의사결정나무 분류와 인공신경망을 이용한 토양수분 산정모형 개발 Development of a Soil Moisture Estimation Model Using Artificial Neural Networks and Classification and Regression Tree(CART)원문보기
본 연구에서는 의사결정나무(CART)기법, 인공신경망모형, 인공위성 원격탐사자료와 지형자료 및 지상 기상관측망자료를 이용하여 토양수분을 산정하는 모형을 개발하였다. 본 모형의 검증을 위하여 사용된 토양수분 관측자료는 용담댐 유역에서 관측된 5개 지점의 토양수분자료를 사용하였다. 가용자료에 대해 CART기법을 적용하여 자료를 분류한 다음 분류된 각 자료집단에 대하여 인공신경망(Artificial Neural Networks)모형을 적용하여 토양수분 분포를 예측하였다. 모형의 학습에 사용된 주천, 부귀, 상전, 안천 지점의 토양수분 산정치는 관측치와 약 0.92-0.96의 상관계수, 약 1.00-1.88%의 평균제곱근오차와 약 0.75-1.45%의 평균절대오차를 보여주었다. 토양수분 추정모형을 검증하기 위해 천천2의 지점에 적용한 결과 약 0.91의 상관계수, 약 3.19%의 평균제곱근오차, 약 2.72%의 평균절대오차를 보여 CART기법과 인공신경망모형을 연계한 토양수분 산정모형이 토양수분 분포제시 활용에 적절한 것으로 판단된다.
본 연구에서는 의사결정나무(CART)기법, 인공신경망모형, 인공위성 원격탐사자료와 지형자료 및 지상 기상관측망자료를 이용하여 토양수분을 산정하는 모형을 개발하였다. 본 모형의 검증을 위하여 사용된 토양수분 관측자료는 용담댐 유역에서 관측된 5개 지점의 토양수분자료를 사용하였다. 가용자료에 대해 CART기법을 적용하여 자료를 분류한 다음 분류된 각 자료집단에 대하여 인공신경망(Artificial Neural Networks)모형을 적용하여 토양수분 분포를 예측하였다. 모형의 학습에 사용된 주천, 부귀, 상전, 안천 지점의 토양수분 산정치는 관측치와 약 0.92-0.96의 상관계수, 약 1.00-1.88%의 평균제곱근오차와 약 0.75-1.45%의 평균절대오차를 보여주었다. 토양수분 추정모형을 검증하기 위해 천천2의 지점에 적용한 결과 약 0.91의 상관계수, 약 3.19%의 평균제곱근오차, 약 2.72%의 평균절대오차를 보여 CART기법과 인공신경망모형을 연계한 토양수분 산정모형이 토양수분 분포제시 활용에 적절한 것으로 판단된다.
In this study, a soil moisture estimation model was developed using a decision tree model, an artificial neural networks (ANN) model, remotely sensed data, and ground network data of daily precipitation, soil moisture and surface temperature. Soil moisture data of the Yongdam dam basin (5 sites) wer...
In this study, a soil moisture estimation model was developed using a decision tree model, an artificial neural networks (ANN) model, remotely sensed data, and ground network data of daily precipitation, soil moisture and surface temperature. Soil moisture data of the Yongdam dam basin (5 sites) were used for model validation. Satellite remote sensing data and geographical data and meteorological data were used in the classification and regression tree (CART) model for data classification and the ANNs model was applied for clustered data to estimate soil moisture. Soil moisture data of Jucheon, Bugui, Sangjeon, Ahncheon sites were used for training and the correlation coefficient between soil moisture estimates and observations was between 0.92 to 0.96, root mean square error was between 1.00 to 1.88%, and mean absolute error was between 0.75 to 1.45%. Cheoncheon2 site was used for validation. Test statistics showed that the correlation coefficient, the root mean square error, the mean absolute error were 0.91, 3.19%, and 2.72% respectively. Results demonstrated that the developed soil moisture model using CART and ANN was able to apply for the estimation of soil moisture distribution.
