Greenwashing 방지, 데이터 무결성, 윤리, 개인정보 보호 및 엔드투엔드 워크플로

이득:

Greenwashing의 유형(불확실하고 입증되지 않았으며 숨겨진 교환, 과장된 미래)을 인식하고 측정 가능하고 출처 및 범위가 지정된 주장을 작성하는 능력.
차량에 제공할 데이터를 기밀성 측면에서 분류하고 영업비밀 및 개인정보를 보호하는 기능
정의부터 검증까지 엔드투엔드 품질 게이트를 구현하고 'AI가 말한' 방어에 의존하지 않고 궁극적인 책임을 맡을 수 있는 능력

이 모듈의 각 단원에는 원칙이 반복되었습니다. 숫자는 출처를 기반으로 해야 하며 주장은 증거를 기반으로 해야 합니다. 이 최종 단원은 그 원리를 통합합니다. 환경과 기후 측면에서 AI의 가장 큰 위험은 계산 착오가 아니라 믿을 만하지만 근거 없는 이야기를 만들어낸다는 점이다. 이 단원에서는 Greenwashing을 인식 및 예방하는 방법, 데이터 정확성, 윤리 및 개인 정보 보호를 보장하는 방법, 전체 모듈을 통합하는 엔드투엔드 워크플로를 배우게 됩니다.

Greenwashing의 해부학

Greenwashing은 조직이 환경 성과를 실제보다 더 좋아 보이게 만드는 것입니다. AI는 유창하고 설득력 있는 텍스트를 생성하는 데 매우 능숙하기 때문에 자신도 모르게 그린워싱을 생성할 가능성이 매우 높습니다. 주요 유형:

그린워싱형

무슨 뜻인가요?

예

모호한 주장

측정할 수 없는, 정의되지 않은 단어

"친환경", "자연", "그린"

증거 없이 주장하다

데이터가 없는 숫자/대상

"우리는 탄소 중립입니다"(문서 없음)

비밀 교환

좋은 점은 강조하고 큰 나쁜 점은 숨긴다

"포장재는 재활용 가능"하지만 제품 오염이 심함

데이터 정확성: 모듈의 황금률

각 단원에서 볼 수 있는 검증 원칙은 한 문장으로 요약할 수 있습니다. AI가 생성한 숫자나 사실은 독립적인 소스의 확인 없이는 결정, 보고 또는 주장으로 바뀌지 않습니다. 방출 계수는 공식 테이블에서 확인되고, 법안 조항은 현재 텍스트에서 확인되며, 측정값은 교정된 장치에서 확인되고, 계산은 실행된 코드에서 확인됩니다. AI가 가속화됩니다. 그 사람은 진실한 사람이에요.

윤리 및 개인정보 보호

윤리: 환경 데이터는 대중과 미래 세대에 관한 것입니다. 데이터 마사지, 선택적 보고 또는 불확실성 숨기기는 윤리적 위반입니다. AI에게 "보고서를 더 잘 보여달라"고 요구하지 말고 오히려 "보고서를 더 정확하고 이해하기 쉽게 보여달라"고 요구한다.

기밀성: 공장 수준 생산량 수치, 공급업체 계약, 미공개 배출량 데이터는 영업 비밀일 수 있습니다. 직원의 여행 또는 위치 데이터는 개인 데이터일 수 있습니다. 공용 AI 도구에 붙여넣기 전에 기업 정책 및 데이터 보호 규칙(예: KVKK/GDPR)을 확인하세요. 가능하다면 익명화하거나 기업용 데이터 증명 도구를 사용하세요.

주의: "AI가 그렇게 말했다"는 방어가 아닙니다. 허위 배출 보고, 허위 광고, 기밀 데이터 유출에 대한 책임은 해당 기관과 서명자에게 있습니다. AI는 도구입니다. 책임을 지는 사람입니다.

엔드투엔드 워크플로: 모듈 조립

다음은 처음부터 끝까지 자신 있게 환경 관련 주장이나 보고서를 작성하는 6단계입니다.

1. 정의합니다. 무엇을 보고/청구할 것인가? 범위, 단위, 기준, 기간이 명확한가?

2. 데이터를 수집하고 확인합니다. 각 문제마다 추적 가능한 출처가 있습니까? 요인이 공식적인가요?

3. 계산하고 검증합니다. 코드로 연산을 수행하고 그 결과를 단위와 순서로 제공합니다.

4. 스케치. AI로 텍스트 뼈대를 구축하세요. 각 문장을 증거와 연결하세요.

