[논문]Estimation of ambient PM10 and PM2.5 concentrations in Seoul, South Korea, using empirical models based on MODIS and Landsat 8 OLI imagery

Lee, Peter Sang-Hoon; Park, Jincheol; Seo, Jung-young

doi:10.7744/kjoas.20190087

Estimation of ambient PM10 and PM2.5 concentrations in Seoul, South Korea, using empirical models based on MODIS and Landsat 8 OLI imagery 원문보기

Korean journal of agricultural science, v.47 no.1, 2020년, pp.59 - 66

Lee, Peter Sang-Hoon (Graduate School of Urban Studies, Hanyang University) , Park, Jincheol (Lab. of Green City, Hanyang University) , Seo, Jung-young (DNC Engineering)

Abstract ▼ AI-Helper

Particulate matter (PM) is regarded as a major threat to public health and safety in urban areas. Despite a variety of efforts to systemically monitor the distribution of PM, the limited amount of sampling sites may not provide sufficient coverage over the areas where the monitoring stations are not located in close proximity. This study examined the capacity of using remotely sensed data to estimate the PM10 and PM2.5 concentrations in Seoul, South Korea. Multiple linear regression models were developed using the multispectral band data from the Moderate-resolution imaging spectro-radiometer equipped on Terra (MODIS) and Operational Land Imager equipped on Landsat 8 (Landsat 8) and meteorological parameters. Compared to MODIS-derived models (r2 = 0.25 for PM10, r2 = 0.30 for PM2.5), the Landsat 8-derived models showed improved model reliabilities (r2 = 0.17 to 0.57 for PM10, r2 = 0.47 to 0.71 for PM2.5). Landsat 8 model-derived PM concentration and ground-truth PM measurements were cross-validated to each other to examine the capability of the models for estimating the PM concentration. The modeled PM concentrations showed a stronger correlation to PM10 (r = 0.41 to 0.75) than to PM2.5 (r = 0.14 to 0.82). Overall, the results indicate that Landsat 8-derived models were more suitable in estimating the PM concentrations. Despite the day-to-day fluctuation in the model reliability, several models showed strong correspondences of the modeled PM concentrations to the PM measurements.

주제어

표/그림 (6)

그림 Fig. 1. Study area in this study and the locations of ambient air quality monitoring stations and urban forests (green) (AirKorea, 2019; Seoul metropolitan government, 2019).
그림 Fig. 2. Correlations between the observed (a) PM10 and (b) PM2.5 concentrations and AOD retrieved from MODIS data.
표 Table 1. Multiple linear regression models for estimating PM10 and PM2.5 concentrations based on MODIS-derived AOD and meteorological factors.
표 Table 2. The estimated coefficients of the multiple linear regression models for estimating PM10 and PM2.5 concentrations based on MODIS-derived AOD and meteorological factors derived from Table 1.
그림 Fig. 3. Correlations between the observed (a) PM10 and (b) PM2.5 concentrations and modeled PM10 and PM2.5 concentrations derived from Landsat 8 data.
표 Table 3. Single-day models for estimating PM concentrations based on AOD derived from high-resolution sensors (n = 25).

AI 본문요약
AI-Helper

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

문제 정의

낮은 공간해상도를 가진 센서에서는 높은 공간해상도를 가진 센서가 탐지할 수 있는 에어로졸 광학정보가 누락될 가능성이 있다. 따라서, 상대적으로 높은 공간해상도를 가진 영상을 활용하여 미세먼지 농도에 대한 더 정확한 추정치를 얻을 수 있는지 확인하기 위해 Landsat 8 기반 모델을 개발하였다. 미세먼지 농도 추정치를 산출하기 위한 모델을 개발하기 위해 Landsat 8 AOD 및 기상요소별 시간평균관측값을 예측변수로 사용하였으며, 자세한 내용은 다음의 Table 3와 같다.
이러한 추세에 맞추어 고해상도 위성영상을 활용한 국내 도심지역 대기질 및 미세먼지 관련 연구의 중요성 또한 조명될 필요가 있는 시점이다. 본 연구는 공간해상도가 상이한 MODIS와 Landsat 8의 위성영상을 활용하여 서울지역의 미세먼지 농도를 더 효과적으로 추정하는 수치모델을 개발하고자 하였다.
본 연구에서는 서로 다른 공간해상도의 자료를 제공하는 MODIS와 Landsat 8의 영상자료를 비교하여 연구대상지에 적용 가능한 미세먼지 농도 추정 방법론을 개발하고자 하였다. MODIS 영상은 3 km의 공간해상도를 가진 Collection 6 Level 2 aerosol products (MOD04_3K)를 NASA에서 운용하는 LAADS (https://ladsweb.

