지화학자료를 이용한 금${\\cdot}$은 광산의 배태 예상지역 추정-베이시안 지구통계학과 의사나무 결정기법의 활용 Prediction of the Gold-silver Deposits from Geochemical Maps - Applications to the Bayesian Geostatistics and Decision Tree Techniques원문보기
지화학 자료의 공간적 분포와 금은광산의 공간적 분포사이의 상관관계를 조사하였다. 활용된 자료는 한국자원연구소에서 발간된 지화학도 중 21개 원소에 대한 도면과, 현재까지 파악된 광산의 위치도면 및 1:100만 지질도이다. 지화학도는 250m 등간격의 격자형화소로 제작된 도면 중 통계분석을 위하여 1km 간격의 자료를 추출하여 분석하였으며, 광산위치의 지화학 자료 역시 250m 간격의 화소에서 추출하여 분석을 수행하였다. 광산과 지화학자료의 공간적인 상관분석은 베이시안 중첩법과 의사결정나무 기법을 활용하였디. 베이시안 통계기법은 각 지화학도에 분포하는 원소의 화소값을 올림차순으로 정열한 후 자료의 개수가 자기 5, 25, 50, 75, 95, $100\%$에 해당하는 등급을 나누어 모든 지화학도를 6개의 등급을 갖는 도면으로 재분류 하였다. 자 등급에 속한 광산의 개수를 대상으로 광산이 발생할 확률이 계산되었으며, 이 확률을 취합하여 최종 사후확률이 계산되었으며, 사후확률로 광산이 배태될 예측 도면이 작성되었다. 금/은, 동, 철, 납/아연, 텅스텐광산 및 광산이 존재하지 않는 위치에 해당하는 지화학 자료와 암상을 기준으로 의사결정나무를 학습시키고, 학습된 결과를 전체 자료에 적용하여 예측도면을 작성하였다. 광산이 존재하지 않은 지역을 추출하기 위하여 지화학도의 화소를 1km간격으로 추출한 후 이들 중 광산과 750m이내에 있는 자료는 제외시키는 알고리듬을 활용하였다. 예측결과 베이시안 방법에 의한 광산의 위치 예측이 의사결정나무에 의한 예측보다 상대적으로 정확함이 확인되었다. 그러나 두 방법 모두 공히 기존의 광산위치를 적절히 예측하고 있어서 지화학 자료는 광산의 위치와 밀접한 관계를 갖고 있음이 확인되었다.
지화학 자료의 공간적 분포와 금은광산의 공간적 분포사이의 상관관계를 조사하였다. 활용된 자료는 한국자원연구소에서 발간된 지화학도 중 21개 원소에 대한 도면과, 현재까지 파악된 광산의 위치도면 및 1:100만 지질도이다. 지화학도는 250m 등간격의 격자형 화소로 제작된 도면 중 통계분석을 위하여 1km 간격의 자료를 추출하여 분석하였으며, 광산위치의 지화학 자료 역시 250m 간격의 화소에서 추출하여 분석을 수행하였다. 광산과 지화학자료의 공간적인 상관분석은 베이시안 중첩법과 의사결정나무 기법을 활용하였디. 베이시안 통계기법은 각 지화학도에 분포하는 원소의 화소값을 올림차순으로 정열한 후 자료의 개수가 자기 5, 25, 50, 75, 95, $100\%$에 해당하는 등급을 나누어 모든 지화학도를 6개의 등급을 갖는 도면으로 재분류 하였다. 자 등급에 속한 광산의 개수를 대상으로 광산이 발생할 확률이 계산되었으며, 이 확률을 취합하여 최종 사후확률이 계산되었으며, 사후확률로 광산이 배태될 예측 도면이 작성되었다. 금/은, 동, 철, 납/아연, 텅스텐광산 및 광산이 존재하지 않는 위치에 해당하는 지화학 자료와 암상을 기준으로 의사결정나무를 학습시키고, 학습된 결과를 전체 자료에 적용하여 예측도면을 작성하였다. 광산이 존재하지 않은 지역을 추출하기 위하여 지화학도의 화소를 1km간격으로 추출한 후 이들 중 광산과 750m이내에 있는 자료는 제외시키는 알고리듬을 활용하였다. 예측결과 베이시안 방법에 의한 광산의 위치 예측이 의사결정나무에 의한 예측보다 상대적으로 정확함이 확인되었다. 그러나 두 방법 모두 공히 기존의 광산위치를 적절히 예측하고 있어서 지화학 자료는 광산의 위치와 밀접한 관계를 갖고 있음이 확인되었다.
