수십 년 동안 과학자들은 지구 기후를 시뮬레이션해 왔고, 지구 평균 기온 상승을 잘 반영해 왔습니다. 이제 우리는 온난화되는 기후에 적응해야 할 필요성을 인식해야 하며, 도시 기반 시설 개선, 해안 방어 시설 설계 등 현장에서 작업하는 사람들이 최신 시뮬레이션을 활용할 수 있도록 하기 위해서는 아직 많은 노력이 필요합니다. 

초기 모델은 고급 시뮬레이션을 위한 무대를 마련했습니다. 

연구자들은 1950년대에 처음으로 컴퓨터를 사용하여 지구 대기를 시뮬레이션하기 시작했습니다. 1970년대에 개발된 지구 기후 모델은 예측을 위해 특별히 개발된 것은 아니지만, 지구 온난화 예측에서 놀라운 정확도를 보였습니다. 

버클리 어스의 연구 과학자인 제이크 하우스파더는 예일 기후 연결과의 인터뷰에서 "초기 모델 중 상당수는 발표된 후 몇 년 뒤에 실제 세계에서 실제로 무슨 일이 일어날지 예측하는 측면에서 매우 선견지명이 있는 것으로 판명되었습니다."  라고 말했습니다 .

하우스파더는  2020년에  이러한 초기 모델을 평가하는 연구를 진행했습니다. 그는 "우리가 살펴본 17개 모델 중 14개가 거의 완벽하게 일치했습니다."라고 말했습니다. 

시간이 지남에 따라 지구 기후 모델링 역량은 2100년을 중심으로, 그리고 온실가스 배출량 감축 정책 연구에 집중하는 방향으로 발전했습니다. 이러한 시뮬레이션의 대부분은 기후 시뮬레이션의 주요 데이터베이스인 매우 성공적인  결합 모델 상호 비교 프로젝트(CMIP) 의 일부입니다 . CMIP는 1990년대 중반부터 기후 변화에 관한 정부간 협의체(IPCC)의 평가에 사용되는 일련의 모델 기반 실험을 조정해 왔습니다.

실제 문제를 다룰 때, 저와 같은 과학자들은 종종 CMIP 모델과 저장된 시뮬레이션으로 시작합니다. CMIP 데이터베이스는 풍부한 정보를 제공하며, 모델에 대한 충분한 전문 지식과 지식을 바탕으로 다양한 응용 분야에 활용 가능한 지식을 추출할 수 있습니다. 이러한 심층 분석을 통해 적응, 지구공학, 기후 티핑 포인트와 같은 문제를 해결하기 위한 CMIP 모델 및 시뮬레이션 설계의 한계점도 드러납니다.

이 시리즈는 이러한 중요한 응용 분야에 대한 모델과 시뮬레이션을 제공하기 위한 새로운 전략 수립에 중점을 둡니다. 이를 위해서는 기후 모델링에 대한 전통적인 접근 방식뿐만 아니라, 날씨, 특히 극한 기상 현상의 변화를 통해 기후를 "느낀다"는 사실을 인식해야 합니다. 따라서 날씨 모델링과 기후 모델링 접근 방식을 더욱 효과적으로 통합하는 전략이 필요합니다.

첫 번째 논문은 더욱 가변적이고 온난화되는 기후에 적응하는 데 중점을 둡니다. 적응은 현재 모델링 역량의 한계를 드러내고 새로운 접근법의 필요성을 강조하는 활용 사례를 제공합니다. 향후 논문에서는 적응 이외의 응용 분야를 조명하고, 모델 기반 지식 활용의 장벽을 설명하며, 온난화로 인해 점점 더 명확해지는 위협에 대처하기 위해 필요한 기후 모델링 접근법의 변화를 설명합니다.

모델이 할 수 있는 일과 할 수 없는 일 

모델 기반 과학의 기본 원칙은 모델이 다음과 같아야 한다는 것입니다. 목적에 적합다시 말해, 특정 용도에 맞춰 설계, 제작, 평가된다는 뜻  입니다  . 많은 경우, 우리는 이 원칙을 제대로 이해하지 못했습니다.

