[논문]유출량 및 수질자료를 이용한 인공신경망 예측모형 개발에 관한 연구

오창열; 진영훈; 김동렬; 박성천

doi:10.3741/jkwra.2008.41.10.1035

유출량 및 수질자료를 이용한 인공신경망 예측모형 개발에 관한 연구
Study on Development of Artificial Neural Network Forecasting Model Using Runoff, Water Quality Data 원문보기

韓國水資源學會論文集 = Journal of Korea Water Resources Association, v.41 no.10, 2008년, pp.1035 - 1044

오창열 (유량조사사업단 품질정책실) , 진영훈 (동신대학교 토목공학과) , 김동렬 (동신대학교 토목공학과) , 박성천 (동신대학교 토목공학과)

초록
AI-Helper

하도내에서 발생하는 유출량 및 TOC 자료는 비선형성이 강한 자료임에 따라 홍수에 대한 재난대응과 수질의 상시감시를 위해서는 자료의 특성 분석과 예측에 관한 연구는 필수라 할 수 있다. 따라서 본 연구에서 유출량 및 TOC, TOC부하량 자료에 대한 웨이블렛 변환에 의해 최종분해된 최종파형분해단계의 근사성분과 상세성분을 이용하여 예측모형을 개발하였다. 그 결과 기존 인공신경망 모형에서 관찰되었던 시계반대 방향으로 전이되는 지속현상의 극복 가능성을 보여주었으며, 기존 인공신경망 모형에 비하여 예측의 정확도가 향상됨을 확인할 수 있었다. 이러한 연구결과는 향후 홍수에 대한 피해를 최소화하고 각종 수질사고에 적극적인 대응방안 수립이 가능할 것으로 기대된다.

Abstract ▼ AI-Helper

It is critical to study on data charateristics analysis and prediction for the flood disaster prevention and water quality monitoring because discharge and TOC data in a river channel are strongly nonlinear. Therefore, in the present study, prediction models for discharge, TOC, and TOC load data were developed using approximation component in the last level and detail components segregated by wavelet transform. The results show that the developed model overcame the persistence phenomenon which could be seen from previous models and improved the prediciton accuracy comparing with the previous models. It might be expected that the results from the present study can mitigate flood disaster damage and construct active alternatives to various water quality problems in the future.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

일반적으로 인공신경망 모형의 입력 자료는 대상지점에 영향을 미치는 선행강우량 및 선행유출량 자료를 자기상관분석 등을 통하여 결정한다. 그러나 본 연구에서는 서론의 연구목적에 기술하였듯이 대상자료에 포함된 잡음성분 판별하기 위하여 인공신경망을 적용하였으며, 최적의 입력자료를 구성하고자 하였다. 이는 웨이블렛 변환은 다양한 주파수 성분에 대한 유연한 분해능을 갖는 특성에 근거한다.
본 연구는 유출량 및 TOC, TOC부하량 예측모형을 개발하기 위하여 잡음저감과 시간과 주파수 영역에서의 유연한 분해능을 갖는 웨이블렛 변환 적용하였으며 이에 따른 결과인 근사성분과 상세성분을 인공신경망 모형의 입력자료로 활용하였다. 더불어 최적의 예측모형 개발에 있어서 일반적으로 인공신경망에서 관찰되는 지속현상을 해결하고자 하였으며, 이러한 연구과정을 통하여 얻은 결과는 다음과 같다.
따라서 본 연구는 비선형동역학과 웨이블렛 이론의 적용에 관한 선행 연구(오창열 등, 2007)를 통하여 최종 분해된 최적파형분해단계의 근사성분과 상세성분에 대한 잡음성분의 판별의 도구로서 인공신경망 모형의 적용 가능성을 검토하고자 하며, 더불어 인공신경망 모형의 입력자료로 활용하여 유출량 및 TOC, TOC부하량 예측모형을 개발하고자 한다.

