[논문]우리나라에서 일최심신적설의 추정을 위한 인공신경망모형의 활용

이건; 이동률; 김동균

doi:10.3741/jkwra.2017.50.10.681

우리나라에서 일최심신적설의 추정을 위한 인공신경망모형의 활용
Application of Artificial Neural Network for estimation of daily maximum snow depth in Korea 원문보기

Journal of Korea Water Resources Association = 한국수자원학회논문집, v.50 no.10, 2017년, pp.681 - 690

이건 (홍익대학교 토목공학과) , 이동률 (한국건설기술연구원 수문레이더 재해연구.데이터센터) , 김동균 (홍익대학교 토목공학과)

초록
AI-Helper

본 연구에서는 우리나라 전역에 대하여 인공신경망 기법을 사용하여 일최심신적설을 추정하였다. 인공신경망 모형 구조를 시행 착오법을 이용하여 설계한 결과, 입력자료는 일 최저 기온, 일 평균 기온, 강수량으로 정하였고, 은닉층과 노드의 수는 각각 1층, 10개로 정하였다. 관측값을 인공신경망의 입력자료로 활용하는 경우, 교차검증 상관계수는 0.87로 Ordinary Kriging기법을 활용하여 일최신심적설을 공간보간한 경우의 교차검증상관계수인 0.40보다 크게 높았다. 미계측 지역의 일최심신적설을 추정하는 경우의 인공신경망 모형의 성능을 알아보기 위하여 인공신경망 모형의 입력자료들을 Ordinary Kriging으로 공간보간하여 일최심신적설을 추정하였다. 이 경우 교차검증 상관계수는 0.49였다. 또한 해발 고도 200 m 이상의 산지에서의 인공신경망의 성능은 나머지 지역인 평지에서의 성능보다 다소 떨어짐을 확인하였다. 본 연구의 이러한 결과는 우리나라 전역에 걸친 정확한 적설량의 즉각적인 산정에 인공신경망 모형이 효과적으로 활용될 수 있음을 의미한다.

Abstract ▼ AI-Helper

This study estimated the daily maximum snow depth using the Artificial Neural Network (ANN) model in Korean Peninsula. First, the optimal ANN model structure was determined through the trial-and-error approach. As a result, daily precipitation, daily mean temperature, and daily minimum temperature were chosen as the input data of the ANN. The number of hidden layer was set to 1 and the number of nodes in the hidden layer was set to 10. In case of using the observed value as the input data of the ANN model, the cross validation correlation coefficient was 0.87, which is higher than that of the case in which the daily maximum snow depth was spatially interpolated using the Ordinary Kriging method (0.40). In order to investigate the performance of the ANN model for estimating the daily maximum snow depth of the ungauged area, the input data of the ANN model was spatially interpolated using Ordinary Kriging. In this case, the correlation coefficient of 0.49 was obtained. The performance of the ANN model in mountainous areas above 200m above sea level was found to be somewhat lower than that in the rest of the study area. This result of this study implies that the ANN model can be used effectively for the accurate and immediate estimation of the maximum snow depth over the whole country.

주제어

AI 본문요약
AI-Helper

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

문제 정의

본 연구는 인공신경망 기법을 활용하여 지상 관측소의 기상 자료로부터 미계측 지역의 적설량을 파악하고자 하였다. 이를 위하여 후)본 연구는">본연구는 관련 선행연구의 이러한 한계점을 극복하여 우리나라전역에 대한 적설량의 즉각적인 산출을 가능케 하는 방법론을 제시하고자 하였다.
병렬처리 방식으로 인해 인공신경망은 다소 복잡한 문제에서도 일반화가 가능하다. 최종 설계된 인공 신경망은 아직 접하지 못한 데이터를 올바르게 출력하는 것을 목표로 갖는다.