5. 그린워싱 필터에 통과시킵니다. 모호하고 입증되지 않은 과장된 진술을 제거하십시오.

6. 확인하고 책임을 진다. 독립적인 보증/전문가 통제; 최종 승인은 사람에게 있습니다.

세 개의 미니 케이스

사례 1 — 유창하지만 근거가 없습니다. 한 팀은 AI에게 지속가능성 개요를 작성하게 했습니다. 텍스트는 인상적이었지만 "업계를 선도하는 지속 가능성", "영향이 거의 없음"과 같은 정량화할 수 없는 문구로 가득 차 있었습니다. Greenwashing 필터(아래 템플릿 1)를 적용하면 7개의 입증되지 않은 주장이 표시됩니다. 각각은 검증된 번호로 교체되거나 제거되었습니다. 보고서는 짧았지만 방어할 수 있었습니다.

사례 2 — 데이터 유출. 분석가는 아직 공개되지 않은 시설 배출 데이터를 공개된 AI 도구에 붙여넣고 분석을 요청했습니다. 규정 준수 팀은 이것이 영업 비밀이자 규제 공개 위반일 수 있음을 깨달았습니다. 프로세스가 중지되고 데이터가 기업(유출 방지) 도구로 이동되었습니다. 교훈: 도구에 데이터를 제공하기 전에 데이터의 클래스(기밀?)를 결정하십시오.

사례 3 - 검증 체인. 한 조직은 전체 연례 보고서에 대한 "주장 증거" 테이블을 유지했습니다. 각 문장의 각 숫자 반대편에는 출처가 있습니다. 감사관이 도착했을 때 그들은 몇 분 안에 각 청구를 추적할 수 있었습니다. 보증절차는 순조롭게 진행되었습니다. 이 규율은 모듈의 모든 단위의 핵심이었으며 현실 세계에서 시간과 인식을 절약했습니다.

약한 프롬프트 / 강한 프롬프트

약한 프롬프트:

지속가능성 메시지를 더욱 인상적으로 만들어 보세요.

약한 이유: "인상적"에 대한 욕구는 AI를 과장되고 막연한 칭찬으로 밀어 넣습니다. 그린워싱을 생산합니다.

강력한 프롬프트:

귀하의 역할: 환경 커뮤니케이션 편집자 및 Greenwash 감사관. 아래 텍스트를 "빛나는" 것이 아닌 보다 정확하고 이해하기 쉽게 만드십시오. 모든 주장은 다음과 같은 질문을 던집니다. 측정 가능합니까, 출처가 있습니까? 범위가 명확합니까? 모호한(“환경 친화적”), 증거가 없는(“중립”), 과장된 진술을 표시하고 증거 기반의 측정된 대안을 제안합니다. 증거가 없는 주장을 삭제하세요.텍스트: [여기]

복사 가능한 템플릿 4개

1) Greenwashing 제어 필터:

귀하의 역할: Greenwash 감사관. 아래 텍스트에 각 환경 관련 주장을 표로 표시하십시오. (주장 | 측정 가능 | 증거가 있습니까 | 불확실합니까 | 평결). 불분명하거나 입증되지 않았거나 과장된 부분을 표시하고 각각에 대해 측정된 증거 기반 대안을 제안합니다. 텍스트: [여기]

2) 주장-증거 매칭 테이블:

아래 보고서 텍스트에서 모든 숫자 및 사실적 주장을 제거하십시오. 각각에 대해 "소스" 열을 남겨두십시오. 출처가 불특정인 주장은 '증명 필요'로 표시하세요. 텍스트 변경; check.Text: [여기]

3) 개인정보 사전 확인:

AI 도구에서 처리하기 전에 다음 데이터를 분류하십시오. 영업 비밀(공장 생산, 공급업체 가격), 개인 데이터(이름, 위치) 또는 미공개 재무 정보가 포함되어 있습니까? 위험한 영역에 플래그를 지정하고 익명화/제거를 권장합니다. 데이터 예시: [여기]

4) 엔드투엔드 품질 게이트:

아래 환경 보고서/클레임을 최종 확인하세요. 순서대로: (1) 범위 단위 표준이 명확하고, (2) 각 숫자의 출처가, (3) 산술이 검증되었는지, (4) 그린워싱이 있는지, (5) 기밀/개인 데이터가 유출되었는지입니다. 각 항목에 대해 합격/불합격 및 타당성을 부여합니다. 내용: [여기]