In this study, a soil moisture estimation model was developed using a decision tree model, an artificial neural networks (ANN) model, remotely sensed data, and ground network data of daily precipitation, soil moisture and surface temperature. Soil moisture data of the Yongdam dam basin (5 sites) were used for model validation. Satellite remote sensing data and geographical data and meteorological data were used in the classification and regression tree (CART) model for data classification and the ANNs model was applied for clustered data to estimate soil moisture. Soil moisture data of Jucheon, Bugui, Sangjeon, Ahncheon sites were used for training and the correlation coefficient between soil moisture estimates and observations was between 0.92 to 0.96, root mean square error was between 1.00 to 1.88%, and mean absolute error was between 0.75 to 1.45%. Cheoncheon2 site was used for validation. Test statistics showed that the correlation coefficient, the root mean square error, the mean absolute error were 0.91, 3.19%, and 2.72% respectively. Results demonstrated that the developed soil moisture model using CART and ANN was able to apply for the estimation of soil moisture distribution.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
각 변수별로 수치의 범위가 다양하여 토양수분 산정모형 구성 시 본래 값 그대로의 자료를 입력변수로 사용하면 효율성이 낮아짐으로 자료의 전처리 과정이 필요하다. 따라서 산정모형의 효율을 높이기 위해 본 연구에서는 자료를 전처리한 후 도출된 변수를 역변환하는 과정을 거쳤다. 이에 변수를 0에서 1까지의 값으로 변환하는 과정이 필요하며, Eq.
본 연구에서는 CART기법과 인공신경망모형을 이용한 토양 수분 산정모형을 제시하였다. 적용 대상유역으로는 신뢰도가 높은 지상관측 토양수분자료를 가진 용담댐 유역을 선택하였으며 모형의 training을 위하여 먼저 주천, 부귀, 상전, 안천 지점의 강수량, 토양수분, 지면온도, 위성영상 MODIS NDVI 등을 입력변수로 사용하여 CART기법으로 분류한다.
또한 Elshorbagy와 Parasuraman(2008)은 토양 수분 역학을 특성화한 HONNs(Higher-Order Neural Networks) 모형을 사용하여 토양수분 시뮬레이션 중 일부분에 대해 일반적 인공신경망모형보다 상대적으로 높은 상관계수 결과를 보여준 바 있다. 이에 본 연구에서는 토양수분 추정에 비선형적 산정모형을 병렬적으로 구축할 수 있고 추정모형에 대한 적용성이 뛰어난(Lippmann, 1987) 인공신경망모형과 동일 자료 특성을 가진 자료집단을 분류하기 위하여 사용한 CART기법을 연계하여 토양수분을 산정하는 기법을 제시하였다. 인공신경망의 입력변수로써 강수량, 토양수분, 지면온도 등의 지상관측자료와 인공위성 원격탐사자료 MODerate resolution Imaging Spectroradiometer(MODIS) Normalized Difference Vegetation Index(NDVI)를 이용하였으며 CART 기법을 이용하여 병렬 신경망의 입력자료집단을 형성하였다.
9114로 토양수분 거동을 잘 나타내는 것을 확인할 수 있었다. 이와 같이 토양수분의 거동을 잘 보여주고 있는 구축모형을 이용하여 우리나라 전역에 대한 적용가능성을 검토하였다. 토양수분 지상관측망이 구축되어 있는 용담댐 대상유역에 대한 본 모형의 적용을 통하여 전체적인 공간분포나 월별 변화특성을 잘 나타내는 우수한 토양수분 공간자료 생산이 가능하다고 판단되나, 우리나라 전역에 대한 수문 및 기상모형에 활용 가능한 전국 토양수분 자료를 생산하기 위해서는 다양한 토양, 식생, 지형 특성에 대한 적정 토양수분 지상관측망과 자료의 구축이 절실하다.
제안 방법
우리나라에 대한 MODIS NDVI자료를 획득하여 TM좌표계로 reprojection하여 기상자료 위치정보와 일치시킨다. 가용자료를 활용하여 의사결정나무기법에 적용하고 토양수분의 거동이 동일한 자료집단을 구성한다. 각각의 동질 자료집단에 대하여 인공신경망모형을 적용하여 토양수분자료를 생산한다.
가용자료를 활용하여 의사결정나무기법에 적용하고 토양수분의 거동이 동일한 자료집단을 구성한다. 각각의 동질 자료집단에 대하여 인공신경망모형을 적용하여 토양수분자료를 생산한다.