가설 설정

후)(b)인공신경망을">(b) 인공신경망을 이용하여 추정한 일최심신적설이다.
제안 방법
- ">일최심신적설이다. 10 cm 간격으로 구간을 나눠 각 구간에 해당되는 일최심신적설의 상관계수를 기록하였다. 30~40 cm를 제외한 나머지 구간에서는 적설량이 클수록 상관계수가 감소하였다.
- 후)인공신경망을">인공 신경망을 설계한 후 추정한 입력자료로 적설량을 산출하였다 . 같은 방법으로 모든 관측소의 적설량을 산출한 다음 전국을 대상으로 상관계수를 측정하였다. 결과를 Fig.
- 검증할 관측소를 제외한 나머지 관측소의 관측값으로 인공 신경망을 설계한 후 추정한 입력자료로 적설량을 산출하였다 .
- 데이터의 비효율성을 감소시키기 위해 학습 데이터 수와 검증 상관계수의 관계를 알아보았다. 과도하게 많은 학습 데이터는 지나친 학습으로 하나의 추세로 편향시켜 65 내외의 높은 값을 가지는 것으로 조사되었다. 따라서, 일강수량을 인공신경망 모형의 후보입력자료로 항상 고려하고 적설에 영향을 미치는 것으로 알려진 기온 자료(Kenneth F. Dewey, 1977; Rafael L. Bras., 1990) 중 일최대기온(T_max), 일최저기온(T_min), 일평균기온(T_mean)을 인공신경망의 후보 입력자료로 추가 선정하였다. 은닉층에 있는 적절한 노드의 수를 찾기 위해 입력자료를 P, T_min , T_mean으로 고정시킨 후 은닉층에 있는 노드의 수를 1개부터 1개씩 추가하여 20개까지 각각 인공신경망을 실행하며 위에서 언급한 과정으로 상관계수를 확인하였다. 그 결과를 Fig.
- 후)총 59개의">총59개의 특성이 일별로 기록되어 있다. 이 자료 중에서 인공지능을 통해 추정할 적설량은 특정일의 00시에 0 cm부터 시작하여 24시까지 가장 많이 쌓였을 때 기록된 적설량을 의미하는 일최심신적설로 선택하였다.
- 후)일최심 신적설을">일최심신적설을 추정하였다. 인공신경망은 어떻게 설계하는지에 따라 성능이 달라지기 때문에 시행 착오 법으로 최적의 구조를 찾는 작업을 먼저 진행하였다. Table 2와 같이 설계했을 때 후)일강수량을">일 강수량을 제외한 3개의 기온 변수를 7가지의 경우로 나누었다. 검증은 교차 검증(Cross Validation)방법을 사용하였고 다음과 같은 순서로 진행하였다.
- 입력자료를 두 가지 경우로 나눠서 검증하였다. 후)약 1분의">약1분의 시간이 소요되었다. 적설량을 산정할 때 큰 제약을 받는 것은 아니지만 본연구의 특성상 모든 관측소를 여러번 시행착오로 검증해야하기 때문에 에포크가 수렴하기 시작한 10개를 최적의 노드수로 설정하였다. 만약 분 단위의 예측일 경우 반드시 에포크를 고려하여 노드의 수를 결정해야 한다.
- 후)미계측 지역은">미계측지역은 인공신경망 모형에 입력자료로 사용할 관측자료가 존재하지 않는다. 적설량을 추정해도 검증하는데 한계가 있기 때문에 마찬가지로 교차 검증 방법을 이용하였다. Fig.
- 84의 상관계수를 갖는 지역이 가장 많았고 산맥을 중심으로 하여 해안으로 갈수록 상관계수가 증가하는 양상을 보였다. 정밀한 분석을 위해 DEM (Digital Elevation Model)을 이용하여 고도와 상관계수의 관계를 Histogram으로 표현하였다. 그 결과는 Fig.
