지구의 탄소순환을 이해하고 미래 대기 $CO_2$의 농도와 기후 변화를 예측하기 위해서는 해양과 대기 사이 $CO_2$ 교환율(sea-to-air $CO_2$flux)의 시공간 변화를 정확하게 추정하는 것이 필요하다. 연구선을 이용한 현장 관측이 갖고 있는 시공간 제약으로 인해 동해에는 매우 제한적인 표층 이산화탄소분압($fCO_2$) 자료만 존재한다. 이 연구에서는 위성 및 수치모형에서 얻은 수온, 염분, 엽록소, 혼합층 자료를 세 종류의 기계학습 모형에 입력하여 동해 남서부해역의 고해상도 표층 $fCO_2$시계열 자료를 산출하였다. 세 모형 중 현장 관측 자료를 가장 잘 재현하는 Random Forest (RF) 모형의 평균제곱근오차는 $7.1{\mu}atm$이었다. RF 모형을 이용한 $fCO_2$ 예측에 중요한 역할을 하는 변수는 수온, 염분과 시간 정보였으며, 엽록소와 혼합층 깊이는 $fCO_2$ 예측에 미미한 역할을 하였다. RF 모형에서 예측한 표층 $fCO_2$를 이용하여 계산한 동해 남서부해역의 $CO_2$ 교환율은 $-0.76{\pm}1.15mol\;m^{-2}yr^{-1}$로 이전 현장 관측 연구에서 제시한 교환율( $-0.66{\sim}-2.47mol\;m^{-2}yr^{-1}$) 범위 중 작은 값에 해당한다. RF 모형의 표층 $fCO_2$ 시계열 자료는 1주일 내외의 짧은 시간 사이에도 $CO_2$ 교환율이 상당히 변할 수 있음을 보여주었다. 앞으로 보다 정확한 $CO_2$ 교환율 산출을 위해서는 $fCO_2$가 급격하게 변화하는 봄철에 높은 해상도의 현장 관측을 수행할 필요가 있다.
지구의 탄소순환을 이해하고 미래 대기 $CO_2$의 농도와 기후 변화를 예측하기 위해서는 해양과 대기 사이 $CO_2$ 교환율(sea-to-air $CO_2$ flux)의 시공간 변화를 정확하게 추정하는 것이 필요하다. 연구선을 이용한 현장 관측이 갖고 있는 시공간 제약으로 인해 동해에는 매우 제한적인 표층 이산화탄소분압($fCO_2$) 자료만 존재한다. 이 연구에서는 위성 및 수치모형에서 얻은 수온, 염분, 엽록소, 혼합층 자료를 세 종류의 기계학습 모형에 입력하여 동해 남서부해역의 고해상도 표층 $fCO_2$ 시계열 자료를 산출하였다. 세 모형 중 현장 관측 자료를 가장 잘 재현하는 Random Forest (RF) 모형의 평균제곱근오차는 $7.1{\mu}atm$이었다. RF 모형을 이용한 $fCO_2$ 예측에 중요한 역할을 하는 변수는 수온, 염분과 시간 정보였으며, 엽록소와 혼합층 깊이는 $fCO_2$ 예측에 미미한 역할을 하였다. RF 모형에서 예측한 표층 $fCO_2$를 이용하여 계산한 동해 남서부해역의 $CO_2$ 교환율은 $-0.76{\pm}1.15mol\;m^{-2}yr^{-1}$로 이전 현장 관측 연구에서 제시한 교환율( $-0.66{\sim}-2.47mol\;m^{-2}yr^{-1}$) 범위 중 작은 값에 해당한다. RF 모형의 표층 $fCO_2$ 시계열 자료는 1주일 내외의 짧은 시간 사이에도 $CO_2$ 교환율이 상당히 변할 수 있음을 보여주었다. 앞으로 보다 정확한 $CO_2$ 교환율 산출을 위해서는 $fCO_2$가 급격하게 변화하는 봄철에 높은 해상도의 현장 관측을 수행할 필요가 있다.
Accurate evaluation of sea-to-air $CO_2$ flux and its variability is crucial information to the understanding of global carbon cycle and the prediction of atmospheric $CO_2$ concentration. $fCO_2$ observations are sparse in space and time in the East Sea. In this stu...
