새로운 연구에 따르면 식물이 과도한 이산화탄소(CO2)를 흡수하는 능력이 기후 모델에서 이전에 예측한 것보다 훨씬 낮을 수 있다고 그라츠 대학교가 2026년 1월 5일에 발표한 연구에서 밝혔습니다. 이 연구는 기후 모델이 식물 성장에 중요한 요소인 자연 질소 고정을 약 50% 과대평가했다고 밝혔습니다.

이 연구는 식물이 증가된 CO2 수준을 효과적으로 활용하여 성장하는 데 질소 가용성이 얼마나 중요한 역할을 하는지 강조합니다. CO2 증가는 식물 성장을 촉진할 수 있지만, 이 효과는 광합성과 전반적인 식물 건강에 필수적인 영양소인 충분한 질소에 달려 있습니다. 기후 모델에서 자연 질소 고정을 과대평가했다는 것은 높은 CO2 조건에서 식물 성장에서 얻는 기후 냉각 효과가 예상보다 미미하다는 것을 시사합니다.

이러한 발견은 기후 변화 예측에 중요한 영향을 미칩니다. 식물이 예상보다 CO2를 적게 흡수함에 따라 기후 변화에 대한 지구의 자연 완충 장치가 약화되어 미래 기후 예측의 불확실성이 커집니다. 그라츠 대학교의 한 수석 연구원은 "식물이 탄소 흡수원 역할을 하는 능력이 감소함에 따라 대기 중 CO2 농도가 예측보다 빠르게 증가하여 지구 온난화를 가속화할 수 있습니다."라고 말했습니다.

기후 모델은 대기 조성, 해류, 지표면 과정과 같은 다양한 요소를 통합하여 지구 기후 시스템을 시뮬레이션하는 복잡한 계산 도구입니다. 이러한 모델은 알고리즘과 방대한 데이터 세트를 사용하여 미래 기후 시나리오를 예측합니다. 그러나 이 연구에서 알 수 있듯이 질소 고정률과 같은 주요 매개변수의 불확실성은 이러한 예측의 정확성에 큰 영향을 미칠 수 있습니다.

이 연구는 또한 생물학적 과정을 기후 모델에 보다 정확하게 반영하는 것이 얼마나 중요한지 강조합니다. 기존 모델은 종종 복잡한 생태적 상호 작용을 단순화하여 모델 예측과 실제 관찰 사이에 불일치가 발생할 수 있습니다. 인공 지능(AI)과 머신 러닝의 최근 발전은 이러한 과정의 표현을 개선하기 위해 연구되고 있습니다. AI 알고리즘은 대규모 데이터 세트를 분석하여 기존 모델링 접근 방식으로는 명확하지 않을 수 있는 패턴과 관계를 식별할 수 있습니다. 예를 들어, 머신 러닝 모델은 온도, 강수량, 토양 조성과 같은 환경 요인을 기반으로 질소 고정률을 예측하도록 훈련할 수 있습니다.

이 연구의 영향은 과학계에만 국한되지 않습니다. 정책 입안자들은 기후 모델을 사용하여 배출량 감축 및 기후 적응 전략과 관련된 결정을 내립니다. 식물이 이전에 생각했던 것만큼 CO2를 흡수하지 못할 수 있다는 사실을 깨닫게 되면 이러한 전략을 재평가해야 합니다. 기후 목표를 달성하려면 보다 적극적인 배출량 감축이 필요할 수 있으며, 대기에서 CO2를 직접 제거하는 기술 개발에 더 큰 중점을 두어야 할 수 있습니다.

향후 연구는 질소 고정률에 대한 추정치를 개선하고 이러한 개선된 추정치를 기후 모델에 통합하는 데 중점을 둘 것입니다. 과학자들은 또한 지속 가능한 농업 관행을 통해 자연 질소 고정을 강화하는 방법을 모색하고 있습니다. AI와 머신 러닝을 기후 모델링에 통합하는 것은 기후 예측의 정확성과 신뢰성을 향상시키는 데 점점 더 중요한 역할을 할 것으로 예상됩니다.