대상 데이터
- 2014년 2월 17일 경주에 위치한 마우나오션리조트 체육관의 지붕이 폭설의 무게를 이기지 못하고 무너져내려 10명의 사망자와, 103명의 부상자가 발생하였다. 사고의 18 m에 위치하였다. 2017년 현재 94개의 관측소가 운영되고 있으며 폐쇄한 관측소까지 포함하면 총 123개의 관측소의 자료가 있다. 가장 오래된 관측소는 부산과 ① 하나의 관측소를 지정하고, 이 관측소에서 제외한 모든 관측소에서 관측된 자료를 인공신경망의 학습자료로 선정.
- 연구에 사용된 데이터는 1960년부터 2016년까지 폐쇄되거나 신설된 곳을 모두 포함한 총 90개 관측소에서 신적설이 기록된 32,855일치의 자료이다. 기상청으로부터 자료를 제공받았다(https://data.kma.go.kr/cmmn/main.do). 제공되는 8 내외의 안정적인 상관계수를 갖는 것을 보여준다. 따라서 본 연구에서는 총 32,855개의 자료 중 가장 최근 날짜순으로 1,040개의 데이터를 무작위로 선별하여 인공지능의 학습을 시행하였다. 위 결과들로부터 최적의 네트워크 구조를 앞서 나타낸 Fig.
- 연구에 사용된 데이터는 1960년부터 2016년까지 폐쇄되거나 신설된 곳을 모두 포함한 총 90개 관측소에서 신적설이 기록된 32,855일치의 자료이다. 기상청으로부터 자료를 제 후)반건조">반 건조 지역의 적설량을 산정하였다. 타 지역에 비해 적설 관측이 어려운 지역이므로 Channel network, Stream power와 같이 지역의 특성을 반영하는 변수들을 인공지능의 입력자료로 활용하였다. M.
데이터처리
- 후)관측적 설량과">관측적설량과 교차검증을 실시하였다. 또한, 제시된 기법의 비교평가하기 위하여 지상에서 관측된 적설량을 Ordinary Kriging 방법을 사용하여 공간보간한 경우의 결과와 비교하였다. 본 연구는 특히 결과의 후)기상자료로부터">기상 자료로부터 미계측 지역의 적설량을 파악하고자 하였다. 이를 위하여 시행착오 법을 통해 최적의 인공신경망 네트워크 구조를 설계하고, 이를 사용하여 적설량을 산출한 후 관측적설량과 교차검증을 실시하였다. 또한, 제시된 기법의 비교평가하기 위하여 지상에서 관측된 적설량을 Ordinary Kriging 방법을 사용하여 후)증가 하나">증가하나 그 외의 구간에서는 감소하여 전반적으로 성능을 감소시킨다. 학습 데이터 수와 검증 상관계수의 관계를 확인하기 위해 데이터 수를 설정하여 5회 학습 후 평균 검증 상관계수를 기록하였다. 데이터 수는 10개부터 시작하여 10개씩 추가하였고 그 결과는 Fig.
이론/모형
- 후)일강수량을">일 강수량을 제외한 3개의 기온 변수를 7가지의 경우로 나누었다. 검증은 교차 검증(Cross Validation)방법을 사용하였고 다음과 같은 순서로 진행하였다.
- 본 연구에서는 인공 신경망 모형을 이용하여 일최심신적설을 추정하였다. 인공신경망은 어떻게 설계하는지에 따라 성능이 달라지기 때문에 적설 피해를 예방하기 위해 일반적으로 적설량은 강수량과 적설량의 비율이 10대1인 환산법칙(ten-to-one)을 사용하여 구한다(Arthur et al., 2000). 하지만 적설량(cm)과 강수량(mm)의 비율은 2:1부터 45:1까지 폭넓게 변화한다(Kim et al.