가설 설정

Figs. 5(a) and (b)에 나타낸 바와 같이 전체적으로 관측값과 예측값이 일치하고 있음을 확인할 수 있으며,박성천 등(2006 b)이 산포도로 도시할 경우 관찰되는 지속현상은 발견할 수 없었다.

제안 방법

Model Ⅶ(TOC) 모형에 대하여 은닉층 노드의 수에 따른 최적의 모형을 탐색하였으며, 그 결과는 Fig. 6과 같다. 은닉층 노드의 수에 따른 Model Ⅶ(TOC) 모형의 R² 는 1에 가까운 0.
도식적 기준은 입력 자료의 구성에 따른 관측값과 모의값에 대한 시계열 곡선과 산포도를 도시하여 평가하였다. 여기서, Dis.
본 연구는 1시간 후 유출량 및 TOC, TOC부하량 예측 모형을 개발하기 위하여 선행연구 결과로 기 확보된 웨이블렛 변환함수 ‘db10’에 의하여 최종 변환된 최적파 형분해단계의 근사성분과 각 상세성분을 이용하여 다음의 Eqs.
본 연구는 유출량 및 TOC, TOC부하량 예측모형을 개발하기 위하여 잡음저감과 시간과 주파수 영역에서의 유연한 분해능을 갖는 웨이블렛 변환 적용하였으며 이에 따른 결과인 근사성분과 상세성분을 인공신경망 모형의 입력자료로 활용하였다. 더불어 최적의 예측모형 개발에 있어서 일반적으로 인공신경망에서 관찰되는 지속현상을 해결하고자 하였으며, 이러한 연구과정을 통하여 얻은 결과는 다음과 같다.
일차적으로 선택된 모형인 Model Ⅵ(Dis.)에 대하여 인공신경망의 매개변수 중 하나인 은닉층 노드의 수에 따른 최적의 모형을 탐색하였으며 수치적 기준인 R2 및 RMSE, PEP값의 변화 곡선은 Fig. 4와 같다.

대상 데이터

대상 자료는 2003년 1월 1일 00시부터 2004년 12월 31일 23시까지 총 17,544개의 시자료이고, 유출량은 유역내에서 발생하는 강우 등에 의하여 단위시간(sec)에 하천의 한 횡단면을 통과하는 따른 물의 양을 의미하는 것으로써 Table 1의 수위-유량관계곡선식에 시수위를 대입하여 환산한 값이다(건설교통부, 2004). 이에 따른 기술통계 분석 결과는 Table 2와 같다.
인공신경망 모형은 훈련과정에서의 입력자료 범위를 초과하거나 미만인 자료에 대해서는 외삽추정에 의한 예측력이 떨어지는 특성을 갖고 있다. 따라서 훈련자료는 Fig. 3에서 나타난 바와 같이 2004년 8월 태풍 메기에 의하여 큰 유출량과 TOC부하량 값을 갖는 2004년도 자료를 이용하였으며 검증자료는 2003년도 자료를 적용하였다.
본 연구의 대상지점은 영산강 유역의 본류부를 대표하는 나주지점이며 1991년 영산강의 홍수예보 System의 일환으로 TM 수위관측소를 설치한 지점이다. 또한 환경부는 수질의 상시감시 기능과 조기경보체계의 구축을 위해 수질자동 측정망을 설치 운영 중에 있다.
수치적 기준과 도식적 기준을 이용하여 본 연구에서 선정한 나주지점의 유출량의 특성을 가장 잘 반영하고 있는 모형은 Model Ⅵ(Dis.)_23 모형이며, 본 모형은 최종 파형 분해단계 및 D7～D3의 근사 · 상세성분에 대한 시차 1～2로 구성된 모형이다.

데이터처리

수치적 기준으로는 모형의 효율성에 대한 판단기준으로 결정계수(R²)값과 모형의 적합도 검증을 위하여 RMSE(Root Mean Square Error), 유출량 및 수질오염 사고에 대한 예측을 통해 수자원의 효율적인 관리 및 재난재해에 보다 적극적으로 대응하기 위한 지표로서 PEP(Peak Error Percent)를 이용하였으며 이에 따른 통계적 특성치는 Table 3과 같다.