Accurate evaluation of sea-to-air $CO_2$ flux and its variability is crucial information to the understanding of global carbon cycle and the prediction of atmospheric $CO_2$ concentration. $fCO_2$ observations are sparse in space and time in the East Sea. In this study, we derived high resolution time series of surface $fCO_2$ values in the southwest East Sea, by feeding sea surface temperature (SST), salinity (SSS), chlorophyll-a (CHL), and mixed layer depth (MLD) values, from either satellite-observations or numerical model outputs, to three machine learning models. The root mean square error of the best performing model, a Random Forest (RF) model, was $7.1{\mu}atm$. Important parameters in predicting $fCO_2$ in the RF model were SST and SSS along with time information; CHL and MLD were much less important than the other parameters. The net $CO_2$ flux in the southwest East Sea, calculated from the $fCO_2$ predicted by the RF model, was $-0.76{\pm}1.15mol\;m^{-2}yr^{-1}$, close to the lower bound of the previous estimates in the range of $-0.66{\sim}-2.47mol\;m^{-2}yr^{-1}$. The time series of $fCO_2$ predicted by the RF model showed a significant variation even in a short time interval of a week. For accurate evaluation of the $CO_2$ flux in the Ulleung Basin, it is necessary to conduct high resolution in situ observations in spring when $fCO_2$ changes rapidly.
Accurate evaluation of sea-to-air $CO_2$ flux and its variability is crucial information to the understanding of global carbon cycle and the prediction of atmospheric $CO_2$ concentration. $fCO_2$ observations are sparse in space and time in the East Sea. In this study, we derived high resolution time series of surface $fCO_2$ values in the southwest East Sea, by feeding sea surface temperature (SST), salinity (SSS), chlorophyll-a (CHL), and mixed layer depth (MLD) values, from either satellite-observations or numerical model outputs, to three machine learning models. The root mean square error of the best performing model, a Random Forest (RF) model, was $7.1{\mu}atm$. Important parameters in predicting $fCO_2$ in the RF model were SST and SSS along with time information; CHL and MLD were much less important than the other parameters. The net $CO_2$ flux in the southwest East Sea, calculated from the $fCO_2$ predicted by the RF model, was $-0.76{\pm}1.15mol\;m^{-2}yr^{-1}$, close to the lower bound of the previous estimates in the range of $-0.66{\sim}-2.47mol\;m^{-2}yr^{-1}$. The time series of $fCO_2$ predicted by the RF model showed a significant variation even in a short time interval of a week. For accurate evaluation of the $CO_2$ flux in the Ulleung Basin, it is necessary to conduct high resolution in situ observations in spring when $fCO_2$ changes rapidly.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
, 2016)와 기계학습법들을 결합하여 동해 남서부해역 표층 fCO2의 연변화를 추정하는 모형을 구축하였다. 이 모형으로 이 해역의 fCO2을 추정하는데 중요한 역할을 하는 변수가 어떤 것인가도 살펴보았다. 기계학습 모형을 통해 추정한 fCO2와 기존 연구에서 제시한 대기 fCO2를결합하여, 동해 남서부해역 CO2 교환율을 8일 간격으로 제시하였다.
1). 제한된 현장 관측 자료로 인해 fCO2의 장기 변동을 신뢰성 있게 살펴보기 어려울 것으로 판단하여, 이 연구에서는 전체 관측 시기의 중간에 해당하는 2008년을 기준으로 fCO2 관측자료를 표준화한 후, fCO2의 연변화를 살펴보고자 하였다. 표준화에는 Kim etal.
제안 방법
(2016)은 이전 Kim et al.(2014)이 보고한 현장 자료(1995년부터 2009년까지) 중 MODIS-Aqua 엽록소 자료가 존재하는 2003년 이후의 관측 자료에 2011년, 2012년 관측 결과를 추가하여 연구에 활용하였다. fCO2를 비롯한 현장 관측 자료의 획득 방법은 Kim et al.
1차 시험을 마친 모형들이 fCO2의 연변화를 얼마나 잘 보여주고 있나 확인하기 위해, 모형에 2008년의 8일, 0.083° x0.083° 해상도 자료를 입력하여 울릉분지를 포함한 동해 남서부해역(34.5 ~ 39.5°N, 128 ~ 133°E)의 fCO2를 예측하였다.
