1. 날씨와 기후는 왜 다른 문제인가

먼저 이 비유부터 가자. 진짜 자주 쓰이는 비유인데 그만큼 정확해.

다음에 나올 눈금 하나는 맞추기 거의 불가능해.
근데 10,000번 굴린 평균은? 3.5야. 자신 있게 말할 수 있지.

게다가 누군가 주사위를 조금 깎아서 6이 잘 나오게 만들었다면(=온실가스 증가),
"평균이 3.5보다 올라간다"는 건 개별 눈금을 못 맞춰도 확실하게 예측할 수 있어.

초기값 문제 vs 경계값 문제

좀 더 공학적으로 말하면 이래.

1963년 에드워드 로렌츠가 발견한 혼돈(chaos)은
"초기 조건의 아주 작은 차이가 시간이 지나면 폭발적으로 커진다"는 거였어.
그래서 날씨 예보는 대략 2주가 원리적 한계야.
컴퓨터를 아무리 키워도 못 넘어.

그런데 기후는 그 카오스적 요동의 통계를 다뤄.
지구가 흡수하는 태양에너지와 우주로 내보내는 적외선 사이의 에너지 수지가
온실가스 때문에 틀어지면, 그 결과는 통계적으로 확실하게 나타나거든.

2. 기후 모델의 뼈대: 7개의 방정식

기후 모델의 정체는 놀랍도록 단순해.
19세기에 이미 다 밝혀진 물리 법칙들을 컴퓨터로 푸는 거야.

대기 역학 코어(Dynamical Core)의 지배 방정식

대기를 '회전하는 구 위의 압축성 유체'로 보고 세우는 방정식 묶음이야.

① 운동량 보존 (Navier-Stokes, 회전좌표계)
   ∂u/∂t + (u·∇)u = -(1/ρ)∇p - 2Ω×u + g + F
   → 바람이 왜, 어느 방향으로 부는가

② 질량 보존 (연속 방정식)
   ∂ρ/∂t + ∇·(ρu) = 0
   → 공기는 사라지지도 생기지도 않는다

③ 에너지 보존 (열역학 제1법칙)
   cp·dT/dt - (1/ρ)dp/dt = Q
   → 가열/냉각이 온도를 어떻게 바꾸는가

④ 상태 방정식 (이상기체)
   p = ρRT
   → 압력·밀도·온도의 관계

⑤ 수증기 보존
   ∂q/∂t + ∇·(qu) = E - C
   → 증발과 응결

⑥ 복사 전달 방정식 (Schwarzschild)
   dI/ds = -κρ(I - B(T))
   → 태양빛과 적외선이 대기를 통과하는 방식

⑦ 해양·해빙·육상 각각의 보존식
   → 대기와 열·수분·운동량을 주고받는 짝꿍들

여기서 가장 중요한 건 ⑥번이야.
온실효과가 바로 여기서 튀어나오거든.

온실효과, 오해 없이 이해하기

많은 사람이 "온실가스가 이불처럼 열을 가둔다"고 알고 있는데,
물리적으로 더 정확한 설명은 이래.

지구는 태양으로부터 가시광선을 받아 데워지고,
데워진 만큼 적외선을 우주로 방출해서 균형을 맞춰.

CO₂, CH₄, H₂O 같은 분자들은 대칭이 깨지는 진동 모드를 가져서
특정 파장의 적외선을 흡수하고 다시 방출해.
(참고로 N₂, O₂는 대칭 이원자 분자라 쌍극자 모멘트 변화가 없어서 적외선을 거의 못 흡수해.
대기의 99%가 온실가스가 아닌 이유지.)

CO₂가 늘어나면 어떻게 될까?
대기가 더 불투명해지면서, 지구가 우주로 적외선을 내보내는 '유효 고도'가 올라가.
고도가 높을수록 기온이 낮고(대류권 기온감률 약 6.5℃/km),
차가운 곳에서 방출하면 방출량이 줄어들어(스테판-볼츠만: 복사 ∝ T⁴).

들어오는 에너지 > 나가는 에너지 → 불균형 → 지구가 데워짐 → 다시 균형.
이게 온실효과의 정확한 메커니즘이야.

