Geco Strategic Weed Management는 분무기 통과 직전에 잡초를 찾는 카메라와 다른 형태의 농업 AI를 확대하고 있다. 수년간의 영상과 포장 이력으로 다음 조치 전에 지속적 잡초 구역을 추정하는 소프트웨어다. EMILI는 2026년 1월까지 북미에서 상용화됐고 7개국 160곳 이상 농장에서 사용된다고 보고했다. 2023년에는 캐나다 서부의 시험 농장 세 곳이었다. 도달 범위의 증거이지 반복 가능한 농가 이익의 증거는 아직 아니다.
경제적 구분이 중요하다. 종자를 늘리거나 강한 제초제를 쓰면 작물에 도움이 될 수 있지만 비용도 늘어난다. Geco는 과거 증거로 어느 곳에 추가 지출이 정당한지 찾겠다는 제안이다. 매니토바의 EMILI 및 전국 AIVA Network와 진행하는 시험은 예측 구역을 실제 잡초 측정, 수확 결과, 기계 작업에 연결하려는 것이지 그럴듯한 색상 지도만 만들려는 것이 아니다.
종자은행 전략은 땅속 종자를 촬영하는 것이 아니다
잡초 종자은행은 토양 안이나 주변에 남은 생존 가능한 종자 저장고다. 이번 철에 발아하는 것도 있고 휴면으로 남아 미래 압력을 만드는 것도 있다. 제초가 잘돼 깨끗해 보이는 포장에도 저장고는 남을 수 있다. 창립자 Greg Stewart의 Country Guide 설명은 오늘 보이는 식물에서 반복되는 개체군과 최악의 집중 구역을 지속적으로 줄이는 조치로 관심을 옮긴다.
회사는 보통 5년 포장 이력과 100장 넘는 위성 영상을 AI 및 농학 모델로 분석한다고 말한다. 드론이나 광학 분무기 데이터도 보충할 수 있다. 반복 관측에서 추론하는 것이지 위성이 땅속 종자를 직접 세는 것은 아니다. 반복 잡초 신호를 작물 스트레스, 이전 작물의 자생 개체, 잔재물, 맨땅, 병해와 일반적 변이에서 구분할 수 있어야 유용하다.
결과는 포장을 관리 구역으로 나눈다. 조밀한 파종은 빛·물·양분 경쟁을 높이고 잔효성 제초제는 토양에서 일정 기간 작용해 발아 잡초를 겨냥한다. 경운과 수확기 잡초 종자 제어도 가능하다. 윤작, 저항성, 토양, 장비와 기존 프로그램이 여전히 적합한 조치를 결정한다. 지도는 농업 전문가를 대체하거나 모든 농장에 같은 처리를 처방하지 않는다.
처방 파일은 구역을 호환 파종기, 분무기, 경운 도구나 자율 기계의 변량 지침으로 바꾼다. Geco는 전용 플랫폼 대신 기존 브랜드 장비에 대응한다고 말한다. 도입 장벽 하나를 낮추지만 정확한 기록, 파일 준비, 실제 호환성은 필요하다. 적절한 농작업 기간에 장비가 활용할 수 있어야 예측에 운영 가치가 생긴다.
AI 보급이 제한된 시장에서의 성장
EMILI는 Enterprise Machine Intelligence and Learning Initiative로, 2023년 Geco와 협력을 시작했다. 160곳 이상이라는 보고는 등록 면적, 처방 사용 빈도, 갱신과 다년 유지율을 공개하지 않는다. 실제 활용은 농장 수보다 이런 지표가 더 잘 설명한다. 한 스타트업의 성장이 캐나다 농업 전체의 보편적인 AI 사용을 입증하지도 않는다.
Farm Credit Canada와 Deloitte의 도입 분석은 2025년 2분기 캐나다 농업 사업체의 AI 사용률을 1.8%, 다른 산업을 12.2%로 보고했다. 농촌 연결성, 자본 제약, 인력 부족, 파편화한 인프라, 불확실한 거버넌스가 장벽이었다. 따라서 Geco는 이미 전면 자동화된 분야가 아니라 어렵고 불균일한 배포 환경에서 성장한다.