CHL 농도 관측 자료의 빈도를 고려하여, 본 연구에 활용한 입력 자료의 시간 해상도는 8일, 위경도 해상도는 0.083° x 0.083°로 결정하였다.
RF 모형에서 추정한 해양 표층의 fCO2 분포를 이용하여 동해 남서부해역의 해양-대기 CO2 교환율을 추정하였다. 교환율 계산에 필요한 f (CO2)air의 연변화는 Kim et al.
SSS은 일별, 0.083° x 0.083° 해상도의 HYCOM 재해석 자료를 위성 자료와 동일하게 8일, 0.083° x 0.083°형태로 재격자화(산술평균)하여 사용하였다.
Support Vector Machine (SVM)과 Multi-Layer Perceptron (MLP) 모형을 이용한 학습과 예측에는 위 입력 변수(x)들을 추가적으로 평균(μ)과 표준편차(σ)로 표준화한 후 사용하였다(즉, (x - μ) / σ).
fCO2 예측을 위해 사용할 위성 혹은 재해석 자료와 시공간 해상도를 일치시키기 위해, 현장 관측 자료를 8일, 위경도 0.083° x 0.083° 간격으로 격자화하였다.
이 모형으로 이 해역의 fCO2을 추정하는데 중요한 역할을 하는 변수가 어떤 것인가도 살펴보았다. 기계학습 모형을 통해 추정한 fCO2와 기존 연구에서 제시한 대기 fCO2를결합하여, 동해 남서부해역 CO2 교환율을 8일 간격으로 제시하였다.
본 연구에서는 이전 연구들을 통해서 수집된 현장 관측 자료(Kim et al., 2014; Park et al., 2016)와 기계학습법들을 결합하여 동해 남서부해역 표층 fCO2의 연변화를 추정하는 모형을 구축하였다. 이 모형으로 이 해역의 fCO2을 추정하는데 중요한 역할을 하는 변수가 어떤 것인가도 살펴보았다.
어떤 입력 변수가 동해 남서부해역의 표층 fCO2를 예측하는 RF 모형의 성능을 결정하는데 중요한 역할을 하는가 알아 보기 위해, 해양의 물리, 생물 해양 환경을 기술하는 기본 변수(SST, SSS, CHL, MLD), 기본 변수로 설명되지 않는 공간 변화(LON, LAT), 순환적 계절변화를 설명하기 위해 추가한 변수(SDOY, CDOY) 중 한 가지를 제외한 RF 모형들을 구축하여성능을 비교하였다(Fig. 7a). RF 모형의 RMSE나 R2는 어느 한 변수의 제외 여부에 크게 영향을 받지 않았다.
MLP는 한 개의 입력층, 하나 혹은 복수의 은닉층(hidden layer)과 한 개의 출력층으로 이루어져 있다. 은닉층의 각 계산 단위(뉴런)에서는 상위 계산 단위의 결과들을 이용하여 가중합(weighted sum)을 계산하고, 여기에 비선형함수(tanh, relu 등)를 적용한 결과를 출력층의 가중합을 계산하는데 제공한다. 출력 결과와 참값의 차이를 계산하고, 이 차이를 줄이기 위해 계산단위 사이의 가중치를 조절(backpropagation)하는 학습 과정을 수행한다.
(2016)이 울릉분지 fCO2 추정을 위해 이용한 인공신경망과 동일한 방법이다(Hornik, 1991). 이 연구에서는 scikit-learn의 MLPRegressor 함수를 이용하였고, 비선형함수(tanh), 은닉층의 계산 단위 갯수(700 개) 등 최적화는 격자 검색을 통해 수행하였다(Muller and Guido, 2017).
이 연구에서는 다양한 기계학습 모형 중 해양의 fCO2 예측에 널리 활용되고 있는 Random Forest (RF), Support Vector Machine (SVM), Multi-layer Perceptron (MLP)을 이용하여 fCO2 예측 모형을 구축하였다(Lanschuster et al., 2013; Zeng et al., 2014; Gregor et al., 2017; Jang et al., 2017). 각 모형의 구축에는 Python 기계학습 패키지인 sciki-learn을 이용하였다(https://scikit-learn.