일반적인 실수

"인상적"을 원합니다. 이는 AI를 과장과 친환경화로 몰아넣습니다. "정확하고 이해하기 쉬운" 것을 요구하십시오.
모호한 주장을 눈치 채지 못했습니다. “친환경”이라는 말은 헤아릴 수 없을 만큼 위험합니다.
공개 도구로 기밀 데이터 내보내기. 먼저 데이터를 분류하고 필요한 경우 익명화합니다.
"AI가 그렇게 말했다"라고 변호한다. 책임은 언제나 사람에게 있습니다.
검증 체인을 유지하지 않습니다. 모든 청구의 출처는 감사 가능해야 합니다.

요약하면

환경과 기후에서 AI를 안전하게 사용하는 본질은 단일 규율입니다. 즉, 모든 출처의 숫자, 입증된 모든 주장, 분류된 모든 도구에 제공되는 모든 데이터, 인간의 모든 최종 결정입니다. Greenwashing은 유동적인 언어의 함정입니다. 이를 피하는 방법은 측정 가능하고, 출처가 있으며, 특정 범위를 갖는 주장을 하는 것입니다. 일체 포함; 계산하고, 스캔하고, 초안을 작성하고 정리하지만 검증하고 결정하고 책임을 지는 사람은 유능한 전문가입니다. 결과가 높은 환경 작업에서 AI 출력은 전문가 검증 및 검증을 대체할 수 없습니다. 속도만 빨라질 뿐입니다.

응용과제

모듈 전반에 걸쳐 생성한 결과물 중 하나를 선택하십시오(배출 요약, 물 분석 또는 ESG 섹션). 먼저 템플릿 1을 사용하여 Greenwash 감사를 수행하고 발견된 입증되지 않은 주장을 수정합니다. 그런 다음 두 번째 템플릿을 사용하여 주장-증거 테이블을 만들고 소스 없이 나머지 숫자를 완성합니다. 마지막으로 네 번째 템플릿을 사용하여 엔드투엔드 품질 게이트를 적용합니다. 5개 항목 모두에서 "통과"를 얻을 때까지 수정하세요.

체크리스트

[ ] 나는 각 주장을 측정 가능하고, 출처를 밝히고, 범위를 구체적으로 만들었습니다.
[ ] 모호하거나 과장된 언어를 그린워싱 필터로 정리했습니다.
[ ] AI가 생산한 모든 수치를 제가 직접 검증했습니다.
[ ] 나는 기밀 유지를 위해 도구에 제공한 데이터를 분류/익명화했습니다.
[ ] 산수를 코드화하고 단위와 순위를 부여했습니다.
[ ] 나는 궁극적인 책임을 맡았습니다. 나는 "AI가 말한" 방어에 의존하지 않았습니다.

모듈 시험

1. 다음 중 환경과 기후에 있어서 인공지능의 위치를 가장 정확하게 설명한 것은 무엇입니까?

A) 인공 지능은 코드, 데이터 및 청사진의 보조자입니다. 요인, 범위, 증거 및 윤리적 결정에 대한 책임은 인간에게 있습니다 ✔
B) 인공지능은 측정 장치이며 그것이 제공하는 방출 값은 항상 정확합니다.
다) 인공지능은 보고서 작성에만 유용할 뿐, 회계나 모니터링과는 아무런 관련이 없다.
D) 인공지능은 인간보다 공정하기 때문에 모든 환경적 결정은 인공지능에게 맡겨야 한다.

설명: 인공지능; 코드를 작성하고, 데이터를 정리하고, 초안을 작성하고 요약하는 보조자입니다. 그러나 배출 계수, 범위 및 단위 정확성, 주장의 입증 및 최종 책임에 대한 확인은 유능한 전문가에게 있습니다. 빅 언어 모델은 측정 장치, 계산기 또는 입법 소스가 아닙니다. '다음으로 가장 가능성이 높은 단어'를 생성하는 텍스트 생성기이며 확인되지 않은 출력은 잘못된 보고나 주장으로 이어질 수 있습니다.

2. 온실가스 인벤토리의 '활동 데이터 × 배출계수'를 계산하는 올바른 접근 방식은 무엇입니까?

