[논문]불균형 데이터 환경에서 로지스틱 회귀모형을 이용한 Cochlodinium polykrikoides 적조 탐지 기법 연구

박수호; 김흥민; 김범규; 황도현; 엥흐자리갈 운자야; 윤홍주

doi:10.13067/jkiecs.2018.13.6.1353

불균형 데이터 환경에서 로지스틱 회귀모형을 이용한 Cochlodinium polykrikoides 적조 탐지 기법 연구
Study on Detection Technique for Cochlodinium polykrikoides Red tide using Logistic Regression Model under Imbalanced Data 원문보기

한국전자통신학회 논문지 = The Journal of the Korea Institute of Electronic Communication Sciences, v.13 no.6, 2018년, pp.1353 - 1364

박수호 (부경대학교 지구환경시스템과학부) , 김흥민 (부경대학교 지구환경시스템과학부) , 김범규 (부경대학교 지구환경시스템과학부) , 황도현 (부경대학교 지구환경시스템과학부) , 엥흐자리갈 운자야 (부경대학교 지구환경시스템과학부) , 윤홍주 (부경대학교 지구환경시스템과학부)

초록
AI-Helper

본 연구에서는 불균형 데이터 환경에서 기계학습 기법의 한 갈래인 로지스틱 회귀모형을 이용하여 인공위성 영상에서 Cochlodinium polykrikoides 적조 픽셀을 탐지하는 방법을 제안한다. 학습자료로 적조, 청수, 탁수 해역에서 추출된 수출광량 분광 프로파일을 활용하였다. 전체 데이터셋의 70%를 추출하여 모형 학습에 활용하였으며, 나머지 30%를 이용하여 모형의 분류 정확도를 평가하였다. 이 때, 청수와 탁수에 비해 자료 수가 상대적으로 적은 적조의 분광 프로파일에 백색 잡음을 추가하여 오버샘플링을 하여 불균형 데이터 문제를 해결하였다. 정확도 평가 결과 본 연구에서 제안하는 알고리즘은 약 94%의 분류 정확도를 보였다.

Abstract ▼ AI-Helper

This study proposed a method to detect Cochlodinium polykrikoides red tide pixels in satellite images using a logistic regression model of machine learning technique under Imbalanced data. The spectral profiles extracted from red tide, clear water, and turbid water were used as training dataset. 70% of the entire data set was extracted and used for as model training, and the classification accuracy of the model was evaluated using the remaining 30%. At this time, the white noise was added to the spectral profile of the red tide, which has a relatively small number of data compared to the clear water and the turbid water, and over-sampling was performed to solve the unbalanced data problem. As a result of the accuracy evaluation, the proposed algorithm showed about 94% classification accuracy.

주제어

표/그림 (7)

그림 그림 1. 연구 흐름도 Fig. 1 Flow chart of research
표 표 1. GOCI 밴드 구성 Table 1. Band Composition of GOCI
그림 그림 2. 로지스틱 회귀모형을 활용한 적조탐지 과정 Fig. 2 Process of Red tide detection using Logistic regression model
표 표 2. 혼동행렬 Table 2. Confusion Matrix
그림 그림 3. 적조 미발생 기간에 적조로 탐지된 적조 픽셀 수의 상대적 차이(A : Bak et al., 2018, B : 제안하는 알고리즘). Fig. 3 The relative difference in the number of red tide pixels detected as red tides during the no red tide occurrence period(A : Bak et al., 2018, B : Proposed Algorithm).
표 표 3. 언더샘플링을 적용한 로지스틱 회귀모형[21]의 혼동행렬 Table 3. Confusion Matrix of Logistic Regression Model applied under-sampling[21]
표 표 4. 제안하는 알고리즘의 혼동행렬 Table 4. Confusion Matrix of Proposed algorithm

AI 본문요약
AI-Helper

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

문제 정의

따라서 본 연구에서는 탁수 클래스의 분광 프로파일을 최대한 학습과정에서 반영하기 위해 적조 분광 프로파일을 오버샘플링하였다. 다른 클래스에 비해 상대적으로 레이블 수가 적은 적조의 분광 프로파일을 70:30으로 분리시켜 전체 데이터셋의 70%를 학습데이터로 사용하였고 나머지 30%는 검증용 데이터로 사용하였다.
본 연구에서는 이러한 기계학습 기반 적조탐지 알고리즘 개발 시 발생하게 되는 불균형 데이터 문제를 해결하기 위해 로지스틱 회귀모형 기반의 3단계 필터링 적조 탐지 알고리즘을 제안하고자 한다.