대상지역의 토양수분 산정모형을 구성하기 위하여 다양한 가용자료와 토양수분자료를 입력변수로 사용하였다. 입력변수로 활용된 데이터는 용담댐 유역 4개 지점인 주천, 부귀, 상전, 안천의 각 강수량, (t-1)이전시간의 강수량, (t-1)이전시간의 토양수분, 지면온도, 위성자료 식생지수인 MODIS NDVI로부터 토양수분을 분류하는데 CART기법이 사용되었다.
먼저 토양수분 산정을 위하여 기상청과 수자원 공사에서 획득한 지상관측망의 강수량, 토양수분, 지면온도를 이용하여 목표로 하는 공간분해능인 1 km×1 km 자료를 구축한다.
본 연구에서는 CART기법을 이용하여 용담댐 유역 지점들 중 주천, 부귀, 상전, 안천의 각 지점별 강수량, (t-1)이전시간의 강수량, (t-1)이전시간의 토양수분, 지면온도의 지상관측 자료와 인공위성 원격탐사자료인 MODIS NDVI자료를 이용하여 동일 자료 특성을 가진 자료집단을 분류하고 인공신경망모형에 적용할 각 자료집단을 구축하였다.
본 연구에서는 인공신경망에 의한 토양수분 산정에 적절한 모형의 구축을 위해 우선 위에서 언급한 CART기법을 이용 하여 용담댐 유역의 4개 지점의 강수량, 토양수분, 지면온도, MODIS NDVI 자료를 동질집단으로 분류하여 모형의 기본 형식을 설정하였다. 그런 다음 학습조건을 설정하기 위한 최적의 은닉층 노드수를 선정하여야 하며 최적 학습조건 및 은닉층 노드수에 대한 최상의 수준의 명확성이 없으므로 일반적으로 다양한 시뮬레이션을 통하여 최적모형을 구축한다(조홍규, 2003).
용담댐 유역의 4개의 관측지점(주천, 부귀, 상전, 안천)을 이용하여 구성된 인공신경망모형은 1개의 입력층과 5개의 노드, 1개의 은닉층과 5개의 노드, 1개의 출력층과 1개의 노드로 구성되어 있으며 전달함수로 시그모이드(sigmoid) 함수를 채택하였다. 입력변수로는 용담댐 유역의 각 지점별 (t-1) 이전시간의 강수량, 강수량, 지면온도, MODIS NDVI, (t-1) 이전시간의 토양수분을 CART에서 10개의 동일집단으로 분류하여 사용하였으며 학습을 통해 연구에 적절한 모형을 구축하였다(Table 5).
용담댐 유역의 4개의 관측지점(주천, 부귀, 상전, 안천)을 이용하여 구성된 인공신경망모형은 1개의 입력층과 5개의 노드, 1개의 은닉층과 5개의 노드, 1개의 출력층과 1개의 노드로 구성되어 있으며 전달함수로 시그모이드(sigmoid) 함수를 채택하였다. 입력변수로는 용담댐 유역의 각 지점별 (t-1) 이전시간의 강수량, 강수량, 지면온도, MODIS NDVI, (t-1) 이전시간의 토양수분을 CART에서 10개의 동일집단으로 분류하여 사용하였으며 학습을 통해 연구에 적절한 모형을 구축하였다(Table 5). 구축모형의 토양수분 산정 결과 Fig.
본 연구에서는 CART기법과 인공신경망모형을 이용한 토양 수분 산정모형을 제시하였다. 적용 대상유역으로는 신뢰도가 높은 지상관측 토양수분자료를 가진 용담댐 유역을 선택하였으며 모형의 training을 위하여 먼저 주천, 부귀, 상전, 안천 지점의 강수량, 토양수분, 지면온도, 위성영상 MODIS NDVI 등을 입력변수로 사용하여 CART기법으로 분류한다. 이렇게 분류된 변수들을 인공신경망모형에 적용하여 training을 실시하였다.
대상 데이터
본 연구에서는 신뢰성 높은 토양수분 관측자료를 보유하고 있는 용담댐 유역(Fig. 3)을 연구대상지역으로 선정하였으며 지점은 북위 36° 02' 66'' 부터 36° 58' 18", 동경 127° 31' 04" 부터 127° 75' 03" 사이에 위치하고 있다.