SVM은 중소규모의 다양한 자료 해석에 좋은 성능을 보여주지만, 세심한 자료의 사전준비와 변수 조율이 필요한 단점도 있다. 이 연구에서는 입력 자료를 평균 0, 분산 1로 표준화 한 후, SVM의 회귀분석 형태인 scikit-learn의 SVR 함수를 이용하여 모형을 구축하였다. 커널 함수로는 radial basis function (RBF)를 이용하였고, RBF의 최적 변수는 격자 검색 기능을 이용하여 찾았다(Muller and Guido, 2017).
즉, 2008년 이전 관측 자료들에는 2008년에 비해 평균 fCO2가 낮았던 만큼더해 주고, 2008년 이후 관측 자료들은 2008년에 비해 높아진 fCO2만큼 빼주었다. 이를 통해 격자화한 관측 자료들의 장기 추세를 제외하고, 2008년 기준 8일 간격 fCO2 변화를 나타낼 수 있도록 하였다.
6). 이후 입력 변수에 따른 모형의 민감도와 CO2 교환율 산출에는 RF 모형만을 이용하여 살펴보았다.
, 2014). 자료의 계절 변화를 표현하기 위하여 날짜 순서(day ofyear; 이후 DOY)의 사인함수와 코사인 함수를 추가 변수로 활용하였다(Zeng et al., 2014; Gregor et al., 2017):
제한된 관측 자료로 인해, 이 연구에서는 위경도 해상도 4° x 5°로 성긴 장기평균 (fCO2)sw 분포를 제시하였다.
, 2014). 제한된 현장 관측 자료만으로는 파악하기 어려운fCO2의 시공간 변화를 예측하고, 정밀한 해양-대기 CO2 교환율를 산출하기 위해, 이 연구에서는 위성 및 수치모형에서 얻은 자료들을 이용하여 기계학습 모형을 구축함으로써 동해 남서부해역의 고해상도 fCO2 시계열 자료를 얻었다. 세 모형 중 현장관측 자료를 가장 잘 재현한 RF 모형을 이용하여 계산한 CO2 교환율은 -0.
은닉층의 각 계산 단위(뉴런)에서는 상위 계산 단위의 결과들을 이용하여 가중합(weighted sum)을 계산하고, 여기에 비선형함수(tanh, relu 등)를 적용한 결과를 출력층의 가중합을 계산하는데 제공한다. 출력 결과와 참값의 차이를 계산하고, 이 차이를 줄이기 위해 계산단위 사이의 가중치를 조절(backpropagation)하는 학습 과정을 수행한다. MLP는 feed-forward neural network으로도 알려져 있으며, 앞서 소개한 Park et al.
모형의 학습을 위해 앞서 기술한 격자화와 표준화 단계를 거쳐 현장 관측 자료를 준비하였다(식 (2)). 탐사별 자료의 일관성이 불분명한 CHL(엽록소 형광) 자료는 MODIS CHL 관측 자료로 대체하였고, MLD는 HYCOM 재해석 자료를 이용하였다(Table 1). 이렇게 준비한 자료 중 fCO2의 대비가 큰 봄과 가을의 자료 일부(DOY 81와 297의 자료들)는 모형이 예측한 자료를 독립적으로 검증하기 위해 먼저 분리해두었다.
훈련을 마친 세 기계학습 모형의 성능을 비교하기 위해, 모형별로 fCO2 예측값과, 모형 시험을 위해 분리해 두었던 시험 자료의 fCO2 실측값을 비교하였다(Fig. 2). 어느 모형이나 예측값과 실측값 사이의 결정계수(coefficient of determination, R2),평균제곱근오차(root mean square error, RMSE) 가 각각 0.
대상 데이터
이 연구에서는 scikit-learn의 RandomForestRegressor 함수를 이용하여 모형을 구축하였다. 500개의 DT를 이용하여 결과를 산출하였으며, 다른 변수는 기본값을 사용하였다(Muller and Guido, 2017).
083°로 결정하였다. SST, SSS, MLD 자료는 Ocean Productivity Site (https://www.science.oregonstate.edu/ocean.productivity/)에서 얻었다. MLD는 10 m 수심에 비해 밀도가 0.
