미래 기후 변화에 대한 우리의 지식은 복잡한 컴퓨터 시뮬레이션 모델에 크게 의존합니다. 이 모델은 수십 개의 과학 하위 분야의 지식을 나타내는 백만 줄이 넘는 컴퓨터 코드로 구성되어 있으며, 어떤 과학자도 모델의 내부 작동 방식을 완전히 이해하지 못합니다.
더욱이 기후 과학자들은 단 하나의 모델에만 집중하는 대신, 다양한 기후 모델 상호 비교 프로젝트를 통해 수십 개 이상의 모델을 개발하고 비교합니다. 기회는 늘어나지만, 그만큼 복잡성도 커집니다. 과학철학자로서 저는 모델 비교를 통해 과학자들이 복잡성과 불확실성의 얽힘 속에서 진정한 통찰력을 이끌어내는 방식에 매료됩니다.
기후 모델러인 리키 루드가 쓴 Eye on the Storm의 최근 게시물 에서 영감을 받아 , 하나의 목적을 위해 설계된 모델이 종종 예상치 못한 방식으로 통찰력을 얻게 되는 이유를 생각해 보았습니다.
기후 과학자들은 통계학자 조지 박스의 말을 인용하며 "모든 모델은 틀렸지만 일부는 유용하다"라고 자주 주장합니다. 하지만 "틀렸다"는 것은 정확히 무엇을 의미하는가? 한편으로는 기후 모델을 포함한 모든 과학 모델에 포함된 이상화와 추상화와 관련이 있을 수 있습니다.
- 이상화는 진실에 근접하는 것을 포함합니다. 예를 들어, 기후 모델은 구름 미시물리학을 매개변수화합니다. 즉, 이러한 과정을 명시적으로 표현하지 않고도 구름 형성 및 기타 과정의 대규모 효과를 나타냅니다.
- 추상화는 프로세스나 기능을 완전히 생략하는 것과 더 관련이 있습니다. 예를 들어, 오늘날의 많은 기후 모델은 갈색 탄소 에어로졸 의 표현을 생략합니다 (하지만 다른 유형의 에어로졸은 표현합니다).
따라서 "모든 모델은 틀렸다"는 말은 모든 모델에 어느 정도 이상화나 추상화가 포함되어 있다는 것을 의미할 수 있습니다. Box가 말했듯이, 그러한 이상화와 추상화를 활용하는 모델은 여전히 유리할 수 있습니다. 실제로, 수많은 현실 세계의 과정을 배제한 고도로 이상화된 모델은 모든 바람과 빗방울 하나하나를 포착하려는 모델보다 훨씬 이해하기 쉬울 것입니다.
반면에 기후 모델은 과거, 현재, 그리고 잠재적인 미래 기후에 대해 부정확한 결과를 제공한다는 점에서 틀릴 수 있습니다. 즉, 기후 모델은 잘못된 답을 제공할 수 있습니다.
과거와 현재 기후 사례에서 이를 가장 쉽게 확인할 수 있는데, 모델 결과를 관측치와 비교할 수 있습니다. 이러한 비교는 평균, 변동성, 그리고 기온, 강수량, 기압, 그리고 기타 관심 있는 기후 현상과 같은 관측치의 추세를 포함하는 매우 다양한 기후 변수에 대해 수행될 수 있습니다.
가장 큰 과제는 기후 모델 성능 분석 결과가 다소 엇갈린다는 것입니다. 어떤 모델은 특정 변수에 대해 더 나은 성능을 보이는 반면, 다른 모델은 다른 변수에 대해 탁월한 성능을 보입니다. 예를 들어, 2010년대 지구 평균 표면 온도를 가장 잘 모의하는 모델과 지난 30년간 북극 해빙 감소율을 가장 잘 모의하는 모델을 기준으로 순위를 매겨 보면, 서로 다른 모델이 더 나은 결과를 보일 가능성이 높습니다.
두 번째 아이디어를 제대로 이해하기 위해, "모든 모델은 틀렸다"는 말은 모든 모델이 적어도 어느 정도 부정확한 결과를 산출한다는 것을 의미할 수 있습니다. 이러한 부정확한 모델이 어떻게 유용할 수 있을까요? 여기서는 이야기가 그렇게 단순하지 않습니다.