제안 방법

GOCI(: Geostationary Ocean Color Imager)는 천리안 위성의 해양탑재체로 공간해상도는 500m이며, 가시광선 영역의 6개(412, 443, 490, 555, 660, 680 nm) 채널과 근적외 영역의 2개(745, 865nm) 채널을 가지고 있다(표 1). Level 1B 영상은 방사보정과 기하 보정이 된 자료이며, 이를 GDPS(GOCI Data Processing System)를 이용하여 대기보정 하였다. 대기보정 후 산출되는 Level 2 자료 중 정규화 수출광량(Normalized Water-leaving radiance; nLw (λ)을 사용하였다.
본 연구에서는 해수의 유형을 청수, 탁수, 적조의 3가지로 분류하였다. 기계학습 모형을 학습시키기 위해 해수의 유형별로 가시광선 및 근적외선 영역 수출광량 분광 프로파일을 확보하여 활용하였다. 분광 프로 파일은 해양위성센터에서 제공하는 GOCI Level 1B 자료를 통해 생산하였다.
대기보정 후 산출되는 Level 2 자료 중 정규화 수출광량(Normalized Water-leaving radiance; nLw (λ)을 사용하였다.
불균형 데이터 문제가 있는 상황에서 혼동행렬을 이용하여 정확도를 평가하면 소수 클래스에 대한 혼동사례가 저평가되어 정확한 정확도 평가가 힘들어진다. 따라서 본 연구에 서는 검증용 데이터 선별시 클래스 간 샘플링 수를 일치시켜 검증에 활용하였다.
로지스틱 회귀모형을 활용하여 적조 탐지를 시도했던 선행연구[21]의 결과와 본 연구에서 제안하는 알고리즘의 결과를 비교해보았다.
먼저, 660nm와 680nm에서의 수출광량을 비교하 며, 그 다음 단계에서 490nm와 555nm에서의 수출 광량을 비교하여 적조 후보 픽셀을 분리시킨다. C.
본 연구에서 제안하는 적조탐지 알고리즘은 총 3단계의 과정을 포함하고 있다(그림 2). 이 중 첫 번째와 두 번째 단계를 통해 적조 후보 픽셀을 판별하며, 세 번째 단계에서 미리 학습시켜둔 로지스틱 회귀모형을 이용하여 적조 픽셀을 탐지하게 된다.
국립수산과학원에서 제공하는 적조속보 자료는 적조발생 시 매일 1회 또는 필요에 따라 그 이상 제공 되며, 적조발생 해역의 위치와 해당 위치에서의 원인 생물, 생물밀도, 수온 등에 대한 정보를 포함하고 있다. 본 연구에서는 과거 적조발생 위치 정보를 수집하기 위해 적조속보 자료에 포함된 적조발생 해역도를 활용하였다. 적조발생해역도는 이미지 형태 자료로 정확한 위치정보를 포함하고 있지 않기 때문에 지오레퍼런싱(Georeferencing)을 통해 공간자료화하여 적조 발생 해역의 위치정보를 추출하였다.
본 연구에서는 단계적 선택법을 통해 로지스틱 회귀모형의 최적 변수조합을 선택하였으며, AIC(Akaike Information Criterion)을 최소화하는 모형을 최적모형으로 정의하였다.
본 연구에서는 로지스틱 회귀모형을 활용하여 위성 영상에서 적조 픽셀과 일반해수 픽셀을 분류하였다. 제안하는 알고리즘의 성능을 평가해본 결과 선행연구에서 탐지한 결과와 전체 정확도에서는 유사한 성능을 보였다.
본 연구에서는 해수의 유형을 청수, 탁수, 적조의 3가지로 분류하였다. 기계학습 모형을 학습시키기 위해 해수의 유형별로 가시광선 및 근적외선 영역 수출광량 분광 프로파일을 확보하여 활용하였다.
다른 클래스에 비해 상대적으로 레이블 수가 적은 적조의 분광 프로파일을 70:30으로 분리시켜 전체 데이터셋의 70%를 학습데이터로 사용하였고 나머지 30%는 검증용 데이터로 사용하였다. 이중 학습데이터에 인위적인 백색 잡음을 추가하여 그 수를 다른 클래스와 동일한 300,000개로 증폭시켰고, 이를 이용하여 학습데이터셋의 클래스 불균형 문제를 해결하였다(그림 1).
그림 3. 적조 미발생 기간에 적조로 탐지된 적조 픽셀 수의 상대적 차이(A : Bak et al., 2018, B : 제안하는 알고리즘).
본 연구에서는 과거 적조발생 위치 정보를 수집하기 위해 적조속보 자료에 포함된 적조발생 해역도를 활용하였다. 적조발생해역도는 이미지 형태 자료로 정확한 위치정보를 포함하고 있지 않기 때문에 지오레퍼런싱(Georeferencing)을 통해 공간자료화하여 적조 발생 해역의 위치정보를 추출하였다.