성능/효과

상관계수가 높은 지역은 주로 해안에 위치하였고 상관계수가 낮은 지역은 대부분 내륙에 위치하였다. 0.82~0.84의 상관계수를 갖는 지역이 가장 많았고 산맥을 중심으로 하여 해안으로 갈수록 상관계수가 증가하는 양상을 보였다. 정밀한 분석을 위해 DEM (Digital Elevation Model)을 이용하여 고도와 상관계수의 관계를 Histogram으로 표현하였다.
고도와">의미한다. 고도와 인공신경망 모형의 성능을 비교한 결과, 고도가 낮은 지역에서의 인공지능의 상관계수는 높은 지역의 상관계수보다 높았다.
후)관측 자료를">관측자료를 인공신경망모형의 입력자료로 활용하는 경우 교차검증 상관계수는 0.87 이었고, 관측자료를 Ordinary Kriging 공간보간(OK)기법으로 추정하는 경우의 교차검증 상관계수는 0.49 이었다. 두 경우 모두 OK기법으로 관측 후)모든 90개">모든90개 관측소에서 모든 일자에 대하여 관측된 결과를 함께 보였다. 그 결과 Kriging과 인공신경망의 교차 검증 상관 계수는 각각 0.40과 0.87이 나왔다. Fig.
49 이었다. 두 경우 모두 OK기법으로 관측 일최심신적설을 공간보간한 경우의 교차검증 상관계수인 0.40보다 좋은 성능을 보였다. 관측지점별로 자료를 분류하여 분석한 경우, 인공신경망과 OK기법의 후)보조자료로서의">보조 자료로서의 활용가치가 높다는 것을 알 수 있다. 또한 상관계수가 높은 입력자료를 사용할수록 산출되는 상관계수의 범위가 감소하는 추세를 확인할 수 있다.
후)총상관계수를">총 상관계수를 계산하였다. 보조 입력 자료인 일 최저 기온과, 일 평균 기온은 상관계수가 0.70임에 비해 기준 입력자료인 강수량은 상관계수가 0.58로 정확도가 감소하였다. 모든 관측소가 기온 자료를 날마다 보유하고 있지만 강수량은 기록된 관측소에만 있기 때문에 상대적으로 정확도가 다른 입력자료에 비해 더 감소되었다.
본">있다.본 연구에서 사용한 전체 관측소 90개 중 고도가 200 m 이상위치한 관측소는 총18개로 전체에서 20%를 차지한다. 앞서 일강수량(P)과 일최심신적설 사이의 상관계수는 0.65 내외의 높은 값을 가지는 것으로 조사되었다. 따라서, 노드수가 많을수록 학습시간은 감소하였고 노드수가 10개 이상부터는 에포크가 20으로 수렴하였다. 자료의 양과 특성에 따라 1에포크당 걸리는 시간은 다르지만 본 연구에서는 100에포크당 약1분의 시간이 소요되었다. 적설량을 산정할 때 큰 제약을 받는 것은 아니지만 8의 그래프에서 x축은 학습 데이터 수이고 y축은 5회 시뮬레이션의 평균 검증 상관계수이다. 학습 데이터수가 20개일 때부터 평균 검증 상관계수는 급격히 상승하고 학습 데이터 수가 더 많아질수록 평균 검증 상관계수의 변화 폭은 감소되었다. Fig.

후속연구

후)실용화하는">실용화 하는 경우 강설 발생 후 빠르게는 수시간 이내에 우리나라 전역에 걸친 적설량의 산출이 가능하다. 본 연구의 결과가 폭설지역의 즉각적인 판별을 통해 재해위험저감에 기여할 수 있기를 기대한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	인공신경망은 무엇으로 구성되어 있는가?	Fig. 2는 본연구에서 사용한 최적의 인공신경망 구조로써기본적으로 입력층, 은닉층, 출력층으로 구성되어 있다. 층안에 있는 각 노드는 다음층에 있는 노드와 가중치로 서로 연결되어 있다.
	인공신경망의 가중치를 결정하는 과정을 무엇이라 하는가?	가중치를 결정하는 과정을 학습과정이라 부르며, 각 가중치는 관측값과 추정값 사이의 오차가 최소화되도록 결정된다(Oh, 2008; Cho et al., 2008).
	인체에서 뉴런은 어떤 기능을 가지는가?	이와 같은 구조는 뉴런의 정보 처리 과정을 모방하여 만들어졌다. 인체의 뉴런은 수상돌기로 자극을 받아들인후 축색으로 다른 뉴런에게 정보를 전달한다. 뉴런과 뉴런 사이는 시냅스로 연결되어 있듯이 마찬가지로 인공신경망은 노드와 노드 사이가 가중치로 서로 연결되어 있다.

참고문헌 (38)

Bras, R. L. (1990). "Hydrology." pp. 248-256.
Broxton, P. D., Dawson, N., and Zeng, X. (2016). "Linking snowfall and snow accumulation to generate spatial maps of SWE and snow depth." Earth and Space Science, Vol. 3, No. 6, pp. 246-256.