이론/모형

검출기를 이용하여 전체 유기물의 양을 나타내는 수질지표이다(정명규 등, 2001). TOC 자료는 측정기기의 보정을 위한 Auto-calibration, 시약교체 및 라인세척 등으로 결측자료가 발생하게 되며, 이러한 결측자료에 대하여 본 연구에서는 일반적인 보간 방법으로 알려진 선형보간법을 이용하였다.
본 연구에서는 나주지점의 TOC부하량 자료의 특성을 가장 잘 반영하는 모형으로 Model Ⅵ(T.L.)_17 모형을 선택하였다. 수치적 기준에서는 Model Ⅵ(T.
최급강하법은 목적함수의 1차 도함수를 이용한 기울기에 비례하는 조정량을 산출하여 목적함수의 값이 개선될 수 있도록 매개변수의 최적화를 위해 반복적으로 탐색하는 방법이다. 본 연구에서는 최급강하법의 보다 효율적인 훈련과 더 나은 결과의 도출을 위해 모멘텀상수와 적응식학습율을 사용하였으며 그 식은 다음과 같다.
이에 대한 모형의 적용성과 예측력에 대한 평가 기준은 WMO(world meteorological organization, 1975)에서 제안한 수치적 기준과 도식적 기준을 이용하였다.

성능/효과

훈련과정(Fig. 9(b))의 산포도를 살펴보면 16 Kg/sec이하의 부하량에 대한 예측값은 우수한 예측력을 보이고 있으나 16～25 Kg/sec 사이의 예측값은 다소 과대평가하고 있고, 첨두 부하량까지는 과소평가하는 양상을 보였다. 또한 예측모형에 대한 검증결과 상승부에서 과소평가하는 지속현상을 다소 확인할 수 있었다.
1) 본 연구에서 최종 선택한 유출량 및 TOC, TOC부하량 모형은 D1 성분을 제외한 모형으로서 D1 성분이 포함된 예측모형과 차별성을 갖는 것으로 나타났다. 이는 선행연구 과정에서도 확인하였듯이 D1 성분은 고주파수에 해당하며 가장 작은 에너지 값을 갖는 잡음성분임에 기인한 것으로 판단된다.
2) 최적의 유출량 예측모형은 Model Ⅵ_23(Dis.) 모형으로서 훈련 및 검증과정에서의 R²에 대한 통계적 결과치는 각각 0.994, 0.993, RMSE는 각각 29.618, 20.454, PEP는 각각 -5.215, -0.647로 나타났으며 일반적인 신경망 모형에 나타나는 지속현상을 발견할 수 없었다.
3) 최적의 TOC 예측모형은 Model Ⅶ_29(TOC) 모형으로 훈련 및 검증과정에서의 R 2 에 대한 통계적 결과치는 각각 0.998, 0.998, RMSE는 각각 0.065, 0.056, PEP는 각각 -5.130, 0.800로 나타났으며본 모형 역시 일반적인 신경망 모형에 나타나는 지속현상을 발견할 수 없었다.
4) 최적의 TOC부하량 예측모형은 Model Ⅵ_17(T.L.) 모형으로 R 2 에 대한 통계적 결과치는 각각 0.989, 0.993, RMSE는 각각 0.212, 0.088, PEP는 각각 -7.608, -5.839로 나타났으나 본 모형에서는 지속현상을 다소 확인할 수 있었다. 이는 대상 자료의 최대값과 최소값의 비율이 1,500배 해당하는 큰 범위를 갖는 것에 기인한 것으로 판단된다.
TOC 예측모형은 ModelⅠ(TOC)부터 Model Ⅶ(TOC)까지 점진적으로 개선되는 경향을 보였으나 Model Ⅶ(TOC) 이후의 모형에서는 크게 개선되지 않는 것으로 나타났다. 또한 Model Ⅶ(TOC) 모형은 Model Ⅵ(TOC) 모형에 비하여 검증과정에서 다소 과대평가하는 것으로 나타났으나 각종 수질 오염사고 대비하고자 하는 본 연구의 목적에 비추어 볼 때 ModelⅦ(TOC) 모형이 가장 우수한 것으로 판단된다.