3. 지구를 상자로 쪼개는 기술: 이산화

문제는 이거야. 위의 방정식들은 연속적인 편미분방정식인데,
컴퓨터는 연속을 모르고 유한한 숫자만 다룰 수 있어.

그래서 지구를 격자(grid)로 쪼개.

수평 해상도: 지구를 몇 칸으로?

연직으로는 보통 30~80개 층으로 나눠.
지표에서 성층권 상부(약 80km)까지, 지표 근처는 촘촘하게.

해양도 마찬가지로 수평 10~100km, 연직 40~75층으로 쪼개.

시간도 쪼갠다: 타임스텝

공간만 쪼개는 게 아니야. 시간도 쪼개.
대기 모델은 보통 타임스텝 5~30분으로 계산해.

왜 이렇게 짧을까? CFL 조건(Courant-Friedrichs-Lewy) 때문이야.

CFL = (u × Δt) / Δx  ≤  1

u  = 유속 (대기 중 음파/제트기류 속도)
Δt = 시간 간격
Δx = 격자 크기

→ 한 타임스텝 동안 정보가 격자 한 칸을 
   넘어 이동하면 계산이 발산(폭주)한다!

이게 기후 모델링의 잔인한 딜레마야.
격자를 절반으로 줄이면, 시간 간격도 절반으로 줄여야 해.

2D면 격자 수 4배 × 타임스텝 2배 = 8배의 계산량.
3D면 격자 수 8배 × 2배 = 16배.

해상도를 100km → 25km로 딱 4배만 올려도
계산량은 수백 배로 폭증한다는 뜻이지.
슈퍼컴퓨터가 필요한 이유가 여기 있어.

4. 격자보다 작은 것들: 파라미터화의 세계

자, 여기가 기후 모델링의 진짜 어려운 부분이야.

격자 한 칸이 50km야. 그런데 적란운 하나의 폭은 1~10km.
난류 소용돌이는 수 미터. 구름 물방울은 수십 마이크로미터.

이것들은 격자 안에 통째로 숨어버려.
이걸 서브그리드 스케일(sub-grid scale) 과정이라고 불러.

그렇다고 무시할 수 있냐? 절대 안 돼.
구름은 지구 에너지 수지를 좌우하는 최대 변수니까.

그래서 '파라미터화(Parameterization)'

해결책은 이거야.
"격자 평균값들로부터, 격자 안에서 일어나는 일의 통계적 효과를 추정하는 공식을 만든다."

예를 들어 적운 대류 파라미터화는 이런 논리로 작동해.

주요 파라미터화 항목들을 보면 이래.

여기서 튜닝 파라미터라는 게 등장해.
파라미터화 공식 안에는 물리 법칙으로 값이 딱 정해지지 않는 계수들이 있거든.
(예: 대류 구름의 유입률(entrainment rate), 강수 전환 임계 반경 등)

"그럼 답 맞추려고 조작하는 거 아냐?"

이 질문 나올 줄 알았어. 정직하게 답해줄게.

기후 모델은 실제로 튜닝을 해. 이건 학계가 공개적으로 인정하고 문서화하는 과정이야.
다만 무엇을 기준으로 튜닝하는지가 핵심이야.

일반적으로 튜닝의 목표는 대기 상단 복사 수지의 전지구 균형(±0.5 W/m² 이내),
구름 복사효과, 강수량 분포 같은 평균 기후 상태야.

반면 20세기 기온 상승 추세나 기후 민감도는 튜닝 목표로 삼지 않는 것이 원칙이야.
그래야 그게 독립적인 검증 지표가 되니까.

실제로 CMIP6 모델들의 기후 민감도는 1.8℃~5.6℃로 제각각 흩어져 있어.
만약 답을 맞추려고 조작했다면 이렇게 넓게 퍼지지 않았겠지.
이 산포 자체가 튜닝이 결론을 강제하지 않는다는 증거야.

5. 피드백: 기후 민감도를 결정하는 증폭기들

CO₂ 2배 → 복사강제력 +3.7 W/m².
이것만으로 온도가 얼마나 오를까?

플랑크 반응(스테판-볼츠만 복원력)만 따지면 약 1.2℃야.
그런데 IPCC가 제시하는 실제 값은 2.5~4.0℃(최적 추정 3.0℃).

