음경관 (Soundscape)은 세 가지 유형의 소리로 구성됩니다: 생물음 (biophony, 동물이 내는 소리), 지질음 (geophony, 자연적인 무생물 소리), 그리고 인위음 (anthropophony, 인간이 내는 소리)입니다. 음경관 생태학 (soundscape ecology) 분야의 핵심 연구 질문은 이러한 구성 요소들이 서로 어떻게 상호작용하는지, 특히 생물음이 지질음 및 인위음에 어떻게 반응하는지입니다. 그럼에도 불구하고, 현재로서는 이러한 요소들을 명확하게 정량화할 수 있는 분석 도구가 많지 않습니다. 최근의 머신러닝 (ML) 접근 방식은 자동화된 분석을 지원하는 것을 목표로 하지만, 종종 특정 작업에 국한되거나 깨끗한 데이터에 의존하여, 노이즈가 있는 수동 음향 모니터링 (PAM) 녹음 데이터에 대한 일반화 (generalisation) 능력이 제한적입니다. 본 연구는 거친 음경관 분류 (coarse soundscape classification)를 위한 ML 모델을 구축하는 명확하고 재현 가능한 구조를 제시하며, 실제적인 PAM 조건 하에서 생물음, 지질음, 인위음을 구분하도록 훈련된 딥러닝 (deep learning) 모델인 CoarseSoundNet을 소개합니다. 우리는 모델 아키텍처 (architectures), 추가적인 훈련 클래스의 영향, 데이터 구성, 그리고 평가 전략을 체계적으로 조사합니다. 우리의 연구 결과는 추가적인 PAM 데이터(특히 타겟 도메인과 유사한 경우)를 사용하고, 훈련 중에 명시적인 무음 (silence) 클래스를 도입함으로써 모델 성능이 향상됨을 시사합니다. 클래스별 결정 임계값 (decision thresholds) 및 지속 시간 기반 제약 조건은 특히 인위음과 지질음에 대해 성능을 더욱 향상시킵니다. 오류 분석 결과, 인위음은 마스킹 효과 (masking effects)로 인해 어려움이 있으며, 지질음과 생물음의 경우 무음 및 곤충 소리와의 혼동이 발생하는 것으로 나타났습니다. 마지막으로, 우리는 생태학적 사례 연구를 수행하였으며, CoarseSoundNet으로 녹음 데이터를 사전 필터링하는 것이 실제 정답 (ground-truth) 필터링과 유사한 음향 지수 (acoustic index) 추세를 생성함을 보여줌으로써, 생태 음향 (ecoacoustic) 분석을 위한 효과적인 전처리 도구로서의 사용 가치를 입증하였습니다.