)_15 모형 다음으로 우수하게 나타났다. 그러나 Model Ⅵ(Dis.)_15 모형의 R² 및 RMSE에 대한 통계치를 Model Ⅵ(Dis.)_23 모형과 비교하여 볼 때 본 연구에서 선택한 모형이 확연하게 우수한 예측력을 보이고 있다.
더불어 각종 수질오염 사고에 대하여 보다 적극적인 대책수립을 위해서는 첨두농도에 대한 예측의 정확성이 담보되어야 하는데 본 연구에서 개발한 Model Ⅶ(TOC)_29 모형은 TOC 첨두농도에 대해서도 정확한 예측값을 보이고 있음을 Fig. 7을 통해 확인할 수 있다. 이상의 결과로 본 연구에서 개발한 Model Ⅶ(TOC)_29 모형을 수질의 상시 감시기능과 조기경보체계의 구축 업무에 적용할 경우 보다 효율적인 운용이 가능할 것으로 기대된다.
TOC 예측모형은 ModelⅠ(TOC)부터 Model Ⅶ(TOC)까지 점진적으로 개선되는 경향을 보였으나 Model Ⅶ(TOC) 이후의 모형에서는 크게 개선되지 않는 것으로 나타났다. 또한 Model Ⅶ(TOC) 모형은 Model Ⅵ(TOC) 모형에 비하여 검증과정에서 다소 과대평가하는 것으로 나타났으나 각종 수질 오염사고 대비하고자 하는 본 연구의 목적에 비추어 볼 때 ModelⅦ(TOC) 모형이 가장 우수한 것으로 판단된다.
9(b))의 산포도를 살펴보면 16 Kg/sec이하의 부하량에 대한 예측값은 우수한 예측력을 보이고 있으나 16～25 Kg/sec 사이의 예측값은 다소 과대평가하고 있고, 첨두 부하량까지는 과소평가하는 양상을 보였다. 또한 예측모형에 대한 검증결과 상승부에서 과소평가하는 지속현상을 다소 확인할 수 있었다.
) 모형은 검증 과정에서 Model Ⅶ와 ModelⅤ에 비하여 첨두유출량에 대한 예측력이 우수한 것으로 분석되었다. 또한, ModelⅥ(T.L.) 모형의 첨두 TOC부하량은 검증과정에서 Model Ⅶ(T.L.)에 비하여 과소평가된 것으로 나타났으나, 훈련과정을 포함한 전체적인 결과에서 가장 우수한 것으로 나타났다.
본 모형은 훈련 및 검증과정에서 가장 우수한 R² 및 RMSE 통계치를 보였으며 PEP에 대한 통계치를 살펴보면 훈련과정에서는 다소 과소평가하고 있었으나 검증과정에서는 Model Ⅵ(Dis.)_15 모형 다음으로 우수하게 나타났다. 그러나 Model Ⅵ(Dis.
)_17 모형을 선택하였다. 수치적 기준에서는 Model Ⅵ(T.L.)_13 모형이 Model Ⅵ(T.L.)_17 모형에 비하여 우수한 결과값을 보였으나 검증과정에서는 시계반대 방향으로 전이되는 지속현상이 두드러지게 나타났다. 이는 본 연구과정에서 밝힌 바와 같이 타 연구논문과의 차별성을 갖고자 하는 본 연구목적에 부합하지 않는 것에 근거한다.
유출량 및 TOC부하량 예측모형에 대한 훈련 및 검증과정의 통계적 특성치를 살펴보면 ModelⅠ부터 Model Ⅵ까지 점진적으로 개선되는 경향을 보였으나 Model Ⅶ 이후의 모형에서는 예측의 정확성이 낮아지는 경향을 보였다. 부가적으로 Model Ⅵ(Dis.
이상의 연구 결과는 일반적인 인공신경망 모형의 산포도에서 시계반대 방향으로 전이되는 지속현상을 극복한 것으로써 기존 인공신경망 모형에 비하여 예측의 정확도를 개선하였다는 의미를 갖는다.
6으로부터 알 수 있다. 이와 같은 결과를 종합하여 볼 때 본 연구에서는 훈련 및 검증과정에서의 R² 은 각각 0.998, 0.998이며 RMSE는 0.065, 0.056, PEP값은 각각 -5.130, 0.800로 나타난 Model Ⅶ(TOC)_29 모형을 선정하였다.

