목록으로
업무 생산성 개선을 위한 AI 활용
우리 지역의 산불 피해를 분석하고 dNBR 기반 피해등급과 탄소손실을 산출하여 복구계획을 도와주는 AI 에이전트
Codex를 활용해 자연어만으로 산불 피해 지역을 입력하면 행정구역 기반 AOI 해석, 위성영상 전처리, dNBR 기반 피해등급 분류, 피해면적 산출, 탄소손실 추정, 결과 리포트 생성까지 자동 수행하는 산불 피해 분석 AI 에이전트를 개발했습니다.
🤖 활용 AI 도구
Open AI codex
① 어떤 상황에서 AI를 활용했나요?
산불 피해 분석은 단순히 위성영상 한 장을 보는 수준이 아니라, 산불 전·후 시기의 적절한 영상 선택, 좌표계와 격자 정렬, 구름 영향이 적은 장면 선정, 행정경계 기준 클리핑, dNBR 계산, 피해등급 분류, 등급별 면적 집계, 탄소손실 추정까지 여러 단계를 거쳐야 하는 복합적인 작업입니다. 기존에는 이러한 과정이 원격탐사, GIS, 영상처리 경험이 있는 전문가 중심으로 수행되었기 때문에, 실제 산불 대응 현장이나 공공기관 실무자가 바로 활용하기 어렵다는 한계가 있었습니다. 특히 지자체 공무원이나 재난 대응 담당자는 “어느 지역이 얼마나 심하게 탔는지”, “피해 면적은 어느 정도인지”, “탄소 손실이 얼마나 발생했는지” 같은 의사결정에 필요한 결과를 빠르게 얻고 싶어도, 위성자료 전처리와 분석 절차가 진입장벽이 되어 활용이 어려웠습니다. 저는 이 문제를 해결하기 위해, 위성 전문 지식 없이도 자연어로 지역과 분석 목적을 입력하면 산불 피해 분석 전 과정을 자동으로 수행하는 AI 에이전트를 만드는 데 OPEN AI의 codex 라는 AI를 활용했습니다.
② 어떤 AI를 어떻게 활용했나요?
이번 사례에서는 Codex를 활용해 산불 피해 분석용 에이전트의 구조 설계부터 코드 구현, 기능 분리, 오류 수정, UI 구성, 전처리 파이프라인 연결까지 전 과정을 함께 진행했습니다. 에이전트는 크게 PLAN과 RUN 두 단계로 구성됩니다. PLAN 단계에서는 사용자의 자연어 입력을 바탕으로 분석 지역, 분석 목적, 산불 전·후 기간, 공간해상도, 필요한 산출물을 해석하고, 부족한 조건은 상담형으로 되묻도록 설계했습니다. 예를 들어 “경남 산청군 산불 피해 분석을 하고 싶다”는 입력이 들어오면, 행정경계 shp 파일을 기반으로 산청군 영역을 해석하고, 산불 피해 분석에 적합한 자료로 Sentinel-2 광학 영상과 필요시 Sentinel-1 보조자료를 추천하며, 산불 전·후 비교를 위해 필요한 분석 기간과 해상도를 사용자와 대화하며 보완합니다.
RUN 단계에서는 확정된 조건을 바탕으로 실제 분석이 수행됩니다. 이때 행정경계 shp 파일을 활용해 시도·시군구·행정동 단위 경계를 dissolve 및 rasterize하여 분석 AOI를 정확히 만들고, 사용자 요청에 따라 원본 격자 기준, 첨부 참조 래스터 기준, 또는 직접 입력한 해상도 기준으로 전처리 격자를 설정할 수 있도록 했습니다. 이후 Sentinel-2 기반으로 산불 전후 NBR을 계산하고, dNBR = pre-fire NBR - post-fire NBR 방식으로 산불 피해 정도를 산정합니다. 산출된 dNBR 값은 문헌 기반 기준표에 따라 피해등급으로 분류되며, 각 등급별 면적을 집계하고 탄소손실량까지 추정하도록 구성했습니다. 결과는 raster, preview 이미지, 요약 테이블, 보고서(JSON/Markdown) 형태로 정리되며, 사용자는 웹 기반 인터페이스에서 진행률과 결과를 확인할 수 있습니다. 이 과정 전체를 Codex와 함께 설계·리팩터링·디버깅하며 완성했습니다.
③ 활용 결과 어떤 변화가 있었나요?