EMILI는 매니토바 토지, 이력, 드론 관측과 지상 조사를 제공한다. AIVA는 앨버타·온타리오·서스캐처원 협력자로 검증을 넓힌다. 밀, 대두, 감자, 옥수수, 호밀, 보리, 카놀라, 잠두가 포함되며 별도 로봇 경로 시험은 호박과 양파에서 진행한다. 군락, 생육 단계, 토양, 날씨와 잡초 종이 달라 한 밀밭의 결과를 다른 지역 감자에 적용할 수 있는지는 가정이 아니라 시험 대상이다.
초기 검증은 제초제 저항성 kochia와 귀리류 잡초 wild oat를 다뤘다. 제한된 약제 계열에 의존하는 프레리 지역 프로그램의 큰 문제다. 캐나다 농업·농식품부의 kochia 연구는 한 포기가 30,000개 종자를 만들 수 있고 저항성이 확대된다고 설명한다. 지속적 집중 구역에 비싼 조치를 모으는 것이 유용할 수 있지만 생물학적 중요성만으로 경제적 수익이 증명되지는 않는다.
세 실험이 예측과 현장을 연결한다
EMILI의 초기 현장 검증은 위성 모델을 드론 영상과 지상 조사에 비교해 시험 포장의 큰 잡초 군집을 신뢰성 있게 식별했다고 밝혔다. 널리 쓰이는 위성 데이터로 처방을 만드는 근거가 됐지만 모든 종, 작물, 포장과 생육 단계에서 같은 성능을 입증하지는 않았다.
현재 AIVA 실험은 먼저 철마다 네 차례 조사로 위성 구역을 관측 종과 밀도에 비교한다. 확인을 과정에 넣는 것이다. 반복 영상은 특이한 한 해에 대한 의존도를 낮춰도 날씨, 살포 시점, 접근성, 작물 변화의 모호함을 없애지는 않는다.
두 번째 실험은 기준·증량 파종과 기준·증량 잔효성 제초제를 조합한다. 선택 구역의 파종량 증가는 약 25~50%다. 연구진은 잡초 압력, 수확량과 단백질을 측정한다. 탐지 지도를 농학과 소득에 잇는 결과이며 이 증량 자체가 모든 작물에 대한 보편 처방은 아니다.
세 번째는 호박과 양파에서 잡초 우선 로봇 경로와 기존 직선 경로를 비교한다. 하루 작업 능력이 제한돼 우선순위가 가치 있을 수 있으며 사람 조사에도 같은 논리가 통한다. 카메라는 지금 여기 무엇이 자라는지 묻고, Geco는 어디에 여러 철에 걸쳐 압력이 돌아오는지 묻는다. 예측, 근거리 탐지와 인간 확인은 상호 배타적 기술이 아니라 서로 보완할 수 있다.
한 번의 유망한 결과가 모든 고객의 수익은 아니다
2025년 Geco와 EMILI는 Innovation Farms 한 포장의 폭 120피트짜리 세 구간에서 증량 파종을 시험했다. 선택 잡초 구역에 25% 많은 종자를 넣었다. EMILI는 수확량 7% 증가와 잡초 29% 감소를 보고했다. Stewart는 추가 종자 비용의 일곱 배 수익이라고 설명했다. 발언 주체와 계산 기준이 중요하다. 한 철의 특정 처리이지 소프트웨어 전체 비용의 일곱 배나 전체 고객의 수익이 아니다.
메커니즘은 이미 알려진 작물 경쟁이며 Geco는 표적화 층을 제공한다. 모든 곳에 늘리면 저압력 구역에서 낭비할 수 있고 고가 제초제도 지속 압력이 비용을 정당화할 때만 의미 있을 수 있다. 2026년 밀 시험은 파종·잔효제 기준/증량 네 조합을 검증하며 Olds College도 앨버타에서 유사 반복 블록을 운영한다. 잡초 압력과 수확량 측정 후 농학·경제 비교를 한다.