, 2017). SST와 CHL은 MODIS-Aqua 관측 자료(R2018)를 이용하였고, SSS와 MLD는 HYCOM의 재해석 자료를 토대로 하였다(Table 1).
fCO2의 예측에는 표층 수온(SST), 염분(SSS), 엽록소(CHL), 혼합층깊이(MLD) 자료를 이용하였다. 이 입력 항목들은 기계학습을 이용하여 fCO2를 예측한 여러 연구에서 이용한 것과 동일하다(Nakaoka et al.
이 연구에서는 2003년부터 2012년까지 울릉분지 인근 해역에서 총 10회의 개별 탐사를 통해 얻은 17,400여개의 자료를 이용하였다. fCO2 예측을 위해 사용할 위성 혹은 재해석 자료와 시공간 해상도를 일치시키기 위해, 현장 관측 자료를 8일, 위경도 0.
데이터처리
CO2의 해양-대기 교환율 추정에 필요한 k는 European Centre for Medium-Range Weather Forecasts (ECMWF)에서 제공하는 ERA-interim 재해석 풍속 자료를 이용하여 계산하였다. 계산에 앞서 6시간, 0.
이론/모형
, 2017). 각 모형의 구축에는 Python 기계학습 패키지인 sciki-learn을 이용하였다(https://scikit-learn.org; Pedregosa et al., 2011).
연구에 활용한 현장 관측 자료는 인공신경망기법을 이용하여 fCO2을 추정한 Park et al.(2016)의 것과 동일한 것이다.
RF는 자료의 범위 조절이나 변수 조율에 큰 노력이 필요하지 않고, 분류와 회귀에 모두 좋은 성능을 낼 수 있어 가장 많이 이용되는 기계학습 모형 중 하나이다. 이 연구에서는 scikit-learn의 RandomForestRegressor 함수를 이용하여 모형을 구축하였다. 500개의 DT를 이용하여 결과를 산출하였으며, 다른 변수는 기본값을 사용하였다(Muller and Guido, 2017).
이 연구에서는 입력 자료를 평균 0, 분산 1로 표준화 한 후, SVM의 회귀분석 형태인 scikit-learn의 SVR 함수를 이용하여 모형을 구축하였다. 커널 함수로는 radial basis function (RBF)를 이용하였고, RBF의 최적 변수는 격자 검색 기능을 이용하여 찾았다(Muller and Guido, 2017).
125°해상도의 풍속 자료를 다른 자료의 해상도와 동일하게 재격자화하였다. 풍속과 k의 상관관계는 Wanninkhof(2014)가 제시한 식을 따랐고, 앞선 연구와 비교를 돕기 위해 Wanninkhof(1992)를 이용한 계산 결과도 함께 제시하였다(Table 2).
성능/효과
083° 간격으로 격자화하였다. 10년간 관측 결과들을 취합하였음에도 불구하고, 현장 관측자료의 갯수는 격자화 후 2,412개로 줄어들었다. 관측 빈도도 울릉분지 중앙부를 제외하고는 4회 미만으로 낮게 나타났다(Fig.
08로 낮게 나타났다. 공간 및 시간 정보를 제외하고 기본변수만으로 구축한 RF 모형(Fig. 7의 모형 9)에서도 SST, SSS의 중요도(각각 0.69, 0.21)에 비해 CHL과 MLD의 중요도는 0.03, 0.08로 낮았다. Kim etal.
4). 다만, SVM, MLP의 월별 공간 분포를 살펴보면, 관측 자료의 빈도가 높은 울릉분지 중앙부의 fCO2 관측값과는 유사하지만, 관측자료 빈도가 낮은 예측 범위 가장 자리의 fCO2는 과소평가하는 경향을 확인하였다. Fig.
36로 비슷한 중요도를 갖는 것으로 나타났다. 둘 중 한 변수를 제외한 모형에서는 모형 구축에 포함된 다른 변수가 두 변수의 중요도를 합친 양에 해당하는 0.6 이상의 중요도를 보였다. 이는 SDOY가 SST의 계절 변동과 매우 유사하기 때문에, 두 변수 중 어느 하나가 제외되었을 때 다른 변수로 대부분의 fCO2 변화를 예측할 수 있음을 의미한다.
세 모형 중 현장관측 자료를 가장 잘 재현한 RF 모형을 이용하여 계산한 CO2 교환율은 -0.76±1.15 mol m-2 yr-1로 이전 현장 관측 연구에서 제시한 교환율(-0.66 ~ -2.47 mol m-2 yr-1) 범위 중 작은 값에 가까웠다.
