판을 크레인으로 얹고 볼트로 조이는 작업이 이어집니다. 콘크리트를 굽고 철을 녹이는 과정에서 나오는 이산화탄소부터 줄어들고, 다 지어진 건물은 그 뼈대 속에 나무가 흡수했던 탄소를 수십 년에서 수백 년 동안 그대로 품고 있습니다. 산에 있던 나무가 도심 한복판으로 옮겨 가 탄소를 가두는 두 번째 숲 노릇을 하는 셈입니다.
목조건축의 기후효과는 목재가 합법적이고 지속가능한 산림에서 공급되고, 벌채 뒤의 산림 탄소가 회복되며, 실제로 배출이 큰 재료를 대신할 때 생깁니다. 건축 수요가 늘었다고 재조림과 산림 투자가 자동으로 따라오는 것은 아닙니다. 공급망 인증과 산림경영 규칙이 그 조건을 만들어야 합니다.
엘리트 나무와 순환 벌채
나무의 나이와 탄소 축적은 한 문장으로 정리되지 않습니다. 큰 개체목은 나이가 들어도 해마다 더 많은 탄소를 더할 수 있다는 세계 자료가 있습니다. 임분 면적당 순생산은 수령이 높아지며 낮아지는 경우가 있지만 수종, 토양, 교란, 관리 이력에 따라 달라집니다. 모든 숲에 통하는 ‘30년에서 40년 정점’은 없습니다. 육종과 유전체 선발은 생장이나 목재 형질을 고르는 시간을 줄일 수 있지만, 생장 개선 폭도 수종과 시험 조건마다 다릅니다.
벌채가 탄소에 이로운지는 정해진 수령만으로 판단할 수 없습니다. 산림에 남는 탄소, 벌채와 운송의 배출, 목제품에 저장되는 기간, 콘크리트·철강 대체효과, 재조림의 성공 여부를 같은 전과정평가에 넣어야 합니다. 오래된 천연림을 보전하는 선택과 생산림을 순환 경영하는 선택은 숲의 기능과 지역 조건에 따라 답이 달라집니다. 빠른 생장 품종을 넓게 심을 때에는 병해충과 유전적 획일화 위험도 함께 계산해야 합니다.
탄소를 세는 눈, 위성과 인공지능
나무를 베어 소재로 쓰고 다시 심는 순환이 탄소중립에 도움이 되는지는 숫자로 검증해야 합니다. 숲의 탄소 변화를 측정하고 보고하며 제3자가 확인하는 절차를 MRV라고 부릅니다. 한국의 산림탄소상쇄제도에는 신규 조림·재조림, 산림경영, 목제품 이용, 산림 바이오매스 에너지 이용 같은 사업 유형이 있습니다. 사업 유형에 이름이 들어 있다고 잔가지 더미가 곧바로 감축 실적이 되는 것은 아닙니다. 등록된 방법론과 기준선, 추가성, 모니터링, 검증을 통과해야 합니다.
흡수량 측정에는 지상 표본과 원격탐사를 함께 씁니다. GEDI는 궤도를 따라 파형 라이다 표본을 남기고, Sentinel-2 두 위성 체계는 적도 부근에서 약 5일 간격으로 같은 곳을 다시 봅니다. Landsat 한 위성의 재방문 간격은 약 16일입니다. 구름 때문에 실제로 쓸 수 있는 광학 영상 간격은 더 길어집니다. 지상 표본은 모형을 보정하는 닻이고, 위성과 라이다는 그 사이의 공간을 추정하는 눈입니다.
겅루쿤(Geng et al., 2026) 연구팀은 헤이룽장성 천연림의 장기 조사 자료와 생태 모형, 기후 시나리오를 지식 유도 머신러닝으로 묶었습니다. 저배출 시나리오에서 2060년 탄소 축적량은 1,379.26테라그램에서 1,439.02테라그램으로 예측됐습니다. 이 값은 관측된 미래가 아니라 모형 전망입니다.
케스케스와 니처(Keskes & Niţă, 2026)는 루마니아 현장 자료로 만든 모형에 핀란드 다원천 국가산림자원조사 자료를 더했습니다. 대상은 탄소 지도가 아니라 핀란드의 임목 재적 예측이었습니다. 설명력은 0.483에서 0.718로 올랐습니다. 라마헤와게 연구팀의 미국 혼효림 연구는 여러 원격탐사 자료를 합치면 지상부 바이오매스 추정이 나아질 수 있음을 보여 줍니다. 연구마다 대상 변수와 검증 지역이 다르므로 한 모델의 수치를 다른 나라 탄소 지도에 옮기면 안 됩니다.
부풀려진 숫자와 신뢰의 문제
스윈필드 연구진(Swinfield et al., 2026)은 2020년까지 크레딧을 발행한 REDD+ 사업 가운데 약 45퍼센트를 여섯 독립 평가 결과와 비교했습니다. 이에 해당하는 사업은 44개였습니다. 전체 발행량을 합친 과잉 비율은 10.7배였고, 일부 대형 사업이 이 값을 끌어올렸습니다. 전형적인 사업의 중앙 수준은 4.1배였습니다. 많은 사업이 산림파괴를 줄였다는 결과와 기준선이 부풀려졌다는 결과가 함께 나왔습니다. ‘사업이 실패했다’와 ‘성과보다 많은 크레딧을 발행했다’는 같은 말이 아닙니다.
베라의 VM0048은 관할권 차원의 산림파괴 위험 자료로 기준선을 배분하는 틀을 둡니다. 방법론의 10년은 역사적 참조기간이고, 6년은 기준선 적용기간입니다. 같은 재계산 주기를 10년에서 6년으로 줄인 것이 아닙니다. 디지털 MRV는 자료 수집과 감사를 도울 수 있지만, 기준선 선택과 이해충돌까지 저절로 해결하지는 않습니다.