전체 계산에는 소프트웨어, 전문가 시간, 추가 종자·약제, 기계 통과, 처방 준비, 조사와 운영 복잡성이 들어가야 한다. 표적화 효과와 단순히 처리량을 늘린 효과도 나눠야 한다. 유리한 강우나 포장 변이가 한 해 이익을 키울 수 있고 미래 종자 유입을 막은 가치는 현재 수확에 안 보일 수 있다. 다계절 전략이므로 다년 평가가 필요하다.
작물 간 반복도 중요하다. 경쟁력 있는 밀 군락은 넓게 심는 채소와 다르고 카놀라 경제성은 대두와 다르다. EMILI는 모델과 독립적으로 관측하고 AIVA는 매니토바 밖의 이전성을 시험할 수 있다. 신뢰를 높여도 결과를 확정하지는 않는다. 고객별 이익 분포, 실패율, 등록 면적과 다년 유지율의 공개 데이터는 아직 부족하다. 이는 초기 결과를 부정하는 것이 아니라 남은 입증 범위를 정한다.
해상도 한계는 알고리즘이 없앨 수 없다
위성은 드론 조사가 없던 포장까지 광역 관측과 이력을 제공한다. 큰 반복 군집을 찾아도 작은 식물을 놓치거나 한 픽셀에 여러 특징을 섞을 수 있다. 구름은 수집을 끊고 잔재물, 토색, 그림자, 군락 폐쇄와 생육 단계는 분류를 어렵게 한다. 반복과 보충 영상은 도움이 되지만 신호에 대한 지상 확인은 남는다.
동료 심사를 거친 2026년 UAV 연구는 여름 휴경지에서 드론 방법 셋을 지상 카메라 기준과 비교했다. 모두 잡초를 적게 셌으며 누락률은 RGB 4165%, 근적외선 4873.5%, YOLO 78~85%였다. 중요한 것은 Geco나 그 다년 위성 방법을 평가하지 않았다는 점이다. 복잡한 알고리즘이 부족한 세부 영상을 자동 보완하지 못함을 보여 주는 예이며 이 비율을 Geco 성능으로 돌려서는 안 된다.
지속 구역은 살포일의 모든 작은 잡초를 세는 것보다 넓은 목표여서 위성에 더 적합할 수 있다. 그래도 오탐은 투입재를 낭비하고 누락은 저항성 개체군의 추가 결실을 허용할 수 있다. 비용은 비대칭이며 종, 저항성, 작물 가치, 처리비와 예상 종자 생산에 따라 다르다. 일반 정확도 점수는 틀린 구역에 따라 행동한 결과 측정을 대신하지 못한다.
남은 결정은 농장과 검증자의 몫이다
데이터 거버넌스도 중요하다. 작물 이력, 영상과 처방은 민감한 경영 성과를 드러낼 수 있다. 소유, 보관, 재사용, 이동성 조건과 반복 수작업 없는 프로그램·기계 간 전송이 명확해야 한다. 작업 전 파일 준비는 연결 수요를 줄이지만 약한 농촌 인터넷은 업로드, 지원과 새 영상을 늦출 수 있다. 농업 전문가는 이상 구역에 의문을 제기하고 작물 및 저항성 이력에 맞춰 조정해야 한다.
다음 증거는 변량 시험의 반복 순수익, AIVA 현장별 종 수준 오탐·누락, 실제 장비와의 실용적 통합을 묶어야 한다. 효과가 특정 작물에 몰리면 보편 정밀도를 주장하지 말고 적용 범위를 좁혀야 한다. 로봇 경로 실험이 구체적인 이유는 그럴듯한 대시보드가 아니라 실제 기계가 먼저 일할 곳을 묻기 때문이다.
Geco의 실질적 제안은 여러 철의 증거로 비싼 방제를 더 선별적으로 만드는 것이다. 어디에서 현재 비용을 더 키우지 않고 미래 압력을 줄이는지는 아직 미해결이다. 처리·무처리 결과를 여러 철 기록해 지역 잡초 이력 및 전체 운영비와 비교하는 것이 상업적 도달 범위만 보는 것보다 유익하다.
Google News 집계 링크에서도 관련 보도로 갈 수 있지만 추가 현장 연구나 Geco 공식 발표는 아니다.