상세보기
Brun, E., David, P., Sudul, M., and Brunot, G. (1992). "A numerical model to simulate snow-cover stratigraphy for operational avalanche forecasting." Journal of Glaciology, Vol. 38, pp. 13-22.

상세보기
Cao, Y., Yang, X., and Zhu, X. (2008). "Retrieval snow depth by artificial neural network methodology from integrated AMSR-E and In-situ data-A case study in Qinghia-Tibet Plateau." Chinese Geographical Science, Vol. 18, pp. 356-360.

상세보기
Chang, A. T. C., Foster, J. L., and Hall, D. K. (1987). "Nimbus-7 SMMR derived global snow cover parameters." Annals of Glaciology, Vol. 9, pp. 39-44.

상세보기
Cho, H., Kim, D., Olivera, F., and Guikema, S. D. (2011). "Enhanced speciation in particle swarm optimization for multi-modal problems." European Journal of Operational Research, Vol. 213, No. 1, pp. 15-23.

상세보기
Czyzowska-Wisniewski, E. H., Van Leeuwen, W. J. D., Hirschboeck, K. K., Marsh, S. E., and Wisniewski, W. T. (2014). "Fractional snow cover estimation in complex alpine-forested environments using an artificial neural network." Remote Sensing of Environment, Vol. 156, pp. 403-417.
Daliy, C. (2006). "Guidelines for assessing the suitability of spatial climate data set." International Journal of Climatology, Vol. 26, pp. 707-721.

상세보기
Davis, D. T., Chen, Z., Tsang, L., Hwang, J.-N., and Chang, A. T. C. (1993). "Retrieval of snow parameters by iterative inversion of a neural network." IEEE Transactions on Geoscience and Remote Sensing, Vol. 31, pp. 842-852.

상세보기
Dewey, K. F. (1977). "Daily maximum and minimum temperature forecasts and the influence of snow cover." American Meteorological Society, Vol. 105, pp. 1594-1597.
Dingman, S. L. (2002). "Physical hydrology." Prentice Hall, pp. 166-218.
Dobreva, I. D., and Klein, A. G. (2011). "Fractional snow cover mapping through artificial neural network analysis of MODIS surface reflectance." Remote Sensing of Environment, Vol. 115, pp. 3355-3366.

상세보기
Gan, T. Y., Kalinga, O., and Singh, P. (2009). "Comparison of snow water equivalent retrieved from SSM/I passive microwave data using artificial neural network, projection pursuit and nonlinear regressions." Remote Sensing of Environment, Vol. 113, pp. 919-927.

상세보기
Josberger, E. G., and Mognard, N. M. (2002). "A passive microwave snow depth algorithm with a proxy for snow metamorphism." Hydrological Processes, Vol. 16, pp. 1557-1568.

상세보기
Judson, A., and Doesken, N. (2000), "Density of freshly fallen snow in the central rocky mountains." Bulletin of the American Meteorological Society, Vol. 81, pp. 1577-1587.

상세보기
Kim, Y. S., Kang, N. R., Kim, S. J., and Kim, H. S. (2013). "Evaluation for snowfall depth forecasting using neural network and multiple regression models." Journal of Kosham, Vol. 13, pp. 269-280.
Kim, Y. S., Kim, S. J., Kang, N. R., Kim, T. G., and Kim, H. S. (2014). "Estimation of frequency based snowfall depth considering climate change using neural network." Journal of Korean Society of Hazard Mitigation, Vol. 14, pp. 97-107.