This study investigates the relationship between the geochemical maps and the gold-silver deposit locations. Geochemical maps of 21 elements, which are published by KIGAM, locations of gold-silver deposits, and 1:1,000,000 scale geological map of Korea are utilized far this investigation. Pixel size...
This study investigates the relationship between the geochemical maps and the gold-silver deposit locations. Geochemical maps of 21 elements, which are published by KIGAM, locations of gold-silver deposits, and 1:1,000,000 scale geological map of Korea are utilized far this investigation. Pixel size of the basic geochemical maps is 250m and these data are resampled in 1km spacing for the statistical analyses. Relationship between the mine location and the geochemical data are investigated using bayesian statistics and decision tree algorithms. For the bayesian statistics, each geochemical maps are reclassified by percentile divisions which divides the data by 5, 25, 50, 75, 95, and $100\%$ data groups. Number of mine locations in these divisions are counted and the probabilities are calculated. Posterior probabilities of each pixel are calculated using the probability of 21 geochemical maps and the geological map. A prediction map of the mining locations is made by plotting the posterior probability. The input parameters for the decision tree construction are 21 geochemical elements and lithology, and the output parameters are 5 types of mines (Ag/Au, Cu, Fe, Pb/Zn, W) and absence of the mine. The locations for the absence of the mine are selected by resampling the overall area by 1 km spacing and eliminating my resampled points, which is in 750m distance from mine locations. A prediction map of each mine area is produced by applying the decision tree to every pixels. The prediction by Bayesian method is slightly better than the decision tree. However both prediction maps show reasonable match with the input mine locations. We interpret that such match indicate the rules produced by both methods are reasonable and therefore the geochemical data has strong relations with the mine locations. This implies that the geochemical rules could be used as background values oi mine locations, therefore could be used for evaluation of mine contamination. Bayesian statistics indicated that the probability of Au/Ag deposit increases as CaO, Cu, MgO, MnO, Pb and Li increases, and Zr decreases.
This study investigates the relationship between the geochemical maps and the gold-silver deposit locations. Geochemical maps of 21 elements, which are published by KIGAM, locations of gold-silver deposits, and 1:1,000,000 scale geological map of Korea are utilized far this investigation. Pixel size of the basic geochemical maps is 250m and these data are resampled in 1km spacing for the statistical analyses. Relationship between the mine location and the geochemical data are investigated using bayesian statistics and decision tree algorithms. For the bayesian statistics, each geochemical maps are reclassified by percentile divisions which divides the data by 5, 25, 50, 75, 95, and $100\%$ data groups. Number of mine locations in these divisions are counted and the probabilities are calculated. Posterior probabilities of each pixel are calculated using the probability of 21 geochemical maps and the geological map. A prediction map of the mining locations is made by plotting the posterior probability. The input parameters for the decision tree construction are 21 geochemical elements and lithology, and the output parameters are 5 types of mines (Ag/Au, Cu, Fe, Pb/Zn, W) and absence of the mine. The locations for the absence of the mine are selected by resampling the overall area by 1 km spacing and eliminating my resampled points, which is in 750m distance from mine locations. A prediction map of each mine area is produced by applying the decision tree to every pixels. The prediction by Bayesian method is slightly better than the decision tree. However both prediction maps show reasonable match with the input mine locations. We interpret that such match indicate the rules produced by both methods are reasonable and therefore the geochemical data has strong relations with the mine locations. This implies that the geochemical rules could be used as background values oi mine locations, therefore could be used for evaluation of mine contamination. Bayesian statistics indicated that the probability of Au/Ag deposit increases as CaO, Cu, MgO, MnO, Pb and Li increases, and Zr decreases.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
그러므로 예측된 결과의 정확한 검증은 새로운 광산이 예측된 지역에서 발견되는것을 확인하는 것이다. 그러나 이러한 검증을 위하여 광산의 탐사를 수행할 수 없는 한계가 있어서 본 연구에서는 예측된 지역에 기존광산이 어느 정도 포함되어 있는지를 확인하기로 하겠다. 즉 기존자료의 입력에 의해 예측된 규칙이 기존자료와 어느 정도의 연관성이 있는지를 확인하는 것이다.
