이상 기후 모델에서 플럭투에이션 디소시에이션 정리 활용의 함정과 비정규성

초록

본 논문은 건조 동역학 핵심 모델(헬드‑수아레즈 물리)에서 선형 응답 함수(LRF)를 구하기 위해 플럭투에이션‑디소시에이션 정리(FDT)를 적용한 결과를 평가한다. Part 1에서 정확히 구한 Green’s function 기반 LRF와 비교하여, FDT로 얻은 LRF가 일부 강제 실험에서 크게 오차를 보임을 확인한다. 오차의 주요 원인으로 차원 축소를 위해 선도 EOF에만 데이터를 투영하는 과정이 강조되며, 이는 연산자의 비정규성(non‑normality) 때문에 발생한다. 간단한 2×2 행렬 예시와 선형 확률 방정식을 이용해 비정규성이 응답 예측에 미치는 영향을 분석하고, 차원 축소 전략을 재검토할 필요성을 제시한다.

상세 분석

이 연구는 대기 일반 순환 모델(GCM)에서 선형 응답 함수를 직접 계산하는 두 가지 접근법을 비교한다. Part 1에서 저자들은 수백 개의 약한 국소 강제(열·운동)를 순차적으로 적용하고, 그에 대한 평균 응답을 측정해 Green’s function 형태의 LRF(˜ M_GRF)를 역행렬로 추정하였다. 이 방법은 선형성 가정 하에 거의 완벽한 재현성을 보이며, 강제와 응답 사이의 직접적인 선형 연산자를 제공한다. 반면 Part 2에서는 동일한 모델에 대해 플럭투에이션‑디소시에이션 정리의 quasi‑Gaussian 형태를 이용해 LRF(˜ M_FDT)를 추정한다. FDT는 무강제 상태의 공분산 C(0)와 시차 공분산 C(τ)를 적분해 연산자를 복원한다(식 3). 실제 구현에서는 데이터 길이가 제한적이므로 τ의 상한 τ_∞와 EOF 차원 축소 수 n_EOF를 선택해야 하는데, 저자들은 τ_∞=20–90 일, n_EOF=64–300(설명 분산 97.5–99.8 %)를 시험하였다.

세 가지 테스트(Part 1의 Test 1‑3)를 통해 ˜ M_FDT의 성능을 평가했는데, 열 강제가 남반구 아열대에 작용할 때는 응답 패턴은 대략 재현되지만 진폭과 고위도·저위도 세부 구조는 크게 왜곡되었다. 열 강제가 열대에 집중될 경우는 비교적 양호했지만, 여전히 풍속 응답에서 차이가 남았다. Test 2와 Test 3에서는 목표 응답(예: 뉴턴완화 시간 상수 10 % 증가, 첫 번째 EOF)으로부터 필요한 강제를 역산했을 때, ˜ M_FDT가 제시한 강제는 실제 모델이 생성하는 응답과 일치하지 않았다. 특히 Test 2에서는 풍속 응답은 어느 정도 재현했지만 온도 응답은 크게 틀렸다.

저자들은 이러한 불일치의 근본 원인을 두 가지로 분석한다. 첫째, 공분산 행렬 C(0)와 C(τ)의 추정이 제한된 샘플 수와 비정규(비대칭) 변동 구조 때문에 수치적으로 불안정해질 수 있다. 둘째, 가장 중요한 원인은 차원 축소 과정이다. EOF는 변동 에너지의 대부분을 포착하지만, 비정규 연산자는 에너지 전달이 주축 모드와 부축 모드 사이에서 복합적으로 일어나며, 이는 EOF 기반 투영만으로는 완전히 포착되지 않는다. 이를 명확히 보여주기 위해 저자들은 2×2 비정규 행렬 예시를 제시한다. 비정규 행렬은 고유벡터가 서로 거의 평행한 경우(조건수 크게) 응답이 작은 외부 강제에도 크게 증폭될 수 있다. 그러나 EOF 투영은 이러한 미세한 방향성을 무시하고 주축 모드만 남기므로, 복원된 연산자는 실제 시스템의 비정규 성장 메커니즘을 크게 과소평가한다. 선형 확률 방정식(˜ M_GRF와 백색 잡음) 시뮬레이션에서도 동일한 현상이 나타나, 차원 축소 없이 전체 상태 공간을 사용하면 FDT가 정확히 재현되지만, EOF 기반 차원 축소만 하면 오차가 급격히 증가한다.

결과적으로, 저자들은 현재 기후 모델에서 FDT를 적용할 때 차원 축소 전략을 재고해야 한다고 주장한다. 비정규성을 고려한 새로운 기저(예: 동적 모드 분해, 비정규 모드 기반 기저) 혹은 정규화된 공분산 추정 기법이 필요하다. 또한, τ_∞ 선택도 시스템의 주요 시간척도(예: EOF1의 자기상관 시간)와 일치하도록 조정해야 한다는 실용적 권고를 제시한다. 이러한 개선이 이루어지면, 관측 자료나 장기 GCM 시뮬레이션에서 직접 LRF를 추정해 기후 민감도와 강제-응답 관계를 보다 정확히 파악할 수 있을 것으로 기대된다.