차이는 어디서 올까? 바로 피드백이야.

주요 피드백 목록

구름 피드백이 기후 민감도 불확실성의 최대 원인이야.
특히 아열대 해양 위 얕은 층적운(stratocumulus).
이게 온난화로 줄어들면 반사판이 사라져서 추가 온난화가 일어나는데,
이 구름은 두께 수백 미터짜리라 격자에 절대 안 잡혀. 완전히 파라미터화 영역이지.

피드백이 '폭주'하지 않는 이유

양의 피드백이 많은데 왜 지구가 금성처럼 안 되냐고?
수학적으로 이렇게 표현할 수 있어.

ΔT = ΔF / (λ₀ - Σλᵢ)

λ₀  = 플랑크 복원력 (약 3.2 W/m²/K, 항상 음의 되먹임)
Σλᵢ = 피드백 합

피드백 합이 λ₀보다 작으면 → 수렴 (새로운 평형)
피드백 합이 λ₀를 넘으면  → 폭주 온실효과

지구는 현재 Σλᵢ ≈ 1.5 내외로, 
플랑크 복원력이 여전히 우세하다.

T⁴에 비례하는 복사 방출이 강력한 브레이크 역할을 하는 거야.
다만 브레이크가 있어도 도착 지점이 3℃ 위라는 게 문제인 거지.

6. 슈퍼컴퓨터는 이걸 어떻게 감당하나

이제 하드웨어 얘기를 해보자. 환경공학과 HPC(고성능 컴퓨팅)가 만나는 지점이야.

계산량 감 잡기

그래서 기후 모델 한 세트를 돌리는 데 수백만 코어-시간이 들어가.
CMIP6 전체 프로젝트가 생산한 데이터는 수십 페타바이트 규모야.

병렬화: 지구를 나눠서 여러 CPU에게

핵심 기법은 도메인 분할(domain decomposition)이야.

지구 격자를 N개 블록으로 잘라 
각 블록을 서로 다른 프로세서에 할당

각 프로세서는 자기 블록만 계산
→ 하지만 미분 계산에는 '옆 칸' 값이 필요!
→ 블록 경계에 halo(고스트 셀) 영역을 두고
   매 타임스텝마다 MPI로 이웃과 데이터 교환

문제: 프로세서를 늘릴수록
      계산 시간 ↓ 하지만 통신 시간 ↑
      → 어느 지점부터 병렬 효율 급락 (강한 스케일링 한계)

그래서 기후 모델 개발자들은 물리학자이면서 동시에 병렬 프로그래밍 엔지니어야.
최근엔 GPU 가속, 혼합 정밀도 연산(FP64 대신 FP32/FP16 활용),
그리고 머신러닝 기반 파라미터화 대체가 뜨거운 연구 주제지.

격자 설계의 함정: 극지 수렴 문제

재미있는 엔지니어링 이슈 하나 알려줄게.

위도-경도 격자를 그대로 쓰면 극지방에서 경선이 한 점으로 모여
격자 간격이 거의 0이 돼. CFL 조건 때문에 타임스텝을 미친 듯이 줄여야 하지.

그래서 현대 모델들은 이런 대안을 써:

• 정육면체 구(Cubed-sphere): 구에 정육면체를 투영해 6개 면으로 분할
• 정이십면체/삼각 격자(Icosahedral): 축구공처럼 균일한 육각형 배치
• 스펙트럴 방법: 구면조화함수로 변환해 공간 미분을 대수 연산으로 처리
• 삼극 격자(Tripolar): 해양 모델에서 북극 특이점을 육지 위로 옮기는 트릭

이런 격자 설계 하나하나가 수치해석과 지구물리가 결합된 공학 작품이야.
이런 종류의 정교한 기술 지식을 시각적으로 풀어내는 작업이야말로
재능넷의 '지식인의 숲' 같은 공간이 존재하는 이유이기도 하고.

7. 모델을 어떻게 믿을 수 있나: 검증의 방법들

여기가 제일 중요해. "그래서 이거 맞긴 해?"에 대한 답이야.