3은 토양수분 관측 5개 지점(주천, 부귀, 안천, 상전, 천천2)의 용담댐 유역을 보여주고 있으며 이는 강우발생에 대한 토양수분의 거동이 잘 반영된 지점을 선택하였다. 수집된 자료는 수자원관리종합정보시스템(WAMIS)에서 제공하는 강수자료, 수자원공사에서 관측한 0-14 cm 깊이의 토양수분, 기상청에서 관측한 지면온도, NASA에서 운영하는 ftp서버를 통하여 획득한 MODIS NDVI이며 자료의 수집기간은 2008년 5월 16일부터 2008년 8월 19일까지의 일단위자료이다. Table 1은 토양수분 관측지점의 토양종류와 그에 따른 포장용수량, 위조점, 수분함량 등의 물리적 특성을 나타내고 있다.
이론/모형
적용 대상유역으로는 신뢰도가 높은 지상관측 토양수분자료를 가진 용담댐 유역을 선택하였으며 모형의 training을 위하여 먼저 주천, 부귀, 상전, 안천 지점의 강수량, 토양수분, 지면온도, 위성영상 MODIS NDVI 등을 입력변수로 사용하여 CART기법으로 분류한다. 이렇게 분류된 변수들을 인공신경망모형에 적용하여 training을 실시하였다. 그 결과 약 0.
이에 본 연구에서는 토양수분 추정에 비선형적 산정모형을 병렬적으로 구축할 수 있고 추정모형에 대한 적용성이 뛰어난(Lippmann, 1987) 인공신경망모형과 동일 자료 특성을 가진 자료집단을 분류하기 위하여 사용한 CART기법을 연계하여 토양수분을 산정하는 기법을 제시하였다. 인공신경망의 입력변수로써 강수량, 토양수분, 지면온도 등의 지상관측자료와 인공위성 원격탐사자료 MODerate resolution Imaging Spectroradiometer(MODIS) Normalized Difference Vegetation Index(NDVI)를 이용하였으며 CART 기법을 이용하여 병렬 신경망의 입력자료집단을 형성하였다.
대상지역의 토양수분 산정모형을 구성하기 위하여 다양한 가용자료와 토양수분자료를 입력변수로 사용하였다. 입력변수로 활용된 데이터는 용담댐 유역 4개 지점인 주천, 부귀, 상전, 안천의 각 강수량, (t-1)이전시간의 강수량, (t-1)이전시간의 토양수분, 지면온도, 위성자료 식생지수인 MODIS NDVI로부터 토양수분을 분류하는데 CART기법이 사용되었다. CART기법의 분할형태는 Fig.
성능/효과
또한 토양수분은 증발-증산을 통해 지표면과 대기 사이의 물과 에너지 교환을 연계하는 주요변수로 강수생성과 날씨패턴 및 유출 반응에 큰 영향을 미친다. 광역의 토양수분 관측자료가 가용할 경우 강우-유출모형의 개선을 통한 홍수예측 개선뿐만 아니라 수치예보모형의 입력자료로 활용될 때 기상예보의 개선 가능성을 보여주었다. 이러한 토양수분의 중요성에도 불구하고 수문분야에서 활용할 수 있는 정확도와 시공간 해상도를 가진 광역적이고 지속적인 관측이 이뤄지지 못하고 있는 실정이다.
입력변수로는 용담댐 유역의 각 지점별 (t-1) 이전시간의 강수량, 강수량, 지면온도, MODIS NDVI, (t-1) 이전시간의 토양수분을 CART에서 10개의 동일집단으로 분류하여 사용하였으며 학습을 통해 연구에 적절한 모형을 구축하였다(Table 5). 구축모형의 토양수분 산정 결과 Fig. 5에서 보이는 것과 같이 모든 지점에서 추정치가 관측치에 잘 맞아가고 있음을 보여주고 있으며 토양수분 구축모형을 검증하기 위해 천천2 지점을 확인해본 결과 Fig. 6과 같음을 확인 할 수 있었다.