모델은 과학 실험에 깊이 뿌리내리고 있습니다. 과학자들은 모델을 필수적인 도구로 여기고, 우리는 모델이 과정의 일부라는 사실을 잊어버립니다. 모델의 숫자와 패턴에 정당한 근거보다 더 많은 현실성을 부여하기 쉽습니다. 대중 매체에서 모델은 사실에 기반한 기대라는 인상을 주는 경우가 많습니다.

모델의 주요 역할은 조사를 용이하게 하고, 불확실성을 설명하며, 추론에 기여하는 것입니다. 모델은 관찰 결과를 체계화하고, 과정을 분리하고 설명하는 데 도움을 주며, 미래에 대한 지침을 제공합니다.

적응 작업에 좋은 모델이 필요한 이유

적응과 관련하여, 우리는 이미 건설과 재건, 농업, 그리고 생태계에 대한 결정을 내리고 있습니다. 오늘 우리가 내리는 결정은 30년에서 50년 후의 기후에 적용될 것이며, 그 역할을 할 것으로 예상됩니다. 미래의 기후는 더 따뜻해질 것이며, 이산화탄소와 메탄 배출량을 줄이기 위한 배출 저감 조치가 없다면, 여전히 온난화될 것입니다.

1970년대 이후 기후 모델은 엄청난 복잡성을 포함하고 최대 규모의 컴퓨터를 필요로 하도록 발전해 왔습니다. 이 모델은 처음에는 지구 기후의 본질적인 물리 법칙에 중요한 과정들을 탐구하는 데 사용되었으며, 주된 목표는 이러한 시스템의 작동 방식을 이해하는 것이었습니다. 모델의 복잡성이 증가함에 따라, 과거와 현재 기후에 대한 평가와 향후 100년 동안의 예측을 뒷받침하기 위해 CMIP 설계를 기반으로 개발 결정이 이루어지는 경우가 많습니다. 100년 전망은 다양한 정책 개입과 경제 개발 시나리오를 탐구합니다.

적응 계획에 CMIP 시뮬레이션을 활용하는 것은 본래 목표를 재차 적용하는 것입니다. 따라서 목적 적합성 평가는 적응 계획 수립의 올바른 첫 단계입니다.

북미 오대호 지역의 기후 적응을 활용 사례로 삼아, 현재 사용 가능한 시뮬레이션의 세 가지 단점을 발견했습니다. 첫째는 물류 문제입니다. 널리 무료로 제공되지만, 아카이브를 다루는 복잡성은 압도적일 수 있습니다.

두 번째는 관측치와 비교하여 시뮬레이션을 평가하는 방식입니다. 상당한 오차가 존재하며, 이는 종종 편향으로 나타납니다. 시뮬레이션을 관측치에 맞추기 위한 편향 조정은 가능하지만, 이러한 조정은 특정 결과에 대한 우리의 확신을 과장하는 데 기여할 가능성이 높습니다.

특징 기반 관점에서, 모델 평가는 기상 현상이 매우 다양한 충실도로 표현됨을 보여줍니다. 예를 들어, 겨울철 사이클론은 여름철 대류 시스템보다 더 잘 표현됩니다. 날씨는 우리가 기후를 느끼는 방식 중 하나이므로, 날씨 특징을 표현하는 것은 적응에 중요합니다. 지방 공무원들은 날씨 관련 재해와 취약성으로 인해 적응에 대해 생각하게 되는 경우가 많습니다.

세 번째는 구조적인 측면입니다. 오대호 지역을 확대해 보면 쉽게 알 수 있습니다. 모델이 호수를 나타내는지, 그리고 만약 그렇다면 호수의 행동을 어떻게 나타내는지 궁금합니다. 예를 들어, 모델에 호수 얼음을 형성하고 녹이는 능력이 포함되어 있는지 궁금합니다.

" 기후 모델 내 대형 호수: CMIP5 활용성에 대한 대호 사례 연구 " 라는 제목의 논문에서는 대호의 존재 여부를 판단하는 다년간의 과정을 자세히 설명합니다. 이 논문은 대부분의 모델이 지역 기후에 미치는 호수의 영향을 제대로 반영하지 못한다는 점을 발견했습니다. 급격한 온난화와 적응 결정의 시급성이 대두되는 이 시기에, 이러한 근본적인 간극을 드러내는 다년간의 연구는 적응을 위한 모델 지침을 제공할 새로운 전략을 모색할 수밖에 없게 합니다.