본 연구는 알려진 광산 위치를 이용하여 지화학 원 소와 지질도의 요인이 광산에 배태에 미치는 영향을 전산학습 시켜서 학습된 규칙을 적용하여 광산의 배태 가능성을 예측한 것이다. 그러므로 예측된 결과의 정확한 검증은 새로운 광산이 예측된 지역에서 발견되는것을 확인하는 것이다. 그러나 이러한 검증을 위하여 광산의 탐사를 수행할 수 없는 한계가 있어서 본 연구에서는 예측된 지역에 기존광산이 어느 정도 포함되어 있는지를 확인하기로 하겠다.
의사결정나무를 이용한 분류의 목적은 속성의 특성에 따라 입력된 자료를 특정 카타고리로 분류하는데 있다. 그러므로 입력 자료가 주어지면, 속성에 값에 의해 계층적으로 분 류해 나가서 자료의 카다고리를 설정하는 것을 목적으로 한다. 여기에서 분류될 최종 카타고리는 나무의 잎 사귀(leaf)라는 의미에서 잎이라 정의한다.
본 연구는 알려진 광산 위치를 이용하여 지화학 원 소와 지질도의 요인이 광산에 배태에 미치는 영향을 전산학습 시켜서 학습된 규칙을 적용하여 광산의 배태 가능성을 예측한 것이다. 그러므로 예측된 결과의 정확한 검증은 새로운 광산이 예측된 지역에서 발견되는것을 확인하는 것이다.
본 연구에서는 전국을 대상으로 한 21개 원소의 분포도, 지질도, 713개의 광산 위치 도면 등을 취합, 분석하여 광산과 화학원소 및 지질의 상관관계를 유추하고, 가능성 높은 광산 위치의 예측 도면의 작성을 목적으로 한다. 자료의 분석은 기존에 흔히 사용되어온 베이시안 기법과 데이터마이닝 기법을 활용하였다.
그러나 이러한 검증을 위하여 광산의 탐사를 수행할 수 없는 한계가 있어서 본 연구에서는 예측된 지역에 기존광산이 어느 정도 포함되어 있는지를 확인하기로 하겠다. 즉 기존자료의 입력에 의해 예측된 규칙이 기존자료와 어느 정도의 연관성이 있는지를 확인하는 것이다.
제안 방법
입력 자료에 의해 제작된 의사결정나무는 총 572개의 마디에서 333개의 잎을 갖는 구조이다. 가지 치기를 수행하여 보았으나, 가지치기 후 광산위치 예 측에 적용할 때, 분류가 지나치게 단순화 되어 문제를 발생시키므로, 본 연구에서는 가지치기의 과정을 생략 한 원 분류 구조를 예측에 적용하였다. 학습된 나무구 조는 금 .
광산의 위치에 해당하는 21종의 지화학 정보(2。3, Ba, CaO, Co, Cr, Cu, Fe2O3, K2O, Li, MgO, MnO, Na2O, Ni, Pb, Rb, SiO2, Sr, TiO2, V Zn, Zr)와 지질도의 암상정보를 학습시켜 의사결정나무를 제작하였다. 학습의 입력 자료는 전기한 지화학과 지 질자료이며 출력자료로서 금 .
광산이 배태되지 않은 위치를 하나의 출 력 분류로 설정한 이유는 학습과정에서 지화학 자료가너무 광범위하게 적용되어 입력 자료의 영역이 지나치 게 확대되는 것을 방지하기 위함이다. 광산이 배태되 지 않은 지역의 설정을 위하여 전국의 자료를 1km 등 간격으로 분할하여 분할 지점의 지화학과 암상 자료를 비교하였다. 광산의 위치에서 750 m 이내에 존재하는 지화학 자료는 광산이 배태되지 않은 영역의 자 료군에서 제외시켰다.
예측의 성공률을 개략적으로 분석하기 위하여 contrast 값을 Table 4와 같이 5개의 등급으로 분류하고 각 등급의 면적비율을 구하였다. 또한 예측된 자료 의 개수를 등급별로 분류하여 그 비율을 구하였다. 각 등급별 likelihood ratio는 등급의 면적비율을 예측자료 의 비율로 나눠 준 값으로 Table 4에 기술된 바와 같다.