가) 인공지능이 기억하고 있는 요소를 이용하여 수작업으로 합계를 낸다.
나) 국가별, 연도별 공식표에서 인자를 취하여 실행 가능한 코드로 합산하기 ✔
C) 모든 가스를 CO₂로 계산하고 GWP 변환을 건너뜁니다.
D) 국가별 기본(예: 미국) 그리드 계수 사용

설명: 배출 계수는 국가, 연도 및 연료에 따라 다릅니다. '알림' AI는 조작의 위험을 초래합니다. 요인은 항상 공식 테이블(IPCC, DEFRA/EPA, 국가 목록)에서 확인되어야 합니다. 여러 줄의 합계는 수동이 아닌 실행 가능한 코드로 수행해야 합니다. 메탄과 N2O는 올바른 GWP 설정을 통해 반드시 CO2e로 변환됩니다.

3. GHG 프로토콜에 따르면 구매한 전기의 생산으로 인한 배출은 어떤 범위에 포함됩니까?

가) 범위 1
나) 범위 3
다) 범위 2 ✔
라) 어떠한 범위에도 포함되지 않으며 보고되지 않는다.

설명: 범위 1은 조직 자체 배출원(보일러, 회사 차량)에서 직접 배출되는 것입니다. 범위 2는 구매한 에너지(전기, 증기, 난방, 냉각) 생산으로 인한 간접 배출입니다. 범위 3은 가치 사슬(공급, 여행, 제품 사용)의 기타 모든 간접 배출을 다룹니다.

4. MACC(한계저감비용)에 따른 완화 조치의 우선순위를 정할 때 올바른 것은 무엇입니까?

A) 가장 비용이 많이 들고 기술적인 조치가 항상 먼저 취해집니다.
B) 먼저 오프셋을 구매하고 '네트 제로'라고 하며, 감소는 나중을 위해 남겨둡니다.
C) 조치 순서는 비용과 무관합니다. 모두 동시에 적용됨
D) 마이너스 비용(절약) 조치가 먼저 수행되고 제거가 마지막으로 남습니다. ✔

설명: MACC는 방지된 톤당 비용(€/톤)을 기준으로 측정값의 순위를 매깁니다. 부정적인 비용 조치(예: 에너지 효율성)는 배출량을 줄이고 비용을 절감합니다. 이것들은 최전선으로 가져옵니다. 고가의 옵션과 오프셋이 마지막까지 남았습니다. 제거는 완화를 대체하는 것이 아니라 피할 수 없는 나머지 부분을 보완하는 것입니다.

5. 한 지역의 NDVI가 한 달 만에 갑자기 감소한 것을 위성 이미지에서 봤습니다. 먼저 무엇을 해야 할까요?

가) 즉시 '갑작스런 산림벌채' 경보를 발령하고 국민에게 공표한다.
B) 클라우드 마스크를 적용하고 주변 날짜와 비교하여 신호의 신뢰성 테스트 ✔
C) 단일 이미지를 보고 정확한 손실률 보고
D) 위성 데이터는 항상 정확합니다. 추가 확인이 필요하지 않습니다

설명: 위성 데이터의 가장 흔한 가짜 신호는 클라우드입니다. NDVI 하락은 실제 숲 손실일 수도 있고 그날 이미지 위에 구름이 끼었을 수도 있습니다. 먼저 구름 마스크를 적용하고 주변의 구름이 없는 날짜와 비교해야 합니다. 변경 주장은 단일 날짜가 아닌 추세를 기반으로 해야 하며, 가능하다면 Ground Truth를 통해 검증해야 합니다.

6. 두 공장의 물 영향을 비교할 때 어떤 접근 방식이 올바른가요?

A) 단지 절대적인 리터만 보고 가장 많이 소모하는 것을 최악으로 선언하면 된다.
B) 물 효과는 어디에서나 동일합니다. 지역은 중요하지 않다
다) 지역별 물 스트레스별 소비 가중치 및 실제 영향 비교 ✔
D) 녹색, 파란색, 회색 물을 하나의 숫자에 추가하고 스트레스를 무시합니다.

설명: 물은 탄소와 달리 지역적입니다. 물 스트레스가 높은 지역에서는 동일한 양의 물이 환경에 훨씬 더 심각한 영향을 미친다는 것을 의미합니다. 따라서 물 영향은 절대 리터 단위뿐만 아니라 지역적 물 스트레스에 따라 가중치를 부여하여 평가해야 합니다. 소비량이 적지만 매우 건조한 지역의 시설은 소비량이 많지만 물이 풍부한 시설보다 더 중요할 수 있습니다.

7. 폐기물 관리에서는 인공지능이 화학폐기물을 '유해' 코드로 분류했다. 올바른 행동이란 무엇입니까?

