유럽 곤충 음향 식별 위한 정밀 데이터셋 공개

주장유럽 전역에서 곤충의 개체 수와 다양성이 급격히 감소하고 있습니다. 이를 해결하기 위해 대규모 모니터링 기술 도입이 시급합니다. 기존 수동 관찰 방식은 시간과 공간적 제약이 큽니다. 따라서 자동화된 음향 모니터링 시스템 구축이 필수적입니다.

팩트이번에 공개된 데이터셋은 총 1만1224개의 녹음 파일로 구성됩니다. 이 자료는 북유럽, 중유럽, 서유럽에 서식하는 메뚜기목 193종과 매미목 24종의 소리를 포함합니다.

팩트데이터셋은 두 가지 방식으로 라벨링되었습니다. 특정 종의 존재 여부만 추론하는 약한 라벨링과 소리의 시간 및 주파수 범위를 정밀하게 지정한 강한 라벨링을 결합했습니다.

교차검증현재 유럽 곤충 소리를 인식하는 자동화 도구는 기술적 한계에 직면해 있습니다. 신뢰할 수 있는 알고리즘을 개발하려면 생태학적으로 이질적인 환경에서 수집된 방대한 데이터가 필요합니다.

팩트모든 데이터는 제노도(Zenodo) 저장소(https://doi.org/10.5281/zenodo.15043892)를 통해 공개되었습니다. 연구자는 이 데이터를 활용하여 곤충 음향 분류 모델을 고도화할 수 있습니다.

팩트데이터 분석 및 시각화에 사용된 모든 스크립트는 깃허브(GitHub) 저장소(https://github.com/DavidFunosas/ECOSoundSet_database_analysis)에서 확인할 수 있습니다. 생물다양성 정보 기구(GBIF) 쿼리 결과를 기반으로 녹음 파일을 수집하는 스크립트도 함께 제공됩니다.

주장자동화된 음향 모니터링은 인간의 관찰보다 넓은 범위에서 지속적인 데이터를 수집합니다. 이는 곤충의 생태적 변화를 실시간으로 추적하여 보존 정책을 수립하는 중요한 근거가 됩니다.

교차검증음향 데이터 품질은 주변 환경 소음이나 녹음 장비 성능에 따라 달라질 수 있습니다. 따라서 다양한 환경에서 수집된 데이터를 학습시켜 모델의 일반화 성능을 높이는 작업이 이번 연구의 핵심 과제입니다.

팩트오디오 세그먼트 길이가 종 인식 성능에 미치는 영향을 평가하는 모델은 허깅페이스(Hugging Face) 플랫폼(https://huggingface.co/AlexanderGbd/insects-base-cnn10-96k-t)에서 공개되었습니다. 이는 머신러닝 모델의 투명성과 재현성을 보장합니다.

출처본 기사는 네이처 사이언티픽 데이터(Nature - Scientific Data)에 게재된 논문 'A finely annotated dataset for the automated acoustic identification of European Orthoptera and Cicadidae'를 교차 검증했습니다. 상세 내용은 다음 링크에서 확인할 수 있습니다: https://www.nature.com/articles/s41597-026-07150-1