1) 및 1:1,000,000 축척 지질도(강필종, 1995)이다. 모든 도면은 1km 간격의 그리드 자료로 처리하여 통계계산을 수행하였다. 이 과정에서 광산의 위치는 점원의 위치를 1km2 단위의 면적으로 변환하여 면적에 관련된 확률로 계산을 수행하였다.
자료의 등급분류는 자료를 오름차순으로 정렬한 후 전체 자료의 개수 중 특정 비율(퍼센트)에 속하는 자료 값을 분류의 경계로 지정하는 퍼센타일 기법을 활용하였다. 선택된 분류경계는 자료개수의 비율이 각기 5, 25, 50, 75, 95, 100%에 해당하는 자료값을 경계로 설정하였다. 21개 원소(AI2O4, Ba, CaO, Co, Ci; Cu, Fe2O3, K20, Li, MgO, MnO, Na2O, Ni, Pb, Rb, SiO2, Sr, TiO2, V Zn, Zr)에 대한 퍼센타일 등급분류의 경계는 Tablel과 같다.
은, 동, 철, 납. 아연, 텅 스텐 및 광산이 배태되지 않는 위치의 6가지 분류를 설정하였다. 광산이 배태되지 않은 위치를 하나의 출 력 분류로 설정한 이유는 학습과정에서 지화학 자료가너무 광범위하게 적용되어 입력 자료의 영역이 지나치 게 확대되는 것을 방지하기 위함이다.
79까지로 분 포한다. 예측의 성공률을 개략적으로 분석하기 위하여 contrast 값을 Table 4와 같이 5개의 등급으로 분류하고 각 등급의 면적비율을 구하였다. 또한 예측된 자료 의 개수를 등급별로 분류하여 그 비율을 구하였다.
1에 점기된 713개의 금.은광의 광산위치를 이용하여 수행되었다. Table 1의기준 등급에 해당하는 화소의 개수와 동일등급 내에 해당되는 광산의 개수를 이용해 계산된 양과 음의 우도는 Table 2와 같으며 contrast 값은 Fig.
모든 도면은 1km 간격의 그리드 자료로 처리하여 통계계산을 수행하였다. 이 과정에서 광산의 위치는 점원의 위치를 1km2 단위의 면적으로 변환하여 면적에 관련된 확률로 계산을 수행하였다. 자료처리에 활용된 s/w는 도면처리를 위해 Arc View와 Map Object가 활용되었으며, 데이터베이스 및 통계계산은 Visual Basic과 Excel Macro Language 로 제작된 알고리듬을 활용하였다.
, 1995; Wright and Bonham-Carter, 1996; Carranza and Hale, 1999; Asadi and Hale, 2001). 이러한 연구는 광산을 배태시키는데 영향력이 큰 지질학적 요인들을 선별하여 광역적인 도면으로 작성하고, 그 도면에 현재 광산의 위치를 중첩한 후, 중첩된 광산의 빈도를 정량화된 통계치로 계산한 훅 통계치를 중첩하여 광산이 배태될 가능성에 대한 최종 확률을 구하는 방법으로 진행된다. 그러므로 광산과 관련된 지질학적 요인들이 적절히 선택되고 정확히 도면화 되었을 경우, 광역적인 예측이 가능할 수 있는 우수한 연구방법이다.
아연, 텅스텐 및 광산이 배 태되지 않는 위치의 6가지 분류 결과를 갖고 있다. 전 국의 1km2 단위의 지화학자료를 학습된 의사결정나무 에 적용하여 각 화소에 해당되는 광산의 종류를 분류 하였다. 제작된 도면은 6종류의 주제를 갖고 있으나 자 료 분석의 동질성을 유지하기 위하여 이들 중 금은광 의 예측결과만을 선별하여 Fig.
지화학 자료를 등급별로 분류하여 각 등급에 해당되는 광산의 개수를 파악함으로 등급별 확률을 계산하였다. 자료의 등급분류는 자료를 오름차순으로 정렬한 후 전체 자료의 개수 중 특정 비율(퍼센트)에 속하는 자료 값을 분류의 경계로 지정하는 퍼센타일 기법을 활용하였다.