원문보기 상세보기
Kondo, J., and Yamazaki, T. (1990). "A prediction model for snowmelt, snow surface temperature and freezing depth using a heat balance method." American Meteorological Society, Vol. 5, pp. 375-384.
Kunzi, K., Patil, S., and Rott, H. (1982). "Snow-cover parameters retrieved from Nimbus-7 Scanning multichannel microwave radiometer (SMMR) data." IEEE Transactions on Geoscience and Remote Sensing, Vol. 20, pp. 452-467.
Lee, J.-J., Jung, Y.-H., and Lee, S.-W. (2007). "A study on the evaluation of probable snowfall depth in Korea." Journal of The Korean Society of Hazard Mitigation, Vol. 7, pp. 53-64.
Lee, Y. K., Lee, C. J., and Ahn, S. G. (2015). "Estimation of freshly fallen snow unit weight and maximum probable snow load." Journal of Korean Society of Hazard Mitigation, Vol. 15, pp. 47-55.
Liang, J., Liu, X., Huang, K., Li, X., Shi, X., Chen, Y., and Li, J. (2015). "Improved snow depth retrieval by integrating microwave brightness temperature and visible/infrared reflectance." Remote Sensing of Environment, Vol. 156, pp. 500-509.

상세보기
Meloysund, V., Leira, B., Hoiseth, K. V., and Liso, K. R. (2007). "Predicting snow density using meteorological data." Meteorological Applications, Vol. 14, pp. 413-423.

상세보기
Mitchell, T. M. (1997). "Machine learning." McGraw-Hill Science/ Engineering/Math, pp. 81-108.
New, M., Hulme, M., and Jones, P. (1999). "Representing twentiethcentury space-Time climate variability. Part I: Development of a 1961-90 mean monthly terrestrial climatology." American Meteorological Society, Vol. 12, pp. 829-856.
Oh (2008). "Pattern recognition." Kyobo, pp. 1-15, 95-132.
Park, H. S., Jeong, S. M., and Chung, G. H. (2014). "Frequency analysis of future fresh snow days and maximum fresh snow depth using artificial neural network under climate change scenarios." Journal of Korean Society of Hazard Mitigation, Vol. 14, pp. 365-377.

원문보기 상세보기
Pulliainen, J. T., Grandell, J., and Hallikainen, M. T. (1999). "HUT snow emission model and its applicability to snow water equivalent retrieval." IEEE Transactions on Geoscience and Remote Sensing, Vol. 37, pp. 1378-1390.

상세보기
Rashid, T. (2016). "Make your own neural network : a gentle journey through the mathematics of neural networks, and making your own using the Python computer language." Createspace Independent Publishing Platform, pp. 43.
Richard, O. D., Peter, E. H., and David, G. S. (2001). "Pattern classification."
Rigol, J. P., Jarvism, C. H., and Stuart, N. (2001). "Artificial neural networks as a tool for spatial interpolation." International Journal of Geographical Information Science, Vol. 15, pp. 323-343.

상세보기
Roebber, P., Butt, M. R., and Reinke, S. J. (2007). "Realtime forecasting of snowfall using a neural network." American Meteorological Society, Vol. 22, pp. 676-684.
Roy, V., Goita, K., Royer, A., Walker, A. E., and Goodison, B. E. (2004). "Snow water equivalent retrieval in a Canadian boreal environment from microwave measurements using the HUT snow emission model." IEEE Transactions on Geoscience and Remote Sensing, Vol. 42, pp. 1850-1859.

상세보기
Samaneh, G.-M., Ali, F., and Ruhoolah, T.-M. (2016). "Comparison of artificial neural network and decision tree models in estimating spatial distribution of snow depth in a semi-arid region of Iran." Cold Regions Science and Technology, Vol. 122, pp. 26-35.

상세보기
Sun, C., Cheng, H.-D., McDonnel, J. J., and Neale, C. M. U. (1995). "Identification of mountain snow cover using SSM/I and artificial neural network." International Conference on Acoustics, Speech, and Signal Processing, Vol. 5, pp. 3451-3454.
Tedesco, M., Pulliainen, J., Takala, M., Hallikainen, M., and Pampaloni, P. (2004). "Artificial neural network-based techniques for the retrieval of SWE and snow depth from SSM/I data." Remote Sensing of Environment, Vol. 90, pp. 76-85.

상세보기
Witten, I. H., Frank, E., and Hall, M. A. (2011), "Data mining." Morgan Kaufmann, pp. 39-60.
Yoo, I., and Jung, S. (2015), "Diagnosis and improvement of damage cause of heavy snow in Korea." The Magazine of Korean Society of Hazard Mitigation, Vol. 15, pp. 29-33.

저자의 다른 논문 :

LOADING...

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