대상 데이터

따라서 본 연구에서는 탁수 클래스의 분광 프로파일을 최대한 학습과정에서 반영하기 위해 적조 분광 프로파일을 오버샘플링하였다. 다른 클래스에 비해 상대적으로 레이블 수가 적은 적조의 분광 프로파일을 70:30으로 분리시켜 전체 데이터셋의 70%를 학습데이터로 사용하였고 나머지 30%는 검증용 데이터로 사용하였다. 이중 학습데이터에 인위적인 백색 잡음을 추가하여 그 수를 다른 클래스와 동일한 300,000개로 증폭시켰고, 이를 이용하여 학습데이터셋의 클래스 불균형 문제를 해결하였다(그림 1).
분광 프로 파일은 해양위성센터에서 제공하는 GOCI Level 1B 자료를 통해 생산하였다. 또한 적조해역에서의 분광프로파일을 획득하기 위해 2013년부터 2015년까지의 국립수산과학원 적조속보 자료를 활용하였다. 2018년 적조의 경우 GPS를 활용한 현장관측을 통해 위치정보를 획득하였다.
기계학습 모형을 학습시키기 위해 해수의 유형별로 가시광선 및 근적외선 영역 수출광량 분광 프로파일을 확보하여 활용하였다. 분광 프로 파일은 해양위성센터에서 제공하는 GOCI Level 1B 자료를 통해 생산하였다. 또한 적조해역에서의 분광프로파일을 획득하기 위해 2013년부터 2015년까지의 국립수산과학원 적조속보 자료를 활용하였다.
최종적으로 확보된 분광 프로파일 데이터셋은 약 600,000개의 레이블로 구성되어 있으며, 이 중 청수와 탁수가 각각 300,000개로 적조의 분광 프로파일은 1000여 건에 불과하다. 이는 적조현상이 연중 특정 시기에 특정 해역에서만 관측가능한 이벤트로 청수 와 탁수에 비해 분광프로파일을 얻기 힘들기 때문이다.

이론/모형

반면 기계학습 기법을 적용할 경우 축적된 데이터에 의존한 특징 선택을 수행하기 때문에 경험적 방법에 비해 객관성을 확보할 수 있으며, 연구자가 시각적으로 판독하지 못한 특징들이 모델에 반영되어 정확도 향상에 기여 할 수 있다. 따라서 본 연구에서는 기계학습 기법 중 로지스틱 회귀모형(Logistic Regression Model)을 활용하여 C. polykrikoides 적조 탐지를 시도하였다.
본 연구에서는 분류 정확도를 평가하기 위해 혼동 행렬(Confusion Matrix, 표 2)을 이용하였다. 혼동행렬은 기계학습 모형의 정확도를 평가하기 위해 사용되는 평가측도 중 하나로 다수의 클래스를 분류하는 모형의 정확도를 정량적으로 평가하는데 많이 사용된다.