대상 데이터
본 연구에 활용된 자료는 전국 규모의 21개 원소에 관한 지화학도(신성천, 2001)와 713개의 금.은광산 위치가 점기된 광산위치도(Fig.
데이터처리
이 과정에서 광산의 위치는 점원의 위치를 1km2 단위의 면적으로 변환하여 면적에 관련된 확률로 계산을 수행하였다. 자료처리에 활용된 s/w는 도면처리를 위해 Arc View와 Map Object가 활용되었으며, 데이터베이스 및 통계계산은 Visual Basic과 Excel Macro Language 로 제작된 알고리듬을 활용하였다.
이론/모형
3. Constructed probability map by the Bayesian method. Cross points in the map represent the localities of the goldsilver deposits.
Table 4. Likelihood ratio calculations for the Bayesian method.
본 연구에서 계산된 각 화소의 가중치는 (식 7)에 의해 계산된 contrast 값으로서 일반적인 사후 확률의 값은 아니다. 그러나 Bonham-Carter et al. (1989)가 지적하였듯이 contrast 값은 본 연구와 같이 광산배태의 상관관계를 상대적으로 비교하는데 매우 유용하게 활용될 수 있으므로 이를 적용하였다.
0 (Quinlan, 1993) 등이 있다. 본 연구에서 사용하는 C4.5 알고리듬은 마디에 지정될 속성의 선택을 위해서 정보이론(information theory) (Shannon, 1949X 이용한다. 정보이론은 자료와 분포양상을 정 량 화 한 엔트로피라 불리는 지수를 활용한다.
분석에 활용된 이는 weka로서, J48 알고리듬을 이용하였다. 입력 자료에 의해 제작된 의사결정나무는 총 572개의 마디에서 333개의 잎을 갖는 구조이다.
지화학 자료를 등급별로 분류하여 각 등급에 해당되는 광산의 개수를 파악함으로 등급별 확률을 계산하였다. 자료의 등급분류는 자료를 오름차순으로 정렬한 후 전체 자료의 개수 중 특정 비율(퍼센트)에 속하는 자료 값을 분류의 경계로 지정하는 퍼센타일 기법을 활용하였다. 선택된 분류경계는 자료개수의 비율이 각기 5, 25, 50, 75, 95, 100%에 해당하는 자료값을 경계로 설정하였다.
본 연구에서는 전국을 대상으로 한 21개 원소의 분포도, 지질도, 713개의 광산 위치 도면 등을 취합, 분석하여 광산과 화학원소 및 지질의 상관관계를 유추하고, 가능성 높은 광산 위치의 예측 도면의 작성을 목적으로 한다. 자료의 분석은 기존에 흔히 사용되어온 베이시안 기법과 데이터마이닝 기법을 활용하였다.
성능/효과
일반적으로 contrast 값이 0 이하일 경우는 광산의 배태 가능성이 없는 것이며 0 이상일 때 값의 크기가 커지는 만큼 예측의 가능성이 높아진다고 생각할 수 있다. 계산된 결과는 전체 자료의 개수 713개 중 36.5%인 260개가 contrast 값 0 이하의 영역에 분포 하며 63.5%인 453개가 0 이상의 영역에 분포한다. 한편 면적비로 계산된 likelihood ratio의 경우는 0 이하여 영역에서는 1 이하의 값을 갖으며, 0 이상의 영역 에서는 contrast 값이 증가하면 3개의 등급에서 각기 1.
예측된 영역에 포함되는 광산의 개수 비율만으로 비 교할 경우 의사결정나무는 69.8%, 베이시안 기법은 63.5%의 적중률을 보이고 있어서 의사결정나무가 다소 우수한 결과를 보이고 있다(Eble 4, 5). 한편 강원도 와 경기도 일원의 경우 광산의 위치와 예측된 광산의 영역이 잘 일치하는 반면에 충청도 내륙과 경상도 일 원의 일부 광산지역이 예측지역과 불일치하는 곳이 관 찰된다(Fig.
후속연구
본 연구의 결과를 확실히 검증하는 방법은 현재 제 작된 예측도면을 이용하여 광상을 탐사하여 새로운 금 은광을 발견하면서 적중확률을 확인하는 것이나 이는 단기간의 연구로 가능하지 않다. 그러므로 본 연구는 이와 같은 예측의 검증을 지속적으로 수행하여야 할 과제로 남기고 있다.