이렇게 분류된 변수들을 인공신경망모형에 적용하여 training을 실시하였다. 그 결과 약 0.9153에서 약 0.9607의 높은 상관계수를 얻을 수 있었고 검증을 위하여 사용된 천천2의 적용결과 상관계수가 약 0.9114로 토양수분 거동을 잘 나타내는 것을 확인할 수 있었다. 이와 같이 토양수분의 거동을 잘 보여주고 있는 구축모형을 이용하여 우리나라 전역에 대한 적용가능성을 검토하였다.
용담댐 유역을 바탕으로 구축한 토양수분 추정모형을 이용하여 우리나라 전역에 대한 적용가능성을 검토한 결과 Fig. 7과 같이 2009년 우리나라 월평균 토양수분을 도식화하였고 Fig. 8에서 2009년 월평균 강수량과 추정 토양수분을 비교하여 그래프로 나타낸 바와 같이 추정된 토양수분이 월별 강수량의 변화양상을 따라가고 있는 것을 확인할 수 있다.
45%의 평균절대오차를 보여준다. 토양수분 추정모형을 검증하기 위해 천천2의 지점을 확인해본 결과 약 0.91, 약 3.19%, 약 2.72%의 상관계수, 평균제곱근오차, 평균절대오차를 보여 인공신경망모형이 토양수분을 잘 추정한다고 판단된다.
후속연구
토양수분 지상관측망이 구축되어 있는 용담댐 대상유역에 대한 본 모형의 적용을 통하여 전체적인 공간분포나 월별 변화특성을 잘 나타내는 우수한 토양수분 공간자료 생산이 가능하다고 판단되나, 우리나라 전역에 대한 수문 및 기상모형에 활용 가능한 전국 토양수분 자료를 생산하기 위해서는 다양한 토양, 식생, 지형 특성에 대한 적정 토양수분 지상관측망과 자료의 구축이 절실하다. 이러한 한계에도 불구하고 각종 지상 및 기상정보를 얻을 수 있는 지상관측망 및 원격탐사자료를 적극 활용하면 토양수분 공간정보 생산에 있어 보다 더 정확한 산정이 가능할 것으로 기대된다.
질의응답
핵심어
질문
논문에서 추출한 답변
의사결정나무 분석 기법 중 CART 기법의 분할 세 단계는 무엇인가?
이는 Breiman 등(1984)이 설명한 분할 세단계로 요약할 수 있다. 첫 번째 단계는 재귀분할기법을 이용한 분할기준에 따라 변수와 분할지점을 선택하여 나무의 성장을 수반한다. 기본 변수와 대리모 변수의 선택에 있어 분할기준이 밀접하게 관련되어 있을 뿐만 아니라 주요 변수의 누락 값을 관측하는 것에도 사용되며 그 값의 확인 및 선택도 가능하다. 이와 같이 형성된 나무는 두 번째 단계에서 나무의 뿌리노드부터 마지막 노드까지 복잡도 측정을 하여 중첩된 하위 집합부분이나 분류에 영향을 끼치지 않는 부분을 가지치기 절차를 통해 제거한다. 교차검증이나 검사표본은 각각의 하위노드에 대한 분류오차를 예측하는 곳에 사용되고 교차유효성검사는 데이터 포인트의 작은 숫자를 사용하여 CART기법을 구축하게 된다. 마지막 단계는 가장 낮은 교차검증 또는 설정오류율이 매우 미미한 결과에 해당하는 최적의 나무를 선택하는 것이다. 이 단계에서 나무는 불안정한 상태이며 나무의 크기가 작을수록 안정한 상태가 된다. 그러나 하나의 표준오차 내의 정확성을 비교하려면 대안책을 선정해야 된다. 이 절차는 표준오차규칙을 나타내고 변화하는 크기나 복잡성을 가지는 나무를 얻기 위해 조정할 수 있다. 변수 중요도측정은 또 다른 변수가 기본 분할하는 곳에 대신 사용될 때 떨어지는 오류율을 관찰하여 구현할 수 있으며 이는 기본적으로 더 많은 변수가 기본 또는 대리 분할로 중요성이 높게 나타나는 잦은 할당 점수이다.
BEACH 모형이란 무엇인가?