후속연구

본 연구의 TOC부하량 예측모형 개발로 유출량, TOC 결측자료에 대한 보간과 간접추정이 가능할 것으로 기대되며, 향후 홍수예보의 도구로서 활용하기 위하여 3시간 이상의 예측모형 개발을 위한 심화연구가 필요할 것으로 판단된다.
7을 통해 확인할 수 있다. 이상의 결과로 본 연구에서 개발한 Model Ⅶ(TOC)_29 모형을 수질의 상시 감시기능과 조기경보체계의 구축 업무에 적용할 경우 보다 효율적인 운용이 가능할 것으로 기대된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	하도내에서 발생하는 유출량 및 TOC 자료는 어느때에 필요한가?	하도내에서 발생하는 유출량 및 TOC 자료는 비선형성이 강한 자료임에 따라 홍수에 대한 재난대응과 수질의 상시감시를 위해서는 자료의 특성 분석과 예측에 관한 연구는 필수라 할 수 있다. 따라서 본 연구에서 유출량 및 TOC, TOC부하량 자료에 대한 웨이블렛 변환에 의해 최종분해된 최종파형분해단계의 근사성분과 상세성분을 이용하여 예측모형을 개발하였다.
	최적의 예측모형 개발을 위한 연구과정을 통해 얻은 결과는?	1) 본 연구에서 최종 선택한 유출량 및 TOC, TOC부 하량 모형은 D1 성분을 제외한 모형으로서 D1 성분이 포함된 예측모형과 차별성을 갖는 것으로 나타났다. 이는 선행연구 과정에서도 확인하였듯이 D1 성분은 고주파수에 해당하며 가장 작은 에너지 값을 갖는 잡음성분임에 기인한 것으로 판단된다. 2) 최적의 유출량 예측모형은 Model Ⅵ_23(Dis.) 모형으로서 훈련 및 검증과정에서의 R 2 에 대한 통계적 결과치는 각각 0.994, 0.993, RMSE는 각각 29.618, 20.454, PEP는 각각 -5.215, -0.647로 나타났으며 일반적인 신경망 모형에 나타나는 지속 현상을 발견할 수 없었다. 3) 최적의 TOC 예측모형은 Model Ⅶ_29(TOC) 모형 으로 훈련 및 검증과정에서의 R 2 에 대한 통계적 결과치는 각각 0.998, 0.998, RMSE는 각각 0.065, 0.056, PEP는 각각 -5.130, 0.800로 나타났으며본 모형 역시 일반적인 신경망 모형에 나타나는 지속현상을 발견할 수 없었다. 4) 최적의 TOC부하량 예측모형은 Model Ⅵ _17(T.L.) 모형으로 R 2 에 대한 통계적 결과치는 각각 0.989, 0.993, RMSE는 각각 0.212, 0.088, PEP는 각각 -7.608, -5.839로 나타났으나 본 모형에서는 지속현상을 다소 확인할 수 있었다. 이는 대상 자료의 최대값과 최소값의 비율이 1,500 배 해당하는 큰 범위를 갖는 것에 기인한 것으로 판단된다.
	유출량은 어떤 이해가 이루어져야 하는가?	유출량은 수자원 생성의 기본요소인 강우현상에 대한 유역의 반응으로 발생하며 이에 대한 해석과 예측은 강우-유출 과정(rainfall-runoff process)에 대한 보다 깊은 이해가 이루어져야 한다. 그러나 강우-유출 과정의 연결 매체인 유역은 복잡한 특성인자들로 구성되어 있음에 따라 비선형적 변환을 유발하며 각각의 변수들 역시 시공간적으로 그 변동이 매우 심하다.