제안 방법

교차검정을 통하여 모델의 설명력을 평가하기 위해 25개 구 중 20개 구의 미세먼지 농도 측정값은 훈련자료로, 나머지 5개 구(강동, 관악, 노원, 동대문, 성동)의 미세먼지 농도 측정값은 검증자료로 설정하였다. Landsat 8 모델에서 산출된 PM10 및 PM2.5 농도 추정치를 각 도시대기측정소와 시공간적으로 일치시킨 후 각 미세먼지 농도 측정값과 비교하여 상관관계를 구하였다.
MODIS AOD와 각 도시대기측정소의 PM10 및 PM2.5 농도 측정값 사이의 상관관계를 분석하기 위하여 각 변수들간의 선형 경향성을 도출하였다(Fig. 2). AOD는 PM10 농도 측정값과 양의 상관관계를 보였고 (Pearson's correlation coefficient r = 0.
, 2010; Saleh and Hasan, 2014; Lee and Park, 2019). PM10 및 PM2.5 농도 추정치를 산출하기 위해 Landsat 8 AOD 및 해당 영상과 동일한 시간대의 기상요소별 시간평균관측값을 예측변수로 사용하여 다중선형회귀모델을 개발하였다. 교차검정을 통하여 모델의 설명력을 평가하기 위해 25개 구 중 20개 구의 미세먼지 농도 측정값은 훈련자료로, 나머지 5개 구(강동, 관악, 노원, 동대문, 성동)의 미세먼지 농도 측정값은 검증자료로 설정하였다.
, 2015). PM10 및 PM2.5 농도 추정치를 산출하기 위해 MODIS AOD 및 해당 MODIS 영상 촬영시간과 동일한 시간대의 기상요소별 시간평균관측값을 예측변수로 사용하여 다중선형회귀모델을 개발하였다. 모델링에는 소프트웨어 SPSS Statistics version 25 (International Business Machines, Armonk, New York, USA)를 사용하였다.
PM농도 추정치를 산출하기 위한 다중선형회귀모델을 개발하기 위해 MODIS AOD 및 시간평균 풍속 (wind speed, WS), 풍향(wind direction, WD), 상대습도(relative humidity, RH), 기온(temperature, T)을 예측변수로 사용하였다. 각 모델, 모델별 변수 및 설명력은 Table 1과 Table 2에 요약하였다.
따라서, 상대적으로 높은 공간해상도를 가진 영상을 활용하여 미세먼지 농도에 대한 더 정확한 추정치를 얻을 수 있는지 확인하기 위해 Landsat 8 기반 모델을 개발하였다. 미세먼지 농도 추정치를 산출하기 위한 모델을 개발하기 위해 Landsat 8 AOD 및 기상요소별 시간평균관측값을 예측변수로 사용하였으며, 자세한 내용은 다음의 Table 3와 같다. PM10 농도추정모델의 설명력(r² )은 0.

대상 데이터

Landsat 8 영상은 30 m의 공간해상도를 가진 Standard Level 1 product (LC08_L1XX)를 미국지질조사국(USGS, 2019)에서 운용하는 EarthExplorer (https://earthexplorer.usgs.gov)를 통하여 취득하였다. AOD값 산출에는 여섯 개 다중분광밴드(band 2, 3, 4, 5, 6, 7)로부터의 화소자료를 사용하였고, 전처리방법은 Moranet al.
본 연구에서는 서로 다른 공간해상도의 자료를 제공하는 MODIS와 Landsat 8의 영상자료를 비교하여 연구대상지에 적용 가능한 미세먼지 농도 추정 방법론을 개발하고자 하였다. MODIS 영상은 3 km의 공간해상도를 가진 Collection 6 Level 2 aerosol products (MOD04_3K)를 NASA에서 운용하는 LAADS (https://ladsweb.modap-s.eosdis.nasa.gov)를 통하여 취득하였다. MