기후 변화 모델링과 예측: 과학, 기술 그리고 미래 전망

지구온난화로 인한 기후변화는 인류가 직면한 가장 큰 도전 중 하나입니다. 이러한 변화를 이해하고 미래를 예측하기 위해 과학자들은 복잡한 기후 모델을 개발하고 발전시켜 왔습니다. 이 보고서에서는 기후변화 모델링의 과학적 기초, 최신 발전 동향, 인공지능의 역할, 그리고 예측 결과의 의미와 한계를 종합적으로 살펴보겠습니다.

기후 모델의 개념과 작동 원리

기후 모델의 기본 개념

기후모델은 대기, 해양, 지표면, 얼음과 같은 기후 구성요소 사이의 상호작용을 복잡한 방정식들로 표현해 가상 공간에 재현한 것입니다. 이는 지구와 기후를 직접 조작하는 실험 연구가 불가능한 기후변화 연구자들이 사용하는 가장 중요한 연구 도구입니다. 물리 법칙을 기반으로 구성된 기후모델들은 과거의 기후 변화와 최근에 관측된 기후변화의 특징들을 재현하고, 미래 기후 변화를 예측하는 데 활용됩니다.

모델의 구성 요소와 방법론

기후 모델은 크게 전지구 모델, 지역 모델, 그리고 상세 모델로 구분할 수 있습니다. 우리나라의 경우 기후변화 시나리오를 산출하기 위해 먼저 전지구의 저해상도 시나리오를 생산한 후, 동아시아와 한반도 영역을 추출하여 고해상도로 만들고, 최종적으로 한반도에서 남한으로 더 상세한 고해상도로 산출하는 과정을 거칩니다.

국립기상과학원은 두 종류의 기후모델을 기반으로 한 전지구 시나리오를 산출하고 있습니다. 하나는 국립기상과학원이 자체 개발한 모델(K-ACE)이며, 다른 하나는 영국기상청과의 협력을 통해 공동 활용하는 기후모델(UKESM)입니다. 이 둘은 영국기상청의 대기모델을 사용한다는 공통점이 있으나, 해양모델은 각기 다른 모델을 사용하는 점에서 차이가 있습니다.

기후 시나리오의 개발과 활용

기후변화 예측을 위해 과학자들은 다양한 시나리오를 개발하여 활용합니다. 대표적으로 RCP(Representative Concentration Pathways)와 SSP(Shared Socioeconomic Pathways) 시나리오가 있습니다. 이러한 시나리오들은 미래의 온실가스 배출량에 따른 기후변화를 예측하는 데 사용됩니다.

미래 기후변화 전망정보 산출을 위해 기본적으로 1860년의 온실가스 농도로 고정하여 200년과 400년 적분하는 제어적분 실험을 수행하고, 1860년부터 2005년까지 관측된 자연과 인위적인 강제력에 대한 과거기후 모의실험 후 시나리오에 따라 2100년까지 미래 기후변화를 전망합니다.

기후 모델의 발전과 현재 상태

기후 모델의 발전 역사

지난 수십 년 동안 기후 모델은 지속적으로 발전해 왔습니다. IPCC 3차 평가보고서(TAR) 이후로 모델을 이용한 미래 기후 예측에 대한 신뢰도는 여러 분야의 연구 진척과 더불어 향상되었습니다. 특히 모델의 해상도 증가와 물리적 과정의 개선을 통해 더욱 정밀한 예측이 가능해졌습니다.

그러나 기후 모델링의 역사는 상당히 깊어, 컴퓨터는 1960년대 이후로 많은 발전을 거듭해 왔음에도 많은 부분들이 처음 개발 당시의 기후 모델에 맞춰져 있다는 지적도 있습니다.

국제 협력과 모델 상호비교 프로젝트

기후 모델의 발전에는 국제적인 협력이 중요한 역할을 해왔습니다. 특히 CMIP(Coupled Model Intercomparison Project)와 같은 국제 프로젝트는 다양한 기후 모델을 비교하고 평가하는 데 중요한 역할을 합니다.

CMIP6(Coupled Model Intercomparison Project Phase 6)는 최신 모델 상호비교 프로젝트로, 여러 기후 모델의 성능을 평가하고 미래 기후 변화 예측에 활용됩니다. 이러한 프로젝트는 IPCC 평가보고서 작성에도 중요한 기여를 합니다.

다중모델 앙상블 접근법

기후 예측의 정확도를 높이기 위해 과학자들은 다중모델 앙상블(MME, Multi-Model Ensemble) 기법을 활용합니다. 이는 여러 기후 모델의 예측 결과를 통합하여 불확실성을 줄이는 방법입니다.

APEC기후센터는 다중모델 앙상블 기법을 사용하여 신뢰성 있는 3개월~6개월 기후예측 정보를 생산하여 서비스하고 있습니다. 이를 위해 전세계 11개국 16개 기관에서 매월 기후예측 모델 자료를 APEC기후센터로 보내주고 있으며, 수집한 자료의 계통적 오차를 모델 간 앙상블 기법을 통해 보정하여 고품질의 기후정보를 생산합니다.

AI와 기후 모델링의 융합

인공지능 기반 기후 모델의 등장

최근 인공지능(AI)과 머신러닝 기술을 기후 모델링에 접목하는 연구가 활발히 진행되고 있습니다. 인공지능의 예측 능력을 새로운 기후 모델에 적용하면 기존의 모델에 비해 불확실성을 절반 수준으로 줄일 수 있다는 연구 결과가 있습니다.

미국 콜로라도주립대 연구팀은 AI 기반 전이 학습(transfer learning) 기법으로 10개 지구 기후 모델의 데이터를 분석해 지역 온난화 임곗값이 이전 예상보다 더 빨리 도달할 가능성이 크다는 결론을 얻었습니다. 이처럼 AI는 기후 예측의 정확도를 높이는 데 중요한 역할을 하고 있습니다.

구글의 뉴럴GCM 모델

구글 리서치는 머신러닝과 기존 기후 모델을 결합해 정확한 날씨 예측과 기후 시뮬레이션을 함께 수행할 수 있는 새로운 '뉴럴GCM(NeuralGCM)' 모델을 개발했습니다. 이 모델은 전통적인 기상 예측 모델이나 순수 AI 모델보다 정확도 및 에너지 효율 면에서 우수함을 입증했습니다.

뉴럴GCM은 단기 날씨 예측(1~3일)에서 순수 머신러닝 모델과 유사한 수준의 정확도를 달성하는 한편, 7일 이상 중기 날씨 예측에서 결정론적 모델들보다 낮은 오차를 보였고 40년 동안의 장기 기후 시뮬레이션을 안정적으로 수행했습니다. 또한 기존 GCM보다 8~40배 낮은 해상도로 유사한 성능을 달성해 계산 자원을 103~105배 절약할 수 있다는 장점이 있습니다.

딥러닝 기반 강수 예측 향상 연구

APCC(아시아·태평양경제협력체 기후센터)는 딥러닝 기술을 활용한 계절내 강수 예측 정확도 향상 연구를 발표했습니다. 이 연구는 기후예측의 정확도를 높이는 새로운 접근법을 제시하고 있으며, 특히 딥러닝 기술을 활용한 후처리 기법이 강수 예측에 중요한 역할을 한다고 밝혔습니다.

연구 결과, 딥러닝 후처리를 통해 2주에서 4주 동안의 강수 예측 신뢰성을 크게 향상시킬 수 있었습니다. 이로 인해 동아시아 각 지역별로 예측 성능이 뛰어난 특정 기후 예측 모델을 선택하여 보다 신뢰성 있는 기후 예측을 생산할 수 있게 되었습니다.

기후 모델의 정확성과 한계

기후 모델의 신뢰성 평가

기후모델에는 불확실성이 있지만, 성공적으로 과거를 재현하며 나중에 관측으로 확인되어 온 예측을 한다는 점에서 신뢰성을 가집니다. James Risbey의 Nature Climate Change 논문(2014)은 기후 모델의 온도 예측이 자연적 주기로 생기는 노이즈를 이겨내면서 얼마나 정확한지를 평가했는데, 그 결과 자연적 변동성의 국면이 고려될 때 CIMP5 예상 모델의 15년간의 온난화 경향은 지난 반 세기에 걸친 모든 15년 주기의 관측된 경향을 잘 추정한다는 결론을 얻었습니다.

불확실성과 개선 노력

기후모델이 CO2로 인한 영향을 과장하는 쪽으로 편향되었다는 건 흔한 오해입니다. 불확실성은 양쪽으로 치우칠 수 있음을 인식할 필요가 있습니다. 실제로 과거 많은 IPCC 예측은 나중에 기후 반응을 너무 적게 추산해온 것으로 드러났습니다.

KAIST 김형준 교수 연구팀은 국제 공동 연구를 통해 21세기 후반의 전 지구 강수량변화에 대한 기후모델의 예측 불확실성을 줄이는데 처음으로 성공했습니다. 중간 정도의 온실가스 배출 시나리오에서 67개의 기후모델이 19세기 후반부터 21세기 후반에 강수량이 1.9-6.2% 증가한다고 예측했으나, 각 기후모델의 온실가스에 대한 기후 응답 신뢰성을 고려함으로써 강수량증가의 예측 폭의 상한(6.2%)을 5.2-5.7%까지 감소시키고 예측의 분산 또한 8-30% 줄이는 것이 가능했습니다.

모델링의 주요 도전 과제

기후 과학에서 가장 불확실한 부분이 많이 남아 있는 영역은 구름과 에어로솔(대기 중에 부유하는 미세입자)입니다. 구름은 위치한 높이에 따라 역할이 달라지며, 주로 어떤 것으로 구성되느냐에 따라 에너지를 더 가둘 수도 반대로 더 반사할 수도 있습니다.

또한, 평형기후민감도(ECS)를 정확하게 측정하는 것도 큰 도전 과제입니다. 연구 저자에 따르면 ECS를 추정하는 데 필요한 제한된 데이터와 상대적으로 짧은 시뮬레이션은 장기 온난화를 상당히 과소평가하게 될 위험이 있습니다. 이는 일반적으로 사용되는 방법이 기후 반응이 선형이라고 가정하기 때문인데, 실제로 기후 반응은 비선형적일 수 있으며 때로는 큰 변화 직후에 바로 나타날 수도, 오랜 시간이 지난 후에야 분명해지기도 합니다.

미래 기후 변화 예측과 시나리오

온난화 진행 속도와 임계점

최근 AI 기반 연구 결과에 따르면, 세계 기온 상승폭이 2040년 이전에 파리기후변화협약 제한선인 1.5°C를 넘는 등 기존 예상보다 훨씬 빠르게 오를 것으로 전망됩니다. 특히 34개 지역 중 31개 지역은 2040년까지 상승 폭이 2.0°C도 초과할 것으로 예측됐으며, 26개 지역은 2060년까지 3.0°C 이상 기온이 치솟을 것으로 분석됐습니다.

인공지능을 활용한 또 다른 연구에서는 온실가스 배출량을 현격히 낮추더라도 2030년대 초반 지구 온도가 산업화 이전보다 1.5도 이상 상승할 것으로 예측했으며, '2도의 세계'가 시작되는 연도는 2049~54년으로 예측됐습니다.

장기적 기후변화 영향 예측

영국과 캐나다 공동연구진이 기후위기가 미칠 영향의 기간을 2500년까지 대폭 늘려 잡은 예측 결과를 발표했습니다. 이에 따르면 저강도 감축 경로에선 2100년 평균 기온이 지금보다 2.2도 높아지고, 이후에도 2200년 3.6도, 2500년 4.6도로 상승세가 계속됩니다.

장기적 기후변화는 생태계와 식량 생산에도 큰 영향을 미칠 것으로 예측됩니다. 저강도 감축의 경우 2100~2500년 사이에 작물 수확량이 열대작물은 2분의1, 온대작물은 6분의1로 감소할 것으로 예측됐습니다. 또한 열대지역은 습구온도 기준으로 인간이 살 수 없는 지역(습구온도 35도 이상 6시간 지속)이 될 수 있습니다.

기후변화 대응 전략의 효과

2030년까지 기후위기 대응의 결정적 시기인 약 10년(critical decade) 동안 온실가스 순배출 감소를 위해 가장 큰 기여를 할 수 있는 수단은 태양광, 풍력 에너지, 삼림 및 기타 자연 생태계의 보존과 복원, 기후 친화적 농업 및 먹거리 그리고 에너지 효율 개선입니다.

고강도 감축 시나리오를 밟을 경우, 지구 평균 기온 상승 폭은 2500년까지 파리기후변화협정 목표인 2도 이내를 유지할 수 있으며, 온대작물 수확량은 3% 감소에 그치고 열대작물은 3% 늘어날 것이란 예측이 나왔습니다. 이는 적극적인 기후변화 대응이 장기적으로 큰 차이를 만들 수 있음을 보여줍니다.

결론

기후 변화 모델링과 예측은 지난 수십 년간 크게 발전해 왔으며, 현재 전례 없는 변화를 경험하고 있습니다. 인공지능과 머신러닝 기술의 발전은 기후 모델의 정확도와 효율성을 획기적으로 향상시키고 있으며, 이는 기후 변화에 대한 우리의 이해와 대응 방안을 마련하는 데 큰 도움이 되고 있습니다.

그러나 모든 모델에는 한계와 불확실성이 존재하며, 특히 구름과 에어로졸과 같은 복잡한 기후 구성요소의 모델링에는 여전히 큰 도전이 있습니다. 또한 현재의 모델들은 장기적인 기후 변화를 다소 과소평가할 가능성도 있습니다.

최신 예측 결과들은 온실가스 배출을 적극적으로 감축하지 않을 경우, 지구 온도가 예상보다 빠르게 상승하여 2030년대 초반에 이미 1.5도를 넘어설 것임을 보여줍니다. 장기적으로는 인간의 거주 가능성과 식량 안보에 심각한 위협이 될 수 있습니다.

따라서 기후 변화 모델링과 예측 기술의 지속적인 발전과 함께, 이러한 예측 결과를 기반으로 한 신속하고 효과적인 기후변화 대응 정책이 시급히 요구됩니다. 특히 국제 사회의 협력을 통한 공동 대응이 어느 때보다 중요한 시점입니다.