성능/효과

검증용 데이터셋을 이용하여 두 알고리즘의 성능을 평가한 결과 선행연구의 알고리즘은 약 96%, 본 연구에서 제안하는 알고리즘은 약 94%의 분류 정확도를 보였다(표 3과 4).
제안하는 알고리즘의 성능을 평가해본 결과 선행연구에서 탐지한 결과와 전체 정확도에서는 유사한 성능을 보였다. 그러나 적조가 발생하지 않는 기간에 촬영 된 영상을 입력값으로 하였을 때는 선행연구에 비해 탁수 픽셀을 적조 픽셀로 오탐지하는 사례가 약 80% 가량 감소한 것을 확인 할 수 있었다.
그러나 적조가 발생하지 않은 영상을 입력값으로 하여 두 알고리즘의 결과를 비교하였을 때, 본 연구에서 제안하는 알고리즘은 선행연구 대비 약 20% 수준의 낮은 오탐지율을 보였다(그림 3). 선행연구가 적조 미발생 기간 영상에서 적조로 탐지한 픽셀은 대부분 탁수 픽셀로 영상에서 탁수 해역 면적이 넓은 2011년 4월 5일 영상에서 가장 많은 적조 픽셀을 탐지하였다.
로지스틱 회귀모형을 생성하기 위해 단계적 선택법 을 적용한 결과 선택된 설명변수는 nLw(412), nLw(443), nLw(490), nLw(555), nLw(660), nLw(680), nLw(745)로 총 7개 파장의 정규화 수출 광량이었다. 해수에서 식물플랑크톤의 개체 수 증가로 Chlorophyll-a 농도가 증가할수록 440∼450nm와 670 ∼680nm 파장대에서 흡수가 일어나며, 560∼570nm 파장대에서는 반사 670∼680nm 파장대에서는 형광이 일어난다[10-12].
이는 학습데이터셋을 언더샘플링을 통해 구성하는 과 정에서 탁수에 포함되는 많은 유형의 해수 분광 프로 파일이 유실되어 상대적으로 적조의 분광 프로파일과 유사한 탁수 픽셀이 적조로 분류된 결과로 판단된다. 반면 본 연구에서 제안하는 알고리즘의 경우 선행연구에 비해 1000배 이상의 탁수 분광 프로파일이 학습 데이터셋에 포함되어 더 많은 유형의 탁수 분광 프로 파일을 적조와 구분시켜 학습시킬 수 있었다.
제안하는 알고리즘은 선행연구에 비해 탁수 픽셀을 적조 픽셀로 오탐지하는 능력은 개선되었으나, 실제 적조 픽셀을 탁수로 오탐지하는 사례는 오히려 선행 연구에 비해 많았다. 그러나 전반적인 탐지 능력은 두 알고리즘 간에 큰 차이가 없었다.
본 연구에서는 로지스틱 회귀모형을 활용하여 위성 영상에서 적조 픽셀과 일반해수 픽셀을 분류하였다. 제안하는 알고리즘의 성능을 평가해본 결과 선행연구에서 탐지한 결과와 전체 정확도에서는 유사한 성능을 보였다. 그러나 적조가 발생하지 않는 기간에 촬영 된 영상을 입력값으로 하였을 때는 선행연구에 비해 탁수 픽셀을 적조 픽셀로 오탐지하는 사례가 약 80% 가량 감소한 것을 확인 할 수 있었다.