국가산림자원조사 표본점의 공개 좌표가 보안상 이동된 경우, 10미터 위성 화소와 곧바로 맞추면 위치 오차가 생깁니다. 목질 신소재의 기후효과도 원료 채취, 약품, 열원, 수명, 폐기까지 전과정으로 계산해야 합니다. 제조 과정에서 사라지는 효과를 하나의 고정 비율로 둘 수는 없습니다. 파리협정 6.4조의 방법론과 표준은 존재하지만, 자발적 시장과 국가 감축 실적 사이의 상호운용과 이중계산 방지는 아직 완성되지 않았습니다.
노령림은 큰 탄소 저장고이며 큰 개체목도 계속 탄소를 더할 수 있습니다. 생산림에서는 수확한 목재의 저장과 재료 대체효과를 함께 볼 수 있습니다. 어느 선택이 기후에 이로운지는 숲의 종류, 벌채 강도, 재생 속도, 제품 수명, 가공 배출, 대체되는 재료에 따라 달라집니다. 모든 숲을 30년에서 40년에 베는 규칙도, 모든 벌채를 금하는 규칙도 이 계산을 대신할 수 없습니다.
벌채 위치와 물량, 목제품 생산, 건축물의 자재 명세, 신소재 공정의 전과정 자료를 연결하면 산림에서 제품까지의 탄소 장부를 만들 수 있습니다. 나무 한 그루가 어느 벽에 들어갔는지까지 이어지는 통합 디지털 트윈은 운영 체계보다 설계 목표에 가깝습니다.
같은 감축량의 이중계산을 막으려면 고유 식별번호, 등록부 간 조정, 소유권 규칙, 취소 기록, 독립 검증이 필요합니다. 블록체인이나 물리 정보 신경망만으로 이 문제를 구조적으로 해결할 수는 없습니다.
근거 및 참고문헌
1. Carbon Market Watch. (2026). Quality assessment of REDD+ carbon credit projects. https://carbonmarketwatch.org/publications/quality-assessment-of-redd-carbon-credit-projects/ (2026년 8월 2일 접속)
2. Carbon Pulse. (2026). Digital MRV could strengthen carbon credit integrity but data quality concerns persist, ICVCM survey says. https://carbon-pulse.com/491240/ (2026년 8월 2일 접속)
3. 国立研究開発法人森林研究・整備機構 森林総合研究所. (2025, 9월 3일). 2025年度森林総合研究所公開講演会「2050年の森：人口減少社会において森林の果たす役割とは」開催のお知らせ. https://www.ffpri.go.jp/press/2025/20251015/index.html
4. Geng, L., Bian, S., Ma, X., Fu, Q., Zhou, Y., & Wang, B. (2026). Prediction of carbon sequestration potential in Heilongjiang Province's natural forests based on the KGML model. Forest Engineering. Online first. https://slgc.nefu.edu.cn/EN/abstract/abstract2592.shtml
5. Keskes, M. I., & Niţă, M. D. (2026). Digital twins in forest management using scalable deep learning pipeline. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 19, 8519-8547. https://doi.org/10.1109/JSTARS.2026.3666924
6. Lamahewage, S. H. G., Witharana, C., Riemann, R., Fahey, R., & Worthley, T. (2025). Aboveground biomass estimation using multimodal remote sensing observations and machine learning in mixed temperate forest. Scientific Reports, 15, 31120. https://doi.org/10.1038/s41598-025-15585-6
7. 環境省. (2025, 2월 18일). 地球温暖化対策計画. https://www.env.go.jp/content/000291618.pdf
8. Saha, R., Bagchie, P., Lalremsang, P., & Rai, K. C. (2025). Digital innovation in forest science: Applications of artificial intelligence, remote sensing and smart monitoring systems for ecosystem conservation. The Bioscan, 20(3), 907-911. https://doi.org/10.63001/tbs.2025.v20.i03.S.I(3).pp907-911
9. Swinfield, T., Williams, A., Coomes, D., Dales, M., Ferris, P., Guizar-Coutiño, A., Hartup, J., Holland, J., Jaffer, S., Jones, J. P. G., Lam, M. O. K., Keshav, S., Madhavapeddy, A., Toye-Scott, E., West, T. A. P., & Balmford, A. (2026). Learning lessons from over-crediting to ensure additionality in forest carbon credits. Nature Communications, 17(1), Article 3944. https://doi.org/10.1038/s41467-026-71552-3
10. Wang, G. G., Lu, D., Gao, T., Zhang, J., Sun, Y., Teng, D., Yu, F., & Zhu, J. (2024). Climate-smart forestry: An AI-enabled sustainable forest management solution for climate change adaptation and mitigation. Journal of Forestry Research, 36(1), Article 7. https://doi.org/10.1007/s11676-024-01802-x
11. 산림청. (2026). 산림탄소상쇄제도. https://www.forest.go.kr/newkfsweb/html/HtmlPage.do?pg=/fcm/UI_FCS_111000.html&mn=KFS_02_10_11_10&orgId=fcm (2026년 8월 2일 접속)
12. 한국임업진흥원. (2026). 산림탄소상쇄제도 운영. https://www.kofpi.or.kr/intro/bizGuide_04_02.do (2026년 8월 2일 접속)
13. Stephenson, N. L., Das, A. J., Condit, R., Russo, S. E., Baker, P. J., Beckman, N. G., et al. (2014). Rate of tree carbon accumulation increases continuously with tree size. Nature, 507, 90-93. https://doi.org/10.1038/nature12914
14. Verra. (2026). Technical background note: Verra's new REDD methodology. https://verra.org/methodologies-main/technical-background-note-new-redd-methodology/ (2026년 8월 3일 접속)