본 연구의 결과를 확실히 검증하는 방법은 현재 제 작된 예측도면을 이용하여 광상을 탐사하여 새로운 금 은광을 발견하면서 적중확률을 확인하는 것이나 이는 단기간의 연구로 가능하지 않다. 그러므로 본 연구는 이와 같은 예측의 검증을 지속적으로 수행하여야 할 과제로 남기고 있다.
참고문헌 (20)
강필종 (1995) 한국 지질도, 축척 1:1,000,000. 한국자원연구소, 성지문화사
신성천 (2001) 한국 지구화학 지도책(1:700,000), 한국지질자원연구원
Asadi H.H. and Hale M. (2001) Apredictive GIS model for mapping potential gold and base metal mineralization in Takab area, Iran. Computer & Geosciences v.27, p. 901-912
Bolviken, B. (1986) Geochemical atlas of northern Fen-noscandia, scale 1:4.000.000. Geological Survey of Sweden, 19pp, 155 maps
Bonham-Carter, G.E, Agterberg, EP. and Wright, D.E (1989) Weights of evidence modelling: a new approach to mapping mineral potential. In: Agterberg, ER, Bonham-Carter, G.E, (Eds.), Statistical Applications in the Earth Sciences. Geological Survey of Canada Paper, 89-9, p. 171-183
Bonham-Carter, G.E (1994) Geographic Information Systems for geoscientists, modeling with GIS. Pergamon Press, Oxford, 398pp
Breiman, L., Friedman J.H., Olshen R. and Stone C. (1984) Classification and Regression Trees, Wad-sworth International Group, California
Carranza, E.J.M. and Hale, M. (1999) Geological-constrained probabilistic mapping of gold potential, Baguio District, Philippines. Geocomputation 99, July 2528, Fredericksburg, Virginia, Conference Volume on CD-ROM
Debes J.D. and Urrutia R. (2004) Bioinformatics tools to understand human diseases. Surgery 135, v. 6, p. 579-585
Harris, J.R., L. Wilkinson, J. Broome, and S. Fumerton, (1995) Mineral exploration using GIS-based favour-ability analysis, Swayze greenstone belt, northern Ontario, in Proceedings of 1995 Canadian Geomatics, Ottawa, Ontario Canada
Hwang, S.G., Nguyen Q.P. and Lee P.K. (2005) Reproducibility of a regional geological map derived from geochemical maps, using data mining techniques: with application to Chungbuk province of Korea. Environmental Geology, in press
IGS. (1978) Geochemical atlas of Gt. Britain: Shetland Islands. Institute of Geological Sciences, London
Kass, G.V (1980) An exploratory technique for investigating quantities of categorical data. Applied Statistics 29 v. 2, p. 119-127
Lahermo, E, Vaananen E, Tarvainen T. and Salminen R. (1996) Geochemical Atlas of Finland, Part 3: Environmental geochemistry - Stream waters and sediments. Geological Survey of Finland, Espoo, 149p
Meyer, W.T., Theobald EK., Bloom H. (1979) Stream sediment geochemistry. In: Hood EJ. (ed) Geophysics and geochemistry in the search for metallic ores. Geol Surv Can. Econ. Geol. Rep., v.31, p 411-434
Quinlan, J.R. (1986) Induction of decision trees. Machine Learning 1, v.1, p. 81-106
Quinlan, J.R. (1993) C4.5: Programs for machine learning. San Francisco: Morgan Kaufmann Publishers
Shannon, C.E. and Weaver W (1949) The Mathematical Theory of Communication, University of Illinois Press
Webb, J.S., Thornton I., Howarth R.J. and Thompson M. (1978) The Wolfson Geochemical Atlas of England and Wales. Clarendon Press, United Kingdom, 69pp
Wright, D.E and Bonham-Carter G.E (1996) VHMS favourability mapping with GIS-based integration models, Chisel Lake-Anderson Lake area, in : Bonham-Carter, Galley, and Hall (eds.): EXTECHLA mul-tidisciplinary approach to massive sulfide research in the Rusty Lake-Snow Lake greenstone belts, Manitoba. Geolocical Survey of Canada, Bulletin, v. 426, p. 339-376
※ AI-Helper는 부적절한 답변을 할 수 있습니다.