1. 서론: 시간대 기반 음향 변동을 활용한 ‘행동성 예측’의 필요성
해양 생물의 활동성은 조도, 포식 압력, 먹이 가용성, 조류 흐름 등 다양한 환경 변수에 따라 변동하며, 특히 야간과 주간의 사운드스케이프는 구조적으로 다른 패턴을 보인다.
그러나 기존 생물음 모니터링은 시간대별 특성을 독립 변수로 고려하지 않아, 실제 생태적 행동성의 변화를 정확히 포착하기 어렵다는 한계가 존재했다.
즉, 시간대 기반 음향 변동을 정량적으로 해석하고 이를 AI 예측 모델에 통합하는 것이 행동 생태 분석의 정밀도 향상에 직접적으로 기여한다.
2. 사운드스케이프의 시간대별 구조적 차이 분석
2.1 주간 사운드스케이프의 특징
주간에는 다음과 같은 경향이 뚜렷하다:
- 광합성 기반 생물군 증가 → 미세 기포음·광합성 클릭 증가
- 시각 포식자 활동 증가 → 작은 어류의 회피성 burst-click 증가
- 선박 통행량 증가 → 중·저주파 배경잡음 상승
- 수중 난류 강도 증가 → broadband noise 증가
이 때문에 주간 사운드스케이프는 고에너지·고잡음·다중음원 혼재가 특징이다.
2.2 야간 사운드스케이프의 특징
야간에는 다음과 같은 패턴 변화가 나타난다:
- 야행성 갑각류의 주기적 clicking 폭발적 증가
- 시각 기반 포식 감소 → 피식 생물의 자유 활동성 증가
- 표·저층 회유종의 vertical migration(수직 이동) 단계별 소리 변화
- 선박 활동 감소 → 상대적으로 낮은 잡음 환경
야간 사운드스케이프는 저잡음·고주기 반복성·특정 종 음향 집중 구조가 나타난다.
2.3 두 시간대의 차이는 예측 모델에서 핵심 변수
사운드스케이프의 시간적 구조가 이렇게 다르기 때문에, 단일 시간대 모델은 생물의 활동성 변동을 포착하는 데 근본적으로 한계가 있다.
따라서 주간–야간 간 차이를 모델의 핵심 예측 변수로 사용해야 한다.
3. AI 기반 생물 활동성 예측 모델의 설계 전략
3.1 이중 입력 구조(Dual-Stream Acoustic Encoder) 도입
모델은 주간과 야간 데이터를 분리 입력으로 받아 각각의 특징을 독립적으로 추출한다.
- Stream A: Daytime Encoder
- 잡음 강도, broadband pattern, anthropogenic noise weighting
- Stream B: Nighttime Encoder
- 주기성, 반복성, 저잡음 환경에서의 생물 발성 패턴
두 스트림의 latent vector는 후단에서 통합되며, 시간대별 차이를 예측 변수 ΔS(t) 로 계산한다.
3.2 활동성 지표(Activity Index) 생성
음향 기반 활동성 지표는 다음 요소로 구성된다:
- 클릭·burst rate 증가량
- frequency modulation(FM) 변화
- energy distribution variance
- 주기적 cluster occurrence
- call onset rate
이 지표는 특정 종에 종속되지 않으며, 군집 단위의 활동성을 반영한다.
3.3 주·야간 차이 기반 비선형 시계열 모델링
생물 활동성은 단순 선형 모델로 설명되지 않기 때문에 LSTM·Transformer 기반 모델을 사용한다.
모델의 핵심 구조는 다음과 같다:
- ΔS(t) = S_night(t) – S_day(t)
- A_pred(t+1) = f(ΔS(t), 환경변수, 이전 활동성 지표)
이 방식은 시간대 간 차이를 직접 행동 예측에 반영한다는 점에서 기존 모델과 구조적으로 다르다.
4. 모델 성능 향상 전략
4.1 잡음 환경을 고려한 시간대별 가중치
- 주간: anthropogenic noise weight ↑
- 야간: biological periodicity weight ↑
가중치를 명확히 분리하면 생물음의 기여도를 더 정확하게 재현할 수 있다.
4.2 사운드스케이프 전이학습(Transfer Learning)
지역마다 주·야간 구조가 다르기 때문에
- 원시 모델은 열대–온대–극지 등에서 공통 패턴을 학습
- 지역 모델은 현지 데이터로 미세 조정
하는 전이학습 구조가 필수적이다.
4.3 비정상 신호 탐지 기반 데이터 정제
야간에 나타나는 갑각류 폭발음, 주간에 집중되는 선박 소음 등이 비정상 패턴을 만들 수 있으므로
- autoencoder 기반 anomaly filtering
- 극단값 제거 및 보정
기법이 적용되어 모델 안정성이 높아진다.
5. 생태학적 활용 가능성
5.1 종 이동성과 일주 리듬 분석
야간 vertical migration이나 주간 회피 행동 등
직접 관측이 어려운 행동을 음향 기반으로 역추정할 수 있다.
5.2 서식지 위험도 평가
- 야간 활동 급감 → 포식자 접근 증가
- 주간 발성 감소 → 소음 스트레스 가능성
같은 해석이 가능해진다.
5.3 장기 환경 변화 탐지
시간대별 패턴이 변하면
- 기후 변화
- 먹이 공급 변동
- 인간 활동 증가
등을 빠르게 감지할 수 있다.
6. 결론
야간과 주간의 사운드스케이프는 구조적으로 완전히 다른 패턴을 보이며, 이를 활용한 AI 활동성 예측 모델은 기존 단일 시간대 모델의 한계를 극복한다.
이 접근은 생물 행동을 보다 정밀하게 해석할 수 있게 하고, 장기적인 생태계 변화 탐지에도 높은 활용 가치를 지닌다.