참고문헌 (17)

건설교통부 영산강홍수통제소 (2004). 영산강 수계 유량측정보고서. (주)한국종합기술개발공사
김주환 (1993). 신경회로망을 이용한 하천 유출량의 수문학적 예측에 관한 연구. 박사학위논문, 인하대학교
박성천, 오창열, 김동렬, 진영훈 (2006a). “인공신경망 이론을 이용한 홍수유출 예측시스템 개발 -GUI-FFS 개발 및 적용-.” 대한토목학회논문집, 대한토목학회, 제26권, 제2호, pp. 145-152
박성천, 진영훈, 김용구 (2006b). “강우-유출 예측모형 개발을 위한 자기조직화 이론의 적용.” 대한토목학회논문집, 대한토목학회, 제26권, 제4호, pp. 389-298
오창열, 박성천, 이한민, 표영평 (2002). “신경망을 이용한 영산강의 수질예측”, 대한토목학회논문집, 대한토목학회, 제22권, 제3B호, pp. 371-382
오창열, 진영훈, 박성천 (2007). “영산강 유역의 유출량 및 수질자료에 대한 비선형 동역학과 웨이블렛 이론의 적용.” 한국물환경학회지, 한국물환경학회, 제23권, 제4호. pp. 561-560
윤강훈, 서봉철, 신현석 (2004a). “신경망을 이용한 낙동강 유역 홍수기 댐유입량 예측.” 한국수자원학회논문집, 한국수자원학회, 제37권, 제1호, pp. 67-75

원문보기 상세보기
윤강훈, 서봉철, 신현석 (2004b). “신경망을 이용한 낙동강 유역 하도유출 예측 및 홍수예경보 이용.” 한국수자원학회논문집, 한국수자원학회, 제37권, 제2호, pp.145-154

원문보기 상세보기
윤강훈, 서봉철 (2004c). “댐방류량을 이용한 한강 유역 신경망 예측모형에 관한 연구.” 대한토목학회논문집, 대한토목학회, 제24권, 제1B호, pp. 47-53
이관수, 박성천, 이한민, 진영훈 (2000). “인공신경망 이론의 B.P. 알고리즘을 적용한 영산강의 유출량 예측에 관한 연구.” 대한토목학회논문집, 대한토목학회, 제20권, 제5B호, pp. 679-688
이정규, 박성제 (2003). “다층신경망을 이용한 첨두유량 예측에 관한 연구.” 대한토목학회논문집, 대한토목학회, 제23권, 제2B호, pp. 105-114
전계원 (2004). "홍수유출과 수질예측을 위한 Web기반 시스템의 활용." 박사학위논문, 충북대학교
정명규 외 7인 (2001). 환경분석화학. 동화기술, pp. 406-407
Chen, Y., Yang, B., Dong J. (2006). "Time-series prediction using a local linear wavelet neural network." Neurocomputing, Vol. 69, No. 4-6, pp. 449-465

상세보기
Hsu, K.L. & Gupta, H.V. & Sorooshian, S. (1995). "Artificial neural network modeling of the rainfall-runoff process." Water Resources Research, Vol. 31, No. 10, pp. 2517-2530

상세보기
Sajikumar, N. & Thandaveswara, B. S. (1999). "A non-linear rainfall-runoff model using an artificial neural network." Journal of Hydrology, Vol. 216, pp. 32-55

상세보기
World Meteorological Organistaion (1975). Intercomparison of conceptual models used in operational hydrological forecasting. World Meteorological Organisation, Techinical report No 429, Geneva, Switzerland

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증