가장 큰 변화는 산불 피해 분석의 사용자가 바뀌었다는 점입니다. 기존에는 원격탐사나 GIS를 다룰 수 있는 전문가가 위성자료를 직접 내려받고, 전처리하고, 지수를 계산하고, 결과를 해석해야 했습니다. 하지만 이번 에이전트를 통해 사용자는 “삼척시 산불 피해를 분석해줘”, “행정동 단위로 얼마나 탔는지 보여줘”, “탄소손실까지 계산해줘” 같은 자연어 입력만으로 전체 흐름을 진행할 수 있게 되었습니다. 단순히 시간을 절약한 수준이 아니라, 분석 계획 수립부터 실행, 요약, 보고서 생성까지 이어지는 흐름이 하나의 인터페이스 안에서 연결되었다는 점에서 실질적인 변화가 있었습니다.
또한 결과 역시 단순한 영상 출력에 머무르지 않고, dNBR 기반 피해등급 분류, 행정구역 단위 클리핑, 등급별 면적 집계, 탄소손실 추정까지 연결되기 때문에, 현장 대응과 정책 검토에 바로 활용할 수 있는 형태의 결과를 제공할 수 있습니다. 즉 이 에이전트는 “위성 분석 자동화 도구”가 아니라, “공공 실무자가 자연어로 산불 피해 의사결정에 필요한 정보를 얻는 분석 창구”로 작동한다는 점에서 의미가 있습니다.
④ 나만의 방식 또는 개선 포인트는 무엇인가요?
이번 사례의 가장 큰 차별점은 기술의 복잡성을 줄인 것이 아니라, 사용자의 관점을 바꿨다는 데 있습니다. 기존 위성 분석 시스템은 대개 원격탐사 전문가를 전제로 설계됩니다. 반면 저는 산불 피해 분석을 실제로 필요로 하는 사용자인 지자체 공무원, 산림·재난 담당자, 정책 실무자를 중심에 두고 에이전트를 설계했습니다. 그래서 범용 환경분석 도구를 만드는 대신, 산불 피해라는 하나의 문제를 dNBR 기반 피해등급, 면적, 탄소손실 추정이라는 실질적 의사결정 단위로 연결하는 구조를 선택했습니다.
기술적으로도 차별화 포인트가 있습니다. 첫째, 행정구역 shapefile을 기반으로 AOI를 해석해 대한민국 전체, 시도, 시군구, 행정동 단위까지 자연어로 지정할 수 있도록 했습니다. 둘째, 사용자가 원하는 격자 기준을 유연하게 적용할 수 있도록 설계해, 원본 위성 격자, 첨부 참조 래스터 격자, 또는 직접 입력한 해상도를 기준으로 클리핑과 정렬이 가능하도록 했습니다. 셋째, PLAN과 RUN을 분리해 계획 수립과 실제 실행을 나누고, 단순 챗봇이 아니라 상담형 인터페이스와 분석형 인터페이스를 구분했습니다. 넷째, 산출물을 단순 NDVI나 이미지 출력에 머무르지 않고, dNBR 기반 피해등급 분류, 등급별 면적, 탄소손실량까지 연결하여 분석 결과가 바로 정책·행정 판단에 도움을 줄 수 있도록 구성했습니다. 앞으로는 멀티턴 대화 안정화, 실제 산림 유형별 계수 보정, 보고서 시각화 개선, 실제 사례 기반 검증을 통해 더욱 정교한 의사결정 보조 도구로 발전시킬 계획입니다.
⑤ 다른 사람도 따라 할 수 있나요?
네, 가능합니다. 이 사례는 특정 폐쇄형 시스템에 의존하지 않고, 공개 위성자료, 행정경계 자료, 그리고 Codex를 활용한 코드 구현을 바탕으로 구성했습니다. 따라서 비슷한 문제를 가진 다른 연구자, 기관, 지자체도 구조를 참고해 응용할 수 있습니다. 특히 이 프로젝트는 “AI가 코드를 대신 써줬다”는 수준이 아니라, 문제 정의, 기능 설계, 파이프라인 구현, UI 구성, 오류 수정, 구조 리팩터링까지 AI와 협업해 하나의 서비스형 분석 도구를 만든 사례라는 점에서 재현성이 있습니다.