저는 이러한 몇 가지 문제를 종합적으로 다룹니다. 현재 기후 모델에서 호수를 표현하는 방식은 세계 기후 체계에 미치는 미미한 영향을 설명하기에 충분할 수 있습니다. 그러나 호수 효과 강수량과 그 변화 양상이 제대로 표현되지 않는다면, 뉴욕주 버펄로에서 적응 문제를 연구하는 전문가에게는 아무런 도움이 되지 않습니다. 호수 효과 강설을 설명할 수 없는 모델은 시장과의 신뢰도 경쟁에서 승리할 수 없습니다.

마찬가지로, 우리는 오대호 지역의 기온이 어떻게 변할 것인지 잘 알고 있습니다. 강수량 변동성을 높이는 데 대한 확실한 지침도 있습니다. 시뮬레이션 결과에 따르면, 점점 더 강해지는 폭우에 대응할 수 있도록 우수 하수관이 확장되어야 합니다. 하지만 이러한 하수관의 크기와   필요 시점은 여전히 ​​매우 불확실합니다.

강수량, 증발량, 유출량의 누적 효과에 따라 달라지는 호수 수위 상승 및 하강과 같은 문제의 경우, 호수 수자원 예산을 계산하는 데 필요한 계절 및 연간 기간에 걸쳐 강수량, 증발량, 유출량을 합산하면 편향 오차가 누적되어 예산 계산의 각 부분에서 100%를 초과합니다. 이러한 편향은 의사 결정에 있어 변호할 수 없으며, 불확실성을 해석하고 설명하기 위해서는 전문가의 지도가 필요합니다.

남동부 지역에서도 비슷한 상황이 전개되고 있습니다. 해안 도시들은 해수면 상승과 더 강력한 허리케인에 적응하기 위해 노력하고 있습니다. 지구 기후 모델에서 해안선과 해안 과정을 자세히 묘사하는 것은 필수적이지 않습니다. 하지만 해안 방어와 해안 방어 기간 결정의 핵심은 바로 이러한 요소들입니다. 

고해상도 지역 모델은 지역성 문제를 해결하는 도구를 제공합니다. 그러나 지역 모델은 시뮬레이션 대상 지역의 경계를 정의하기 위해 고품질의 전역 모델에 의존합니다. 지역 모델은 전역 모델의 기후 매개변수 설명뿐만 아니라 전역 모델의 체계적인 오차까지 상속합니다.

우리는 환경 안보를 개선하기 위한 결정을 내려야 할 홍수, 가뭄, 화재, 수자원 등 수많은 사례를 파악할 수 있습니다. 이러한 사례들을 파악하려면 극심한 기상 현상의 즉각적인 결과뿐만 아니라 더위, 물 부족, 그리고 물 부족이 누적하는 영향에 대한 지식이 필요합니다. 기후가 얼마나 빠르게 온난화되고 우리가 직면한 문제의 심각성을 고려할 때, 모델이 목적에 적합한지 여부를 판단하는 데 수년이 걸리는 것은 불충분하고 용납할 수 없습니다. 

더 나은 방법에 대한 필요성

현재의 지식과 자원을 활용하여  현재 관측되는 온난화를 설명  하고  적응 문제를 해결하는 해답을 개발할 수 있습니다 . 그러나 이러한 문제에 답하기 위해 극복해야 할 장벽은 매우 큽니다. 물류적 장벽을 해결하는 것은 개념적으로는 간단합니다. 그러나 구조적 장벽과 목적 적합성 평가 결과는 서로 조화시키기 어려운 결과를 초래할 가능성이 높습니다.

특히 우리의 결정이 현실 세계에 미치는 결과를 고려할 때 더욱 그렇습니다. 우리는 청중들에게 평가와 불확실성에 대한 설명에 과학적 증거가 충분히 근거하고 있음을 확신시켜야 합니다. 미래 기후에 대한 우리의 추정 ​​지식을 과장해서는 안 되지만, 동시에 우리가 직면한 취약성과 위험을 과소평가해서는 안 된다는 어려운 윤리적 의무가 있습니다.