한 가지 답은 모델이 목적에 적합 하다는 점을 강조하는 것입니다 . 루드(Rood)가 말했듯이, 모델은 "특정 적용 분야에 맞게 설계, 구축, 평가"되어야 합니다. 학생들에게 지구 에너지 균형의 기본 원리를 가르치는 것이 목표라면, 손으로 풀 수 있는 간단한 모델이 가장 적합할 수 있습니다. 배출량 감축 속도가 느리거나 아예 없다는 가정 하에 세기말의 지구 평균 기후를 예측하는 것이 목표라면, 최첨단 일반 순환 모델들이 더 적합할 것입니다.
모델을 "목적에 적합하게" 만드는 데 있어 한 가지 과제는 일부 우선순위는 명확하지만, 더 세부적인 결정들은 그렇지 않을 수 있다는 것입니다. 예를 들어, 모델의 구름 표현을 업데이트하여 구름 피드백을 더 잘 포착하고 이산화탄소 변화에 따른 온도 변화를 시뮬레이션하는 모델의 성능을 향상시키는 것이 타당해 보일 수 있지만, 이를 실제로 적용한 한 모델링 그룹은 그러한 온도 변화를 시뮬레이션하는 데 정확도 가 떨어지는 모델을 얻었습니다 .
그들은 모델의 정확도가 떨어진 이유를 진단할 수 있었지만, 이는 사후에, 그리고 수개월에 걸쳐 반복적인 테스트와 분석을 통해서만 가능했습니다. 더 현실적인 모델은 종종 더 복잡하며, 더 복잡한 모델은 과학자들이 머릿속에서 추적할 수 있는 것보다 더 많은 상호작용, 피드백, 그리고 새로운 행동을 수반합니다. 따라서 모델이 개발되고 테스트되기 전에 최종적으로 어떤 목적에 적합한지 판단하는 것은 상당히 어려운 작업입니다. (모델 제작자와 모델 사용자는 종종 서로 다른 집단으로 구분되어 있으며, 모델 제작자는 다른 사람들이 자신의 모델을 어떻게 사용할지 예측할 수 없다는 사실은 말할 것도 없습니다.)
두 번째 과제는 어떤 목적에 부적합하다고 판단된 모델이 다른 (때로는 관련된) 목적에 사용될 수 있다는 것입니다. 이러한 경우, 단순히 모델을 "목적에 부적합하다"고 판단하는 것은 너무 성급한 판단일 수 있습니다. 오히려 부정확하거나, 부적합하거나, "잘못된" 모델이 종종 용도 변경되어 궁극적으로 새로운 지식 생성에 필수적인 역할을 할 수 있습니다. 이것이 어떻게 작동하는지 살펴보겠습니다.
2020년 연구에서 카타르지나 토카르스카(Katarzyna Tokarska)와 동료들은 '과도 기후 반응(transient climate response)'이라는 개념에 대한 모델 기반 추정치를 도출했습니다. 과도 기후 반응(transient climate response, TCR)은 이산화탄소 농도가 일정 기간 동안 점진적으로 증가한 후 두 배로 증가했을 때 지구 온도가 얼마나 상승하는지를 나타내는 기후 민감도 척도입니다. 연구팀은 기후 변화에 관한 정부간 협의체(IPCC)의 지원을 받아 개발된 최신 종합 모델인 CMIP6를 사용하여 최근 온난화에 대한 모델 시뮬레이션과 잠재적인 미래 온난화에 대한 모델 시뮬레이션을 분석했습니다.
일부 CMIP6 모델은 최근 온난화를 모의하는 데 상대적으로 부실했습니다. 이러한 모델을 '너무 뜨거운 모델'이라고 부르겠습니다. 너무 뜨거운 모델은 분명히 중요한 오류를 범하고 있으며, 이러한 이유로 정당한 비판을 받아 왔습니다 . 그러나 과학자들은 아직 밝혀지지 않은 방식으로 편향되거나 대표성이 부족한 것으로 판명될 경우를 대비하여 소수의 모델에만 의존하고 싶어 하지 않습니다. 말하자면, 숫자가 많을수록 힘이 있습니다.