또한 이 구조는 산불 피해 분석에 최적화되어 있지만, 향후 홍수, 가뭄, 산림 건강도 평가 등 다른 환경 재난 분석 에이전트로도 확장 가능합니다. 다만 이번 사례에서는 목적을 좁혀 산불 피해 분석에 집중했기 때문에, 오히려 더 높은 완성도와 실용성을 확보할 수 있었습니다. 즉 다른 사람도 따라 할 수 있을 뿐 아니라, 목적이 분명한 공공 문제를 중심으로 AI를 어떻게 서비스형 분석 도구로 구현할 수 있는지 보여주는 사례라고 생각합니다.
산불 피해 분석은 단순히 위성영상 한 장을 보는 수준이 아니라, 산불 전·후 시기의 적절한 영상 선택, 좌표계와 격자 정렬, 구름 영향이 적은 장면 선정, 행정경계 기준 클리핑, dNBR 계산, 피해등급 분류, 등급별 면적 집계, 탄소손실 추정까지 여러 단계를 거쳐야 하는 복합적인 작업입니다. 기존에는 이러한 과정이 원격탐사, GIS, 영상처리 경험이 있는 전문가 중심으로 수행되었기 때문에, 실제 산불 대응 현장이나 공공기관 실무자가 바로 활용하기 어렵다는 한계가 있었습니다. 특히 지자체 공무원이나 재난 대응 담당자는 “어느 지역이 얼마나 심하게 탔는지”, “피해 면적은 어느 정도인지”, “탄소 손실이 얼마나 발생했는지” 같은 의사결정에 필요한 결과를 빠르게 얻고 싶어도, 위성자료 전처리와 분석 절차가 진입장벽이 되어 활용이 어려웠습니다. 저는 이 문제를 해결하기 위해, 위성 전문 지식 없이도 자연어로 지역과 분석 목적을 입력하면 산불 피해 분석 전 과정을 자동으로 수행하는 AI 에이전트를 만드는 데 OPEN AI의 codex 라는 AI를 활용했습니다.
② 어떤 AI를 어떻게 활용했나요?
이번 사례에서는 Codex를 활용해 산불 피해 분석용 에이전트의 구조 설계부터 코드 구현, 기능 분리, 오류 수정, UI 구성, 전처리 파이프라인 연결까지 전 과정을 함께 진행했습니다. 에이전트는 크게 PLAN과 RUN 두 단계로 구성됩니다. PLAN 단계에서는 사용자의 자연어 입력을 바탕으로 분석 지역, 분석 목적, 산불 전·후 기간, 공간해상도, 필요한 산출물을 해석하고, 부족한 조건은 상담형으로 되묻도록 설계했습니다. 예를 들어 “경남 산청군 산불 피해 분석을 하고 싶다”는 입력이 들어오면, 행정경계 shp 파일을 기반으로 산청군 영역을 해석하고, 산불 피해 분석에 적합한 자료로 Sentinel-2 광학 영상과 필요시 Sentinel-1 보조자료를 추천하며, 산불 전·후 비교를 위해 필요한 분석 기간과 해상도를 사용자와 대화하며 보완합니다.
RUN 단계에서는 확정된 조건을 바탕으로 실제 분석이 수행됩니다. 이때 행정경계 shp 파일을 활용해 시도·시군구·행정동 단위 경계를 dissolve 및 rasterize하여 분석 AOI를 정확히 만들고, 사용자 요청에 따라 원본 격자 기준, 첨부 참조 래스터 기준, 또는 직접 입력한 해상도 기준으로 전처리 격자를 설정할 수 있도록 했습니다. 이후 Sentinel-2 기반으로 산불 전후 NBR을 계산하고, dNBR = pre-fire NBR - post-fire NBR 방식으로 산불 피해 정도를 산정합니다. 산출된 dNBR 값은 문헌 기반 기준표에 따라 피해등급으로 분류되며, 각 등급별 면적을 집계하고 탄소손실량까지 추정하도록 구성했습니다. 결과는 raster, preview 이미지, 요약 테이블, 보고서(JSON/Markdown) 형태로 정리되며, 사용자는 웹 기반 인터페이스에서 진행률과 결과를 확인할 수 있습니다. 이 과정 전체를 Codex와 함께 설계·리팩터링·디버깅하며 완성했습니다.
③ 활용 결과 어떤 변화가 있었나요?
