산불을 발견한 위성이 모든 원본 영상을 지상으로 내려보낸 뒤 분석하는 기존 절차를 줄이기 위해 인공지능을 우주에서 직접 실행하는 기술이 발전하고 있다. 최근 연구에서는 상업용 열적외선 위성군에 초경량 산불 탐지 모델을 탑재해 궤도상에서 열 이상을 판별하고 위성 통과 후 10분 이내에 화재 정보를 전달하는 체계가 제시됐다. 산불 초기에는 불길이 위성 영상의 한 픽셀보다 작은 경우가 많아 단순한 온도 임계값만으로 구름, 뜨거운 지표면, 산업시설과 구분하기 어렵다. 연구진은 제한된 연산장치와 통신대역폭 안에서 작은 열 신호를 찾아내도록 학습한 모델을 사용해 이 문제를 해결하려 하고 있다.

우주 탑재형 AI의 가장 큰 제약은 성능보다 자원이다. 지상의 데이터센터와 달리 위성에는 전력과 냉각, 메모리, 연산능력이 제한돼 있다. 연구진은 1메가바이트보다 작은 모델과 수십 밀리초 수준의 추론시간을 목표로 최적화했다. 일부 구성은 0.52메가바이트 크기의 엔진으로 약 65밀리초의 처리시간을 기록했고, 더 높은 정확도를 목표로 한 모델도 1메가바이트 아래에서 작동했다. 작은 모델이지만 사전학습을 통해 열적외선 영상의 특징을 먼저 익힌 뒤 산불 탐지에 적용함으로써 단순 지도학습 방식보다 좋은 성능을 얻는 접근이 사용됐다.

이 방식이 실제 재난 대응에 중요한 이유는 경보 지연을 줄일 수 있기 때문이다. 위성은 넓은 지역을 반복 관측할 수 있지만 촬영한 대용량 영상을 지상국과 연결될 때까지 저장했다가 전송해야 하면 발견 시점이 늦어질 수 있다. 위성 안에서 산불 후보 지역만 먼저 골라 좌표와 작은 데이터 패킷으로 보내면 통신 부담이 크게 줄어든다. 특히 인구가 적고 통신시설이 부족한 산악·산림 지역에서는 주민 신고나 지상 카메라보다 위성이 먼저 이상을 발견할 가능성이 있다. 여러 위성이 서로 다른 시간에 같은 지역을 지나가는 군집 구조라면 탐지 빈도를 높이고 화재 확산 방향도 더 자주 갱신할 수 있다.

다만 자동 탐지가 소방기관의 기존 관측망을 완전히 대체하는 것은 아니다. 구름과 연기, 지형, 산업 열원 때문에 오탐이 발생할 수 있고 위성의 궤도에 따라 같은 지역을 다시 보는 시간 간격도 달라진다. 가장 현실적인 활용은 위성 AI가 빠르게 후보를 찾아 경보하고, 지상 열화상 카메라와 기상자료, 항공관측이 이를 확인하는 다층 체계다. 산불이 대형화되기 전에 위치를 몇 분이라도 빨리 파악하면 초기 출동과 주민 경보에 도움이 될 수 있다. 유럽과 북미에서 고온·건조 조건이 반복되는 상황에서 우주에서 직접 데이터를 해석하는 기술은 산불 감시의 속도를 높이는 새로운 도구로 주목받고 있다.