1. 서론
해양 환경 변화는 생물군의 행동, 서식지 안정성, 의사소통 방식에 즉각적 혹은 장기적 영향을 미친다. 이러한 변화를 정량적으로 파악하기 위해서는 일정 해역에서 확보된 장기 수중 음향 데이터(Long-term Underwater Acoustic Time Series)의 체계적 분석이 필수적이다.
그러나 실제 해양 음향 데이터는 비정상성(non-stationarity), 구조적 단절(structural break), 잡음 비선형성, 그리고 물리적·기후적 변수가 결합된 고차 신호 특성을 갖고 있어 기존의 간단한 시계열 분석 모델로는 정확한 추세 도출이 어렵다.
따라서 본 주제의 핵심은 이질적 신호가 섞인 수중 음향 데이터를 장기 기간에서 안정적으로 분석할 수 있는 시계열 모델의 고도화에 있다.
2. 수중 음향 시계열 데이터의 구조적 특징
2.1 비정상성(Non-stationarity)
수중 소리는 계절, 조류, 폭풍, 인간 활동 변화 등 다양한 요인에 따라 분포가 지속적으로 이동한다. 따라서 평균·분산이 고정된 모델은 실제 패턴을 반영하지 못한다.
2.2 다중 주파수 혼재(Multi-band complexity)
생물음, 지구물리음(파도·수중 지진), 인공소음(선박·기계)은 서로 다른 대역에서 발생하며, 이들 대역은 장기 분석에서 주기적·비주기적 변화를 모두 포함한다.
2.3 잡음 분포의 불규칙성
해양 음향은 화이트 노이즈가 아닌, 중심 주파수대가 변하는 잡음(colored noise)의 성격을 가지므로 filtering 기반 모델링이 어렵다.
3. 기존 시계열 분석 모델의 한계
3.1 ARIMA·SARIMA
- 장기 음향 패턴이 가진 비선형성, 급격한 레벨 변동, 외생 요인 영향을 반영하기 어렵다.
- 특정 시점의 구조적 변화(예: 항로 확장, 자연재해)를 반영할 수 없다.
3.2 스펙트럼 기반 모델
- STFT, 웨이블릿 변환은 주파수 변화를 추적하지만, 장기간 데이터 축적 시 계산비용 증가 및 특정 생물군 신호의 희소성 문제가 발생한다.
3.3 단순 LSTM 기반 모델
- 시간 의존성은 잘 포착하나, 주파수 변화·환경 변수·이상 사건 발생을 동시에 처리하기 어렵다.
- 장기간 학습 시 그래디언트 소실 문제가 발생한다.
4. 고도화된 시계열 분석 모델 제안
4.1 Hybrid LSTM–CNN 모델
- CNN이 스펙트로그램에서 특징을 추출하고, LSTM이 시간적 의존성을 모델링한다.
- 생물음과 배경음이 겹치는 구간에서도 상대적으로 안정적인 추세 분석 가능.
4.2 Transformer 기반 수중음향 시계열 모델
Transformer 구조는 장기 의존성(long-term dependency) 처리가 용이해, 연중 패턴·계절성·이상치 구간을 동시에 분석할 수 있다.
장점:
- 긴 수중 신호도 학습 안정적
- attention으로 특정 시간대의 신호 강도 변화를 직접 추적 가능
- 다중 주파수 분석에 유리
4.3 Variational Autoencoder(VAE) 기반 추세 추출
장기 데이터를 낮은 차원의 잠재공간으로 압축해 추세와 이상 패턴을 분리한다.
- 정상적인 생태 음향 배경과
- 인위적, 이상적 이벤트(선박 급증, 폭풍 등)를 분해하여 분석 가능.
4.4 Multi-task Learning(MTL) 구조
하나의 모델이 추세 분석, 이상치 탐지, 주파수대별 변동성 평가를 동시에 수행하도록 설계한다.
→ 장기 데이터의 패턴을 분리해 더 정확한 해석 가능.
5. 장기적 음향 추세 분석을 위한 핵심 기술 요소
5.1 주파수대별 파라미터화
- 저주파(선박·지진)
- 중주파(어류·환경음)
- 고주파(해양 포유류)
이를 독립적으로 분석해 교란 요인을 분리한다.
5.2 환경 데이터 통합
해류 속도, 수온, 염분, 기상 데이터 등을 보조 변수로 결합하여 모델의 비정상성을 보정한다.
5.3 데이터 품질 보정
장기간 센서 데이터는 종종 드리프트(drift)·장비 노화 문제를 가지므로, 보정 알고리즘 적용이 필수적이다.
6. 응용 사례 및 분석 효과
6.1 선박 통행량 증가에 따른 저주파도 장기 상승 추적
고도화된 모델은 저주파 증가가 자연 변동인지 인위적 변동인지 분리해 해양 정책 자료로 활용 가능하다.
6.2 특정 생물종의 출현 주기 분석
스펙트로그래피 기반 deep temporal model을 적용하면
- 특정 어종의 산란기
- 고래 이동 시기
같은 생태학적 패턴이 연속적으로 식별 가능하다.
6.3 기후변화 영향 측정
수온 상승과 음향 감쇠률 변화가 결합해 발생하는 구조적 변화를 탐지할 수 있어, 기후 영향 분석 자료로 활용된다.
7. 결론
수중 음향 데이터의 장기 분석은 해양 생태계의 구조적 변화를 조기에 포착하는 데 중요한 역할을 한다.
기존의 단순 시계열 모델로는 해양 음향 환경의 비정상·복합 신호 특성을 설명하기 어렵고, 이에 따라 Transformer 기반 모델, Hybrid CNN–LSTM, VAE, MTL 구조 등 고도화된 딥러닝 시계열 모델의 필요성이 지속적으로 증가하고 있다.
이러한 모델들은 장기 추세뿐 아니라 이상치, 주파수대별 변동성, 환경 변화까지 종합적으로 분석 가능하다는 점에서 향후 해양 음향생태 연구와 보전 정책 수립에 중요한 기반 기술로 활용될 수 있다.