검증 1: 과거 재현 (Hindcast)

1850년 조건에서 출발해, 실제 관측된 온실가스·에어로졸·화산·태양 변동을 입력하고
현재까지 돌려서 관측된 기온 변화를 재현하는지 확인해.

결과는? 20세기 전반의 완만한 상승, 1950~70년대의 정체기(에어로졸 냉각 효과),
1980년대 이후의 급격한 상승까지 상당히 잘 재현돼.

특히 자연 강제력만 넣으면 관측 곡선을 절대 재현 못 하고,
인위적 강제력을 넣어야만 재현된다는 점이 기후변화 원인 규명(attribution)의 핵심 근거야.

검증 2: 화산 분화라는 자연 실험

1991년 필리핀 피나투보 화산 폭발.
성층권에 황산염 에어로졸이 퍼지면서 태양광을 차단했어.

NASA GISS의 제임스 한센 팀은 폭발 직후 모델로 약 0.5℃ 냉각을 예측했고,
실제로 1992~93년 전지구 기온이 그 정도 떨어졌어.
냉각의 크기, 시간 지연, 회복 속도까지 맞춘 강력한 검증 사례였지.

검증 3: 과거 예측의 사후 평가

Hausfather 등(2020)이 Geophysical Research Letters에 발표한 연구는
1970~2007년에 발표된 17개 기후 예측을 실제 관측과 비교했어.

결과: 실제 배출량 경로를 보정했을 때, 14개 모델이 관측과 통계적으로 일치했어.
1970년대 모델조차 온난화율을 대체로 맞췄다는 뜻이야.

검증 4: 지문(Fingerprint) 검증

이게 제일 우아한 검증이야.
온실가스 온난화와 태양 활동 증가는 서로 다른 공간 패턴을 만들어.

관측 결과는? 모두 온실가스 지문과 일치했어.
특히 "대류권은 데워지고 성층권은 식는" 패턴은 태양으로 설명 불가능해.
위성 관측으로 명확히 확인됐고.

앙상블: 불확실성을 다루는 방법

기후 모델링에서는 하나의 답을 주지 않아. 대신 확률 분포를 줘.

여러 모델을 평균하면 개별 모델의 오차가 상쇄되면서
어떤 단일 모델보다 관측을 잘 재현하는 현상이 관찰돼.
이걸 다중모델 평균의 우월성이라고 불러.

8. 시나리오: 모델이 '예측'하지 않는 것

여기서 자주 오해가 생겨.

기후 모델은 "2100년 기온은 X도가 될 것이다"라고 말하지 않아.
대신 이렇게 말해.

즉 조건부 투영(projection)이지 예언(prediction)이 아니야.
가장 큰 불확실성은 물리가 아니라 인간의 정치·경제적 선택에서 와.

SSP: 공통사회경제경로

숫자 표기법도 알려줄게. SSP2-4.5에서
앞의 2는 사회경제 경로 번호, 뒤의 4.5는 2100년 복사강제력(W/m²)이야.

9. 지역 규모로 내려오기: 다운스케일링

"서울의 2050년 여름이 어떨까?"
이건 100km 격자 전지구 모델로는 답하기 어려워. 서울이 격자 한 칸 안에 들어가 버리니까.

그래서 다운스케일링이 필요해. 환경공학·도시공학 실무에서 진짜 많이 쓰는 기술이야.

동역학적 다운스케일링

전지구 모델(GCM) 결과를 경계 조건으로 삼아,
관심 지역만 고해상도(1~25km) 지역기후모델(RCM)로 다시 계산하는 방법.

장점: 지형 효과(산맥, 해안선), 국지 순환을 물리적으로 재현
단점: 계산 비용 큼, 전지구 모델의 편향을 물려받음

통계적 다운스케일링

과거 관측 자료로 "대규모 기압 패턴 ↔ 지역 기온·강수" 통계 관계를 학습한 뒤,
미래 대규모 패턴에 적용하는 방법.

최근엔 여기에 딥러닝이 본격 투입되고 있어.
초해상도(super-resolution) CNN이나 확산 모델로
저해상도 기후장을 고해상도로 복원하는 연구가 활발해.