유역에 분포한 토양수분의 상태를 알기 위하여 수문모형을 이용한 토양수분 산정 관련 연구가 이루어지고 있으며 Sheikh 등(2009)은 토양수분의 초기상태를 예측하기 위해 토지 이용 시나리오 분석에 유용한 공간분산 수문모형인 BEACH(Bridge Event And Continuous Hydrological)모형을 소개하였다. 그러나 최근 원격관측 기술의 발달로 인하여 광역의 토양수분 관측 가능성이 제시되고 있으며 관측심과 대기영향 및 지표면 영향 등을 고려하여 토양수분측정의 방법으로 마이크로파 주파수(L-band)를 사용하는 것을 권장하고 있다(Mallick 등, 2009).
물 순환구조에서 토양수분의 중요성이 강조되는 이유는 무엇인가?
물 순환구조에서 토양수분이 차지하는 정량적 비중은 작음에도 불구하고, 날씨와 기후, 강우-유출시스템과 홍수, 토양 침식과 산사태, 농업생산량 등 넓은 범위에 걸쳐 관계되어 있어 수문학적으로 중요성이 강조되고 있다. 또한 토양수분은 증발-증산을 통해 지표면과 대기 사이의 물과 에너지 교환을 연계하는 주요변수로 강수생성과 날씨패턴 및 유출 반응에 큰 영향을 미친다.
참고문헌 (23)
경민수, 이용원, 김형수, 김병식(2009) 기후변화가 서울지역의 기온 및 가뭄에 미치는 영향 평가 : AR4 SRES A2 시나리 오를 기반으로. 대한토목학회논문집, 대한토목학회, 제29권 제 2B호, pp. 181-191.
김광섭, 박한균(2010) CART기법과 보조자료를 이용한 토양수분 추정. 한국수자원학회논문집, 한국수자원학회, 제43권, 제7호, pp. 597-608.
Ahmad, S., Kalra, A., and Stephen, H. (2010) Estimating soil moisture using remote sensing data: A machine learning approach. Advances in water resources, Vol. 33, No. 1, pp. 69-80.
ASCE Task Committee on Application of Artificial Neural Networks in Hydrology (2000) Artificial neural networks in hydrology. I: Preliminary concepts. Journal of Hydrologic Engineering, Vol. 5, No. 2, pp. 115-123.
Bowden, G.J., Dandy, G.C., and Maier, H.R (2005) Input determination for neural network models in water resources applications. Part 1-background and methodology. Journal of Hydrology, Vol. 301, No. 1-4, pp. 75-92.
Breiman, L., Friedman, J.H., Olshen, R.A., and Stone, C.J. (1984) Classification and regression tree. Chapman & Hall/CRC, Boca Raton.
Chai, S.S., Veenendaal, B., West, G., and Walker, P. (2008) Backpropagation neural network for soil moisture retrieval using NAFE'05 data : a comparison of different training algorithms. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Vol. 37, No. B4, pp. 1345-1349.
Elshorbagy, A. and Parasuraman, K. (2008) On the relevance of using artificial neural networks for estimation soil moisture content. Journal of Hydrology, Vol. 362, No. 1-2, pp. 1-18.
Frate, F.D., Ferrazzoli, P., and Schiavon, G. (2003) Retrieving soil moisture and agricultural variables by microwave radiometry using neural network. Remote sensing of environment, Vol. 84, No. 2, pp. 174-183.
Jiang, H. and Cotton, W.R. (2004) Soil moisture estimation using an artificial neural network: a feasibility study. Can. J. Remote Sensing, Vol. 30, No. 5, pp. 827-839.
Kim, G. and Barros, A.P. (2002) Space-time characterization of soil moisture from passive microwave remotely sensed imagery and ancillary data. Remote sensing of environment, Vol. 81, No. 2, pp. 393-403.
Mallick, K., Bhattacharya, B.K., and Patel, N.K. (2009) Estimating volumetric surface moisture content for cropped soils using a soil wetness index based on surface temperature and NDVI. Agricultural and Forest Meteorology, Vol. 149, No. 8, pp. 1327-1342.
Sheikh, V., Visser, S., and Stroosnijder, L. (2009) A simple model to predict soil moisture : Bridging event and continuous hydrological( BEACH) modelling. Environmental Modelling & Software, Vol. 24, No. 4, pp. 542-556.
Zweiri, Y.H. (2006) Optimization of a three-term backpropagation algorithm used for neural network learning. International Journal of Computational Intelligence, Vol. 3, No. 4, pp. 322-327.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.