그래서 연구팀은 너무 높은 온도의 모델을 폐기하는 대신, 핵심적인 역할을 하도록 재설계했습니다. 이 모델들을 다른 모델들과 나란히 배치해 본 결과, 명확한 패턴이 드러났습니다. 모델이 최근 수십 년간 더 높은 온난화를 보일수록 TCR 추정치도 더 높아졌습니다.
이 패턴은 과학자들에게 두 가지 사실을 알려주었습니다. 첫째, 전체 모델 앙상블은 과거와 잠재적 미래 온난화 사이의 중요한 관계를 잘 포착하고 있었습니다. 둘째, 과학자들은 관측된 역사적 온난화와 일치하고 그 패턴을 따르는 모델에 집중하여 TCR 추정치를 업데이트할 수 있었습니다. 그 결과, 낮은 신뢰도로 넓은 TCR 범위를 제시하는 대신, 더 좁고 견고한 추정치를 도출하여 모델 기반 범위의 상한선을 거의 1°C 낮췄습니다. 과열된 모델은 최종 추정치에 직접적으로 사용되지는 않았지만, 중요한 역할을 했습니다. 패턴을 확립하는 데 기여했고, 전체적으로 기후 모델이 잘 작동하고 있음을 보여주었습니다. ( 자세한 내용은 여기를 참조하세요.)
이 사례는 기후 모델링의 일반적인 패턴을 반영합니다. 2005년, 벤 샌터(Ben Santer)와 동료들은 두 변수(지표 온도 변동성과 대류권 하부 온도 변동성)를 개별적으로는 제대로 시뮬레이션하지 못했던 기후 모델들이, 두 변수 간의 관계를 전체적으로는 잘 표현했다는 분석을 발표했습니다. 이러한 "잘못된" 모델들은 논란의 여지가 있는 일부 위성 데이터를 폐기할 만큼 충분한 증거를 제공했습니다. 최근에는 특정 목적에서 다른 모델보다 성능이 떨어지는 모델들이 모델 가중치 프레임워크 에서 "더 나은" 모델을 위한 테스트 베드 데이터를 제공하는 데 사용될 수 있습니다 .
이런 식으로 기후 모델링 연구는 전직 옵션 트레이더 나심 탈레브가 "반취약성 "이라고 부르는 것을 잘 보여줍니다. 탈레브의 생각은 (직업, 사업, 투자, 주택, 연구 프로젝트 등) 무엇이든 실수 , 실패, 또는 예상치 못한 혼란으로부터 이익을 얻을 수 있도록 설정하는 것이 좋다는 것입니다 . 취약한 것은 특정 혼란으로 인해 무너질 것이고, 반취약한 것은 그 혼란으로 인해 번영할 것입니다.
탈레브는 "당신은 불이 되어 바람을 바라야 합니다."라고 말합니다.
돌풍은 촛불을 끌 수 있지만, 산소를 함유한 공기는 산불의 위력을 증폭시킵니다. 산불의 주역이 되는 것이 최선입니다.
따라서 기후 모델링은 중요한 의미에서 산불과 같을지도 모릅니다. 모델의 성능이 좋지 않다는 것을 발견하는 것은 일종의 실패이지만, 모델링 커뮤니티는 이러한 실패 를 통해 교훈을 얻 도록 구조화되어 있습니다 . 북극 해빙 추세 시뮬레이션이든 과도기 기후 반응 시뮬레이션이든, 이러한 실패가 유용성의 끝을 의미하는 것은 아닙니다.
오히려, 앞서 살펴본 바와 같이 과학자들은 모델의 불완전성에도 불구하고 새로운 지식을 창출하기 위해 모델을 재활용할 수 있습니다. 이러한 활동을 실용적인 해결책으로 보고 싶어 할 수도 있습니다. 하지만 결함이 있는 모델이 부가하는 가치는 기후 모델링에서 지식이 어떻게 성장하는지에 대한 더 깊은 의미를 드러낸다고 생각합니다. 모델 자체는 오류가 있을 때에도 여러 견고한 관계를 포착합니다. 비교, 반복, 그리고 비판적 해석을 통해 과학자들은 단순히 불완전 성에도 불구하고가 아니라 , 불완전성 덕분에 발전할 수 있습니다 .