후속연구

이러한 광특성은 물질의 종류에 따라서로 다른 특성을 나타내므로 이를 역이용하여 해수 중의 물질 종류와 양을 추정할 수 있다[5, 16, 17]. 그러나 이 방법은 배경이 되는 해양의 가시광선 스펙트럼과 적조의 스펙트럼 형태 차이를 이용한 것으로 탐지 대상이 되는 식물 플랑크톤과 배경해수의 광학적 특성을 충분히 이해하고 있다는 가정 하에 제한적으로 활용될 수 있다. 또한 용존 유기물 및 부유물질의 농도가 높은 해수(Case-2)의 광학적 특성은 식물 플랑크톤 외의 다른 물질(용존 유기물, 부유물질)의 농도에 따라서 크게 변화하기 때문에 이들의 농도 변화 에 따라 매우 다양한 배경해수색이 만들어질 수 있다.
따라서 기계학습 기법을 활용한 원격 탐사 산출물 개발시 많은 경우 불균형 클래스 문제에 직면할 수 있다. 따라서 본 연구의 결과는 적조 이외의 다른 원격탐사 산출물 개발에도 활용될 수 있을 것으로 예상된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	적조현상이란?	적조현상은 식물 플랑크톤이 특정 환경조건에서 대량으로 증식하여 해수면이 변색되는 현상이다. 그러나 근래에 해수면을 변색시키지 않는 저밀도의 식물플랑크톤이 다른 생물에게 피해를 입히는 현상들이 보고됨에 따라 해양에서 식물 플랑크톤 대량증식이 생물에게 물리적 피해를 야기하는 현상을 유해적조(HAB; Harmful Algal Bloom)라 구분하여 정의하고 있다[1].
	유해적조란?	적조현상은 식물 플랑크톤이 특정 환경조건에서 대량으로 증식하여 해수면이 변색되는 현상이다. 그러나 근래에 해수면을 변색시키지 않는 저밀도의 식물플랑크톤이 다른 생물에게 피해를 입히는 현상들이 보고됨에 따라 해양에서 식물 플랑크톤 대량증식이 생물에게 물리적 피해를 야기하는 현상을 유해적조(HAB; Harmful Algal Bloom)라 구분하여 정의하고 있다[1].
	와편모조류들은 대부분 유해적조를 일으키는 종으로 근래에 적조발생이 이슈가 되는 것은 어떤 추세 때문인가?	우리나라의 경우 1980년대까지는 규조류(Diatoms)에 의한 적조가 남해연안 일부 해역에서 일시적으로 발생하였으나[2], 1990년대에 들어서는 와편모조류 (Dinoflagellates)에 의한 적조발생 비율이 급격히 증가하여 적조발생 양상이 변화하고 있는 추세이다. 이들 와편모조류들은 대부분 유해적조를 일으키는 종으로 근래에 적조발생이 이슈가 되는 것은 이러한 추세 때문이다.

참고문헌 (23)

D. Anderson, P. Anderson, V. Bricelj, J. Cullen, and J. Rensel, Monitoring and Management Strategies for Harmful Algal Blooms in Coastal Waters. Paris: Intergovernmental Oceanographic Commission Technical Series, 2001.
H. Kim, Harmful Algal Blooms in the Sea. Busan: Dasom, 2005.
Y. Yoon, Sea rebellion, Red tide. Paju: Jipmoondang, 2012.
Y. Kim, Y. Byun, Y. Huh, and Y. Yu, "Detection of Cochlodinium polykrikoides Red Tide Using MODIS Level 2 Data in Coastal Waters," Korean Society of Civil Engineers J. of Civil Engineering, vol. 27, no. 4D, 2007, pp. 535-540.
Y. Ahn, J. Moon, W. Seo, and H. Yoon, "Inherent Optical Properties of Red Tide Algal for Ocean Color Remote Sensing Application," J. of the Korean Society for Marine Environmental Engineering, vol. 12, no. 1, 2009, pp. 47-54.
S. Bak, H. Kim, B. Kim, D. Hwang, E. Unuzaya and H. Yoon, "Study on Detection Technique for Cochlodinium polykrikoides Red tide using Logistic Regression Model and Decision Tree Model," J. of the Korean institute of Electronic Communication Sciences, vol. 13, no. 4, 2018, pp. 777-786.
R. Stumpf, M. Culver, P. Tester, M. Tomlinson, G. Kirkpatrick, B. Pederson, E. Truby, V. Ransibrahmanakul, and M. Soracco, "Monitoring Karenia brevis blooms in the Gulf of Mexico using satellite ocean color imagery and other data," Harmful Algae, vol. 2, no. 2, 2003, pp. 147-160.

상세보기
M. Tomlinson, R. Stumpf, V. Ransibrahmanakul, E. Truby, G. Kirkpatrick, B. Pederson, G. Vargo, and C. Heil, "Evaluation of the use of SeaWiFS imagery for detecting Karenia brevis harmful algal blooms in the eastern Gulf of Mexico," Remote Sensing of Environment, vol. 91, no. 3, 2004, pp. 293-303.

