0.5°C의 가격

아침 기온이 21.5°C인지 22°C인지 구별할 수 있는 사람은 없다. 옷차림도, 기분도 바뀌지 않는다. 그러니 ‘1.5°C냐 2°C냐’라는 논쟁은 많은 사람에게 협상장의 소수점 싸움처럼 들린다. 반 칸짜리 눈금을 두고 세계가 왜 이렇게까지 다투는지 체감이 안 되는 것이다.

그런데 이 숫자는 오늘의 날씨가 아니라 지구 전체의, 수십 년에 걸친 평균이다. 평균이 반 도 오르면 분포의 꼬리 — 가장 뜨거운 날, 가장 긴 가뭄, 가장 약한 생태계 — 는 훨씬 크게 움직인다. 2018년 10월 인천에서 승인된 IPCC 1.5°C 특별보고서(SR1.5)는 그 꼬리를 숫자로 정리한 첫 번째 종합 평가였다.

이 글은 그 숫자들을 다시 펼친다. 그리고 한 걸음 더 나아가, 요즘 AI가 이 비교를 어떻게 바꾸고 있는지를 본다. 무거운 기후 모델을 흉내 내는 ‘에뮬레이터’, 거친 전 지구 격자를 우리 동네 크기로 좁히는 ‘상세화’, 그리고 그 결과를 얼마만큼 믿어야 하는지까지.

2015년 12월 채택된 파리협정의 문장은 정확히 이렇다. 산업화 이전(보통 1850~1900년 평균) 대비 기온 상승을 2°C보다 ‘훨씬 낮게’ 유지하고, 1.5°C로 제한하도록 ‘노력’한다. ‘무조건 1.5°C’가 아니다. 1.5°C는 두 번째 문장에 들어 있는, 더 야심 찬 쪽의 목표다.

또 하나 흔한 오해가 있다. WMO는 2024년 지구 평균기온을 산업화 이전 대비 약 1.55°C로 집계했다. 그렇다고 파리 목표가 깨진 것은 아니다. 목표의 기준은 한 해가 아니라 수십 년 평균이기 때문이다. 다만 2023~2025년 3년 평균이 이미 1.48°C라는 점은, 장기 평균이 그 선에 다가서고 있다는 경고로 읽어야 한다.

그리고 가장 중요한 오해. 1.5°C는 ‘여기까지는 괜찮다’는 안전선이 아니다. 아래 비교에서 보듯 1.5°C에서도 산호초의 70~90%가 추가로 사라진다. 1.5°C는 피해를 없애는 목표가 아니라 피해를 ‘줄이는’ 목표다. 거꾸로 말하면, 1.5°C를 넘더라도 노력은 무의미해지지 않는다. 1.6°C는 1.7°C보다, 1.7°C는 2°C보다 낫다.

1.5°C를 어떻게 ‘측정’하는지는 시리즈 1편 1.5°C를 재는 법에서 다룬다.

장부를 보고도 여전히 먼 이야기처럼 느껴진다면, 그것은 개인의 무관심 탓만이 아니다. 숫자가 실감을 잃는 데에는 구조적인 이유가 셋 있다. 첫째, 평균은 극값을 숨긴다. SR1.5에 따르면 지구 평균이 1.5°C 오를 때 중위도의 극한 고온일은 최대 약 3°C, 2°C일 때는 약 4°C 뜨거워진다. 우리가 겪는 것은 평균이 아니라 그 꼬리다.

둘째, 피해는 선형이 아니다. 산호는 어느 수온까지 버티다가 문턱을 넘으면 한꺼번에 백화한다. 0.5°C를 ‘25% 더 나쁨’으로 계산하는 직관은 문턱이 있는 시스템에서 체계적으로 틀린다. 70~90%와 99% 이상의 차이는 ‘조금 더 나쁨’이 아니라 ‘일부라도 남는가, 거의 다 사라지는가’의 차이다.

셋째, 숫자는 ‘어디에서, 누구에게’를 말해주지 않는다. ‘세계 인구의 13.8% 대 36.9%’는 강력한 숫자지만, 그 안에 내 도시가 포함되는지, 우리 동네 여름이 며칠 더 길어지는지는 알려주지 않는다. 사람은 전 지구 평균이 아니라 자기 동네의 날씨에 반응한다. 기후 과학이 가장 오래 풀지 못한 번역 문제가 바로 여기에 있다.

SR1.5의 숫자들은 지구시스템모델(ESM)과 그 결과를 해석한 수많은 연구에서 나왔다. ESM은 정교하지만 비싸다. 슈퍼컴퓨터로 시나리오 하나를 돌리는 데 오랜 시간이 걸리기 때문에, 세계는 SSP1-2.6, SSP2-4.5 같은 소수의 표준 시나리오만 공들여 계산한다. ‘석탄은 빨리, 메탄은 천천히 줄이면?’ 같은 질문은 대개 간단한 패턴 스케일링이나 1차원 모델로 대충 답해야 했다.

에뮬레이터는 이 병목을 겨냥한다. ESM이 이미 만든 방대한 출력을 학습해, ‘이런 배출(또는 해수면 온도)이 들어가면 이런 기후 지도가 나온다’는 관계를 빠르게 재현한다. 학습에는 큰 비용이 들지만, 한 번 학습하면 시나리오 하나를 몇 초~몇 분 만에 그려낸다. 수천 개의 ‘만약’을 탐색할 수 있게 되는 것이다.

전 지구 모델의 격자는 보통 수십~100km 단위다. 한 칸 안에 산과 바다, 도시와 논이 함께 들어간다. 이를 좁은 격자로 쪼개는 작업을 ‘상세화(downscaling)’라 한다. 방법은 크게 두 갈래다. 지역 기후 모델로 물리를 다시 푸는 역학적 상세화, 그리고 관측과 모델의 통계적 관계를 이용하는 통계적 상세화다.

한국에도 이미 그 결과물이 있다. 기상청 기후정보포털은 SSP 시나리오 기반 ‘남한상세 기후전망(1km)’을 공개한다. 기온·강수와 극한기후지수 27종을 2100년까지 제공하고, 이를 시군구 같은 행정구역 단위로도 집계해 보여준다. 여기에는 지형을 반영하는 한국형 PRISM, 분위수 보정(QDM) 같은 통계 기법이 쓰였다. 즉 ‘내 지역’ 전망은 AI 이전부터 통계로 만들어져 왔다.

AI가 더하는 것은 속도와 ‘분포’다. NVIDIA의 CorrDiff는 25km 해상도의 대기 상태를 2km로 내려 그리는 생성형 확산 모델로, 대만 주변을 대상으로 학습돼 학술지에 발표됐다(Communications Earth & Environment, 2025). 흥미로운 점은 하나의 선명한 답이 아니라 가능한 세부 패턴들의 ‘확률 분포’를 생성한다는 것이다. 다만 CorrDiff는 주로 날씨 규모에서 검증된 기술이라, 이를 수십 년 기후 전망에 그대로 적용하는 것은 별도의 검증이 필요한 일이다.