커뮤니티로서 우리는  현재 상황이 부족하다는 것을 알고 있습니다 . 모델을 활용하는 더 나은 방법과 모델의 근본적인 개선이 필요하다는 것을 알고 있습니다.

이러한 요구에 대한 자연스러운 대응은 기존 방식을 유지하면서도 CMIP 프로토콜의 애플리케이션을 더욱 효과적으로 수용하는 것입니다. 직관적인 접근 방식은 더 복잡하고, 포괄적이며, "지구와 유사한" 모델을 개발하는 것입니다. 우리의 모델링 전략은 종종  대형 컴퓨터의 확보와 활용을 중심으로 이루어집니다 .

이러한 제안들이 더욱 견고한 모델링 전략의 일부일 수는 있겠지만, 전략의 일부일 뿐이며, 아마도 가장 시급하고 중요한 부분은 아닐 것입니다. 비용과 복잡성만으로도 이러한 접근 방식의 신뢰성에 의문을 제기할 만큼 엄청난 부담이 됩니다. 20년 동안 가장 크고 포괄적인 모델을 중심으로 조직된 거대한 센터를 요구해 왔지만, 조직적으로나 정치적으로 실행 가능하지 않음이 입증되었습니다.

하지만 더 중요한 것은 다음과 같은 질문입니다. 이러한 접근 방식이 실제로 우리의 응용 프로그램을 더욱 효과적이고 설득력 있게 다룰 수 있을까요? 그 결과로 생성되는 모델이 목적에 적합할까요?

환경 안보에 필수적인 응용 분야는 모델 개발 과정의 상당 부분에서 우선적으로 고려되어야 합니다. 이러한 응용 분야에는 기후 변화의 속도(그리고 그 이유) 분석, 적응, 지구공학, 그리고 전환점의 위험과 결과 등이 포함됩니다. 목적이 없다면, 우리는 평가에 대한 강력한 기준을 가질 수 없습니다. 이러한 기준은 모델에 무엇을 넣을지, 어떻게 넣을지, 그리고 어떻게 사용하고 해석할지에 대한 우리의 무한해 보이는 선택을 제한하는 데 필수적입니다. 

이 글에서는 적응을 활용 사례로 사용했지만, 위에서 설명한 장벽들은 보편적입니다. 일부 장벽은 수년 전부터 알려져 왔으며, 이를 해결하기 위한 실질적인 노력이 있어 왔습니다. 그러나 온난화로 인해 발생하는 수많은 응용 분야에 대한 컴퓨팅 환경 및 데이터 시스템, 시뮬레이션 설계, 모델 포괄성, 그리고 구조적 요구 사항의 증가, 복잡성, 그리고 비용 증가로 인해 이러한 노력은 상쇄되거나 압도당하는 것을 볼 수 있습니다. 

기후 모델링에 대한 보다 전략적인 접근 방식의 많은 특징은 쉽게 나열할 수 있습니다. 사용성을 판단하고 시뮬레이션의 적용 가능성을 확신하는 데 걸리는 시간을 줄여야 합니다. 또한, 목적에 맞춰 설계된 모델과 시뮬레이션을 통해 다양한 문제를 해결하고 불확실성을 설명할 수 있는 유연성이 필요합니다. 머신러닝과 같은 잠재적으로 혁신적인 기술의 역할도 고려해야 합니다. 이 목록은 완전히 개발되어야 합니다. 

실리콘보다 더 복잡한 컴퓨터와 확장 모델에 집중하기보다는, 인간 지능의 혁신적 힘을 바탕으로 확장을 가속화해야 합니다. 표준화되고 평가된 모델과 시뮬레이션은 광범위한 애플리케이션 전문가에게 제공되어야 하며, 이를 통해 확장된 커뮤니티의 전문성, 창의성, 그리고 역량을 활용할 수 있어야 합니다.

리처드 B. (리키) 루드는 미시간 대학교 앤아버 캠퍼스 명예교수입니다. 저자는 본 논문의 이전 버전에 대한 의견을 제시해 주신 국립 대기 연구 센터의 모니카 모리슨 박사와 런던 정치경제대학교의 데이비드 스테인포스 박사께 감사드립니다.