상세보기
Y. Suh, L. Jang, N. Lee, and J. Ishizaka, "Feasibility of Red Tide Detection Around Korean Waters Using Satellite Remote Sensing," J. of Fisheries Science and Technology, vol. 7, no. 3, 2004, pp. 148-162.
J. Ishizaka, Y. Kitaura, Y. Touke, H. Sasaki, A. Tanaka, H. Murakami, T. Suzuki, K. Matsuoka, and H. Nakata, "Satellite Detection of Red Tide in Ariake Sound, 1998-2001," J. of Oceanography, vol. 62, no. 1, 2006, pp. 37-45.
Y. Son, Y. Kang, and J. Ryu, "Monitoring Red Tide in South Sea of Korea(SSK) Using the Geostationary Ocean Color Imager(GOCI)," Korean J. of Remote Sensing, vol. 26, no. 5, 2012, pp. 531-548.
Y. Ahn and P. Shanmugam, "Detecting the red tide algal bloom from satellite ocean color observations in optically complex Northeast-Asia Coastal waters," Remote Sensing of Environment, vol. 103, no. 4, 2006, pp. 419-437.
Y. Son, J. Ishizaka, J. Jeong, H. Kim, and T. Lee, "Cochlodinium polykrikoides red tide detection in the South Sea of Korea using spectral classification of MODIS data," Ocean Science J., vol. 46, no. 4, 2011, pp. 239-263.
S. Bak, H. Kim, D. H. Hwang, H. Yoon, and W. Seo, "Detection technique of Red tide Using GOCI Level 2 Data," Korean J. Remote Sensing, vol. 32, no. 6, 2016, pp. 673-679.
S. Bak, H. Kim, D. Hwang, S. Oh, and H. Yoon, "Red Tide Detection Technique by Using Multi-temporal GOCI Level 2 Data," Int. J. of Grid and Distributed Computing, vol. 10, no. 10, 2017, pp. 45-56.
S. Bak and H. Yoon, "Analysis on optical property in the South Sea of Korea by using Satellite Image : Study of Case on red tide occurrence in August 2013," J. of the Korean institute of Electronic Communication Sciences, vol. 11, no. 7, 2016, pp. 723-728.
H. Kim, S. Jang, and H. Yoon, "Utilization of Unmanned Aerial Vehicle(UAV) Image for Detection of Algal Bloom in Nakdong River," J. of the Korean institute of Electronic Communication Sciences, vol. 12, no. 3, 2017, pp. 457-464.
B. Chae, W. Kim, Y. Cho, K. Kim, C. Lee, and Y. Choi, "Development of a Logistic Regression Model for Probabilistic Prediction of Debris Flow," The J. of Engineering Geology, vol. 14, no. 2, 2014, pp. 211-222.
C. Park, Y. Kim, J. Kim, J. Song, and H. Choi, Data-mining using R. Seoul: Kyowoo, 2013.
S. Oh, J. Park, and H. Yoon, "Prediction of Red Tide Occurrence by using Oceanic and Atmospheric Data by Satellite," J. of the Korean institute of Electronic Communication Sciences, vol. 10, no. 2, 2015, pp. 311-318.
S. Bak, H. Kim, B. Kim, D. Hwang, U. Enkhjargal, and H. Yoon, "Study on Detection Technique for Cochlodinium polykrikoides Red tide using Logistic Regression Model and Decision Tree Model," J. of the Korean institute of Electronic Communication Sciences, vol. 13, no. 4, 2018, pp. 777-786.
S. Bak, D. Hwang, H. Kim, B. Kim, U. Enkgjargal, S. Oh, and H. Yoon, "A Study on Red Tide Detection Technique by using Multi-Layer Perceptron," Int. J. of Grid and Distributed Computing, vol. 11, no. 9, 2018, pp. 93-102.
P. Kang, H. Lee and S. Cho, "SVM Ensemble Techniques for Class Imbalance Problem," Proc. of Korea Information Science Society Conference, vol. 31, no. 2, Korea, 2004, pp. 706-708.

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