어느 모형이나 예측값과 실측값 사이의 결정계수(coefficient of determination, R2),평균제곱근오차(root mean square error, RMSE) 가 각각 0.97과 7 μatm 내외로 비슷한 성능을 보였다.
이 모형 결과와 현장 관측 결과의 평균제곱근오차(RMSE)는 19.2 μatm였으며, CHL보다는 SST가 fCO2와 밀접한 상관 관계를 보였다.
8). 표층 fCO2가 최소인 3월과 4월을 전후하여 CO2가 가장 많이 해양으로 흡수되었고, 초여름에는 적은 양의 CO2가 대기로 방출되었다. 이 시기에 공간 변동성(파란색 음영)이 연중 가장 작은 것으로 볼 때,전 해역에서 일관되게 CO2 방출이 일어나고 있을 것으로 추정된다.
후속연구
앞으로 보다 정확한 교환율 산출을 위해서는 fCO2가 급격하게 변화하는 봄철에 높은 해상도의 현장 관측을 수행할 필요가 있다. 또한, 계류시스템을 이용하여 시간 해상도가 높은 fCO2 시계열 자료를 확보할 수 있다면, 기계학습 모형에서 생산하는 fCO2 시계열 자료를 검증하는데 활용할 수 있을 것이다.
RF 모형이 예측한 표층 fCO2 시계열 자료는 8일 내외의 짧은 시간 사이에도 CO2 교환율에 상당한 변화가 있음을 보여주었다. 앞으로 보다 정확한 교환율 산출을 위해서는 fCO2가 급격하게 변화하는 봄철에 높은 해상도의 현장 관측을 수행할 필요가 있다. 또한, 계류시스템을 이용하여 시간 해상도가 높은 fCO2 시계열 자료를 확보할 수 있다면, 기계학습 모형에서 생산하는 fCO2 시계열 자료를 검증하는데 활용할 수 있을 것이다.
53 mol m-2 yr-1로 제시하였다. 하지만 현장 관측 자료가 봄, 여름과 가을로 제한되어 있고, 모형 결과가 이전 연구에서 보였던 여름철 해양의 CO2 방출(Choi et al., 2012; Kim et al., 2014)을 보여주지 못하는 점 등에 대해서는 개선이 필요할 것으로 보인다.
질의응답
핵심어
질문
논문에서 추출한 답변
Decision Tree의 일반화 성능이 좋지 않은 이유는 무엇인가?
DT는 일련의 예/아니오 질문을 통해 자료의 분류 혹은 회귀 결정에 이르는 모형이다. DT는 비교적 이해하기 쉽고 시각화가 용이한 방법이기는 하지만, 훈련 단계에서 과적합(overfitting)하는 경향이 있어 일반화(generalization) 성능이 좋지 않다. RF는 DT 구성에 필요한 입력 자료 표본과 입력 변수(feature)를 무작위로 선택함으로써, 모두 다른 DT가 만들어지도록 한다.
Decision Tree는 무엇인가?
RF는 Decision Tree (DT)를 기본 구성 요소로 하고 있다. DT는 일련의 예/아니오 질문을 통해 자료의 분류 혹은 회귀 결정에 이르는 모형이다. DT는 비교적 이해하기 쉽고 시각화가 용이한 방법이기는 하지만, 훈련 단계에서 과적합(overfitting)하는 경향이 있어 일반화(generalization) 성능이 좋지 않다.
해양과 대기의 fCO2는 일반적으로 무엇을 이용하여 측정되고 있는가?
k와 S는비교적 측정이 용이한 수온, 염분, 풍속으로부터 계산된다(Wanninkhof, 2014). 반면, 해양과 대기의 fCO2 (atm)는 일반적으로 대기-해수 평형기와 적외선 분석기를 결합한 시스템(Dickson et al., 2007; Pierrot et al., 2009)을 갖춘 선박을 이용하여 측정되고 있다. 상대적으로 완만한 시공간 변화를 보이는 f (CO2)air에 비해, f (CO2)sw는 해양의 물리, 생물 작용들에 의해 상당한 시공간 변화를 보이고 있어, CO2 교환율에 가장 큰 변화를 줄 수 있는 요소로 꼽힌다(Takahashi et al.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.