가장 큰 변화는 산불 피해 분석의 사용자가 바뀌었다는 점입니다. 기존에는 원격탐사나 GIS를 다룰 수 있는 전문가가 위성자료를 직접 내려받고, 전처리하고, 지수를 계산하고, 결과를 해석해야 했습니다. 하지만 이번 에이전트를 통해 사용자는 “삼척시 산불 피해를 분석해줘”, “행정동 단위로 얼마나 탔는지 보여줘”, “탄소손실까지 계산해줘” 같은 자연어 입력만으로 전체 흐름을 진행할 수 있게 되었습니다. 단순히 시간을 절약한 수준이 아니라, 분석 계획 수립부터 실행, 요약, 보고서 생성까지 이어지는 흐름이 하나의 인터페이스 안에서 연결되었다는 점에서 실질적인 변화가 있었습니다.
또한 결과 역시 단순한 영상 출력에 머무르지 않고, dNBR 기반 피해등급 분류, 행정구역 단위 클리핑, 등급별 면적 집계, 탄소손실 추정까지 연결되기 때문에, 현장 대응과 정책 검토에 바로 활용할 수 있는 형태의 결과를 제공할 수 있습니다. 즉 이 에이전트는 “위성 분석 자동화 도구”가 아니라, “공공 실무자가 자연어로 산불 피해 의사결정에 필요한 정보를 얻는 분석 창구”로 작동한다는 점에서 의미가 있습니다.
④ 나만의 방식 또는 개선 포인트는 무엇인가요?
이번 사례의 가장 큰 차별점은 기술의 복잡성을 줄인 것이 아니라, 사용자의 관점을 바꿨다는 데 있습니다. 기존 위성 분석 시스템은 대개 원격탐사 전문가를 전제로 설계됩니다. 반면 저는 산불 피해 분석을 실제로 필요로 하는 사용자인 지자체 공무원, 산림·재난 담당자, 정책 실무자를 중심에 두고 에이전트를 설계했습니다. 그래서 범용 환경분석 도구를 만드는 대신, 산불 피해라는 하나의 문제를 dNBR 기반 피해등급, 면적, 탄소손실 추정이라는 실질적 의사결정 단위로 연결하는 구조를 선택했습니다.
기술적으로도 차별화 포인트가 있습니다. 첫째, 행정구역 shapefile을 기반으로 AOI를 해석해 대한민국 전체, 시도, 시군구, 행정동 단위까지 자연어로 지정할 수 있도록 했습니다. 둘째, 사용자가 원하는 격자 기준을 유연하게 적용할 수 있도록 설계해, 원본 위성 격자, 첨부 참조 래스터 격자, 또는 직접 입력한 해상도를 기준으로 클리핑과 정렬이 가능하도록 했습니다. 셋째, PLAN과 RUN을 분리해 계획 수립과 실제 실행을 나누고, 단순 챗봇이 아니라 상담형 인터페이스와 분석형 인터페이스를 구분했습니다. 넷째, 산출물을 단순 NDVI나 이미지 출력에 머무르지 않고, dNBR 기반 피해등급 분류, 등급별 면적, 탄소손실량까지 연결하여 분석 결과가 바로 정책·행정 판단에 도움을 줄 수 있도록 구성했습니다. 앞으로는 멀티턴 대화 안정화, 실제 산림 유형별 계수 보정, 보고서 시각화 개선, 실제 사례 기반 검증을 통해 더욱 정교한 의사결정 보조 도구로 발전시킬 계획입니다.
⑤ 다른 사람도 따라 할 수 있나요?
네, 가능합니다. 이 사례는 특정 폐쇄형 시스템에 의존하지 않고, 공개 위성자료, 행정경계 자료, 그리고 Codex를 활용한 코드 구현을 바탕으로 구성했습니다. 따라서 비슷한 문제를 가진 다른 연구자, 기관, 지자체도 구조를 참고해 응용할 수 있습니다. 특히 이 프로젝트는 “AI가 코드를 대신 써줬다”는 수준이 아니라, 문제 정의, 기능 설계, 파이프라인 구현, UI 구성, 오류 수정, 구조 리팩터링까지 AI와 협업해 하나의 서비스형 분석 도구를 만든 사례라는 점에서 재현성이 있습니다.
또한 이 구조는 산불 피해 분석에 최적화되어 있지만, 향후 홍수, 가뭄, 산림 건강도 평가 등 다른 환경 재난 분석 에이전트로도 확장 가능합니다. 다만 이번 사례에서는 목적을 좁혀 산불 피해 분석에 집중했기 때문에, 오히려 더 높은 완성도와 실용성을 확보할 수 있었습니다. 즉 다른 사람도 따라 할 수 있을 뿐 아니라, 목적이 분명한 공공 문제를 중심으로 AI를 어떻게 서비스형 분석 도구로 구현할 수 있는지 보여주는 사례라고 생각합니다.