A) 인공지능이 그렇게 하라고 해서 해당 코드에서 직접 삭제하는 것
B) 폐기물 코드는 중요하지 않습니다. 모두 같은 방법으로 폐기됩니다
다) 오염도 및 유해성 등급을 무시하고 수집량만 보고
D) 안전보건자료(SDS) 및 법규를 통해 등급을 확정하고, 인공지능 제안을 최종으로 받아들이지 않음 ✔

설명: 유해 폐기물의 잘못된 분류 및 미등록 처리는 가장 강력하게 제재되는 환경 범죄 중 하나입니다. AI 폐기물 코드 제안은 초기 초안일 뿐이다. 위험 등급은 항상 물질의 안전보건자료(SDS)와 해당 폐기물 규정을 통해 확인되어야 합니다. AI 출력은 최종 폐기물 코드로 사용되지 않습니다.

8. 한 시설에서 스택 배출을 20% 줄였습니다. '이웃 공기가 20% 깨끗해졌습니다'라는 말은 왜 잘못된 걸까요?

A) 방출량과 농도는 다릅니다. 날씨 변화에는 별도의 측정과 모델링이 필요합니다 ✔
B) 방출과 집중은 같은 것입니다. 감소는 공기에 직접 반영됩니다.
C) 굴뚝 측정은 항상 정확한 주변 날씨를 제공합니다.
D) 기상은 대기질에 영향을 미치지 않으므로 주장은 타당하다

설명: 방출(발생원에서 나오는 양)과 농도(공기 중에서 측정된 밀도)는 서로 다릅니다. 바람, 온도, 지형에 따라 동일한 방출이 발생하더라도 농도가 매우 달라집니다. 굴뚝 배출 감소가 실제라고 하더라도 공기 중 농도 주장은 보정된 측정과 적절한 분산 모델을 통해서만 입증될 수 있습니다. 그렇지 않으면 근거가 없고 오해의 소지가 있습니다.

9. ESG 보고서에 인공지능이 생성한 텍스트에 '우리는 물 소비량을 15% 줄였습니다'라는 문장이 있습니다. 가장 중요한 컨트롤은 무엇인가요?

A) 문장이 얼마나 인상적이고 유창한지 살펴보면
B) 번호가 추적 가능한 소스(송장, 미터, 측정)에 연결되어 있는지 확인합니다. ✔
다) 인공지능이 만들어내기 때문에 숫자가 맞다고 가정
D) 숫자가 더욱 확실해 보이도록 백분율을 반올림합니다.

설명: ESG 보고서의 가치는 가장 취약한 데이터의 추적 가능성이며, 독립적인 보증 감사자는 숫자 뒤에 숨은 일련의 증거를 조사합니다. AI가 이전 문자에서 '합리적'으로 보였지만 추적할 수 없는 숫자를 생성했을 수 있습니다. 모든 디지털 청구가 송장/계량기/증명서를 기반으로 추적 가능한 소스에 연결되지 않은 채 보고서에 입력되어야 하는 것은 아닙니다.

10. 기후 위험 평가에 단일 미래가 아닌 여러 시나리오가 사용되는 이유는 무엇입니까?

A) 시나리오는 장식입니다. 정확한 미래 예측은 하나면 충분하다
나) 인공지능은 미래의 홍수 확률을 정확한 비율로 알려줄 수 있으므로 하나의 시나리오로 충분하다.
C) 물리적 및 전환 위험은 시나리오에 따라 불리할 수 있습니다. 목표는 지구력을 테스트하는 것입니다 ✔
D) 물리적 위험과 전환 위험은 동일하므로 별도의 시나리오가 필요하지 않습니다.

설명: 물리적 위험(홍수, 가뭄과 같은 기후 영향)과 전환 위험(탄소 가격, 법률, 기술 전환)은 종종 반대 방향으로 이동합니다. 즉, 세계가 신속한 완화를 수행하면 전환 위험이 증가하고 물리적 위험이 감소합니다. 그가 천천히 행동하면 그 반대의 일이 일어납니다. 따라서 최소한 하나의 낮은(1.5-2°C) 온난화 시나리오와 하나의 높은(3°C+) 온난화 시나리오가 테스트됩니다. 목표는 미래를 예측하는 것이 아니라 지구력을 테스트하는 것입니다.