10. 모델이 아직 약한 부분 (정직한 한계)

좋은 과학은 한계를 숨기지 않아. 현재 기후 모델이 힘들어하는 것들:

① 구름, 영원한 숙제

앞서 말한 대로 기후 민감도 불확실성의 최대 기여자.
특히 아열대 해양 층적운의 미래 변화가 관건.

② 강수의 시공간 분포

전지구 평균 강수량은 잘 맞지만, 언제 어디에 얼마나는 여전히 어려워.
'이중 적도수렴대(double ITCZ)' 편향은 수십 년째 고질병이야.
열대 태평양에 강수대가 두 줄로 생기는 오류인데, CMIP6에서도 완전히 해결 안 됐어.

③ 급격한 전환점(Tipping Point)

그린란드 빙상 붕괴, 대서양 자오면 순환(AMOC) 약화, 영구동토 탄소 방출.
이런 비선형 임계 현상은 모델에 불완전하게만 반영돼 있어.
즉 모델이 과소평가할 위험이 있는 영역이지.

④ 에어로졸-구름 상호작용

미세먼지가 구름 응결핵으로 작용해 구름을 밝게 만드는 효과.
IPCC AR6에서도 가장 불확실성이 큰 강제력 항목이야.

⑤ 계산 자원의 벽

1km 해상도 전지구 모델을 100년 돌리려면 현재 최고 슈퍼컴으로도 수년이 걸려.
그래서 디지털 트윈 어스(Destination Earth) 같은
엑사스케일 기반 프로젝트가 유럽에서 진행 중이야.

11. 다음 세대: AI가 들어오다

2023~2025년은 기상·기후 모델링의 전환점이야.

딥러닝 기반 기상예측 모델들(GraphCast, Pangu-Weather, FourCastNet, AIFS 등)이
전통 수치예보 모델과 비슷하거나 더 나은 정확도를
수천 배 빠른 속도로 달성하기 시작했거든.

다만 여기엔 중요한 단서가 붙어.

그래서 현재 가장 유망한 방향은 하이브리드야.

• 역학 코어(보존 법칙 부분)는 물리 기반으로 유지
• 파라미터화(구름·대류)만 고해상도 시뮬레이션으로 학습한 신경망으로 대체
• 물리 제약(보존 법칙)을 손실 함수에 명시적으로 삽입
• AI로 초고속 앙상블을 대량 생성해 확률 분포를 정밀화

이걸 물리 정보 신경망(Physics-Informed Neural Network) 접근이라고도 해.
환경공학 전공자가 머신러닝을 배워야 하는 아주 현실적인 이유이기도 하지.

12. 정리: 기후 모델을 한 문장으로

여기까지 왔으면 이제 처음 질문에 스스로 답할 수 있을 거야.

기후 모델의 본질을 다시 정리하면 이래.

1) 기후 모델은 마법이 아니라 보존 법칙의 수치해석이다.
2) 지구를 유한한 격자로 쪼개고, CFL 조건 안에서 시간을 전진시킨다.
3) 격자보다 작은 물리는 파라미터화로 통계적으로 처리한다.
4) 온난화의 뼈대(CO₂ → 복사강제력 → 온도)는 19세기 물리학이다.
5) 불확실성은 주로 구름 피드백과 인간의 배출 선택에서 온다.
6) 검증은 과거 재현, 화산 실험, 지문 분석, 다중 앙상블로 이루어진다.

그리고 마지막으로 가장 중요한 관점 하나.

기후 모델의 불확실성은 "안심해도 된다"는 뜻이 아니야.
불확실성은 양방향이거든. 예상보다 나을 수도 있지만, 나쁠 수도 있어.
게다가 티핑 포인트처럼 모델이 과소평가하기 쉬운 요소들이 존재해.

공학적으로 보면 이건 리스크 관리 문제야.
교량을 설계할 때 평균 하중이 아니라 최악의 하중을 기준으로 안전율을 잡듯이,
기후 대응도 중앙값이 아니라 분포의 꼬리를 봐야 하는 거지.

이 글이 기후 뉴스를 볼 때 숫자 뒤에 있는 물리와 공학을 떠올리게 해줬다면 성공이야.
다음에 누가 "기후 예측 못 믿겠다"고 하면,
주사위 얘기부터 꺼내보자고. 😎