11. AI에게 규정(예: CBAM)이 귀하에게 적용되는지와 그 기한을 물었습니다. 어떻게 행동해야 합니까?

가) 인공지능이 알려주는 날짜와 항목에 따라 직접 기획
나) 공식 코드 목록을 참조하지 않고 AI의 일반적인 해석을 토대로 범위 결정
C) 규정 준수는 일회성입니다. 한번 물어보면 입법을 지속적으로 모니터링할 필요가 없습니다.
D) 출력물을 초안으로 간주하고 현재 공식 텍스트에서 기사, 날짜, 임계값 및 범위를 확인합니다 ✔

설명: 규제 지식은 빠르게 시대에 뒤떨어지게 됩니다. 기사가 변경되고, 날짜가 연기되고, 범위가 확장됩니다. AI의 훈련 데이터는 특정 날짜에 동결되어 최신 상태가 아닐 수 있습니다. 더욱이, 물질은 역사나 문턱과 같은 중요한 사실을 조작할 수 있습니다. 범위 결정은 공식 제품/코드 목록, 모든 날짜 및 임계값은 시행 중인 공식 텍스트를 통해 확인되어야 합니다. 중요한 규정 준수 결정에 대해서는 공인/전문가 의견을 얻어야 합니다.

12. 다음 환경 주장 중 Greenwashing 위험이 가장 낮은 것은 무엇입니까?

A) '2023년까지 생산배출량 18% 감축(독립 검증)' ✔
B) '저희 제품은 완전히 환경친화적이고 자연스럽습니다.'
다) '저희 회사는 탄소 중립입니다'(문서나 데이터 제공 없이)
D) '우리는 업계에서 가장 지속 가능하고 영향이 거의 없는 회사입니다.'

설명: 좋은 환경 관련 주장은 측정 가능하고(숫자 포함) 입증되었으며(증거 기반) 범위가 구체적입니다(무엇을 언제 비교하는지 명확함). '2023년까지 생산배출량을 18% 줄였다(독립 검증)'는 이 세 가지 특징을 갖고 있다. '친환경', '천연', '탄소 중립'(인증되지 않음)과 같은 문구는 정량화할 수 없거나 입증되지 않았으며 그린워싱의 위험이 있습니다.

13. 공개되지 않은 시설 배출 데이터를 분석을 위해 공개적으로 사용 가능한 AI 도구에 붙여넣는 것이 위험한 이유는 무엇입니까?

A) 위험이 없습니다. 환경 데이터는 항상 공개적으로 이용 가능합니다.
나) 영업비밀, 미공개 데이터, 개인정보가 유출될 수 있습니다. 분류 및 익명화가 먼저 필요합니다 ✔
다) 위험은 단지 계산 오류일 뿐이며 데이터 프라이버시와는 아무런 관련이 없습니다.
라) 차량에 데이터가 전달되면 책임은 인공지능 제공자에게 넘어간다.

공개: 현장 수준의 생산 및 배출 데이터는 영업 비밀일 수 있으며, 공개되지 않은 재무/환경 데이터는 규제 공개 규칙을 위반할 수 있습니다. 직원 위치/여행 데이터는 개인 데이터입니다. 이러한 유형의 데이터를 공개 도구에 제공하기 전에 이를 분류하고, 필요한 경우 익명화하거나 기관(데이터가 없는) 도구를 사용해야 합니다. 'AI가 말했다'는 방어가 아닙니다. 책임은 기관과 개인에게 있습니다.

14. 메탄(CH₄) 등 온실가스를 CO2e로 변환할 때 어떤 개념이 사용되며, 왜 중요한가요?

A) AQI(대기질 지수); 공기 중의 기체의 색을 결정한다
B) NDVI(식생 지수); 가스가 토양에 미치는 영향을 측정합니다.
C) GWP(지구 온난화 지수); 생략하면 메탄/N2O 효과가 크게 과소평가됩니다 ✔
D) 계수가 필요하지 않습니다. 메탄은 CO2와 마찬가지로 1:1로 계산됩니다.

설명: GWP(지구 온난화 지수)는 다양한 온실 가스의 가열 효과를 CO2에 상대적인 공통 단위로 변환하는 계수입니다. 메탄의 100년 GWP는 대략 28입니다. 따라서 메탄 1톤은 대략 28톤의 CO2e를 의미합니다. GWP가 생략되면 메탄 및 N2O와 같은 강한 가스의 영향이 크게 과소평가되고 목록이 완전히 부정확해집니다. 또한 어떤 GWP 세트(예: IPCC AR6, 100년)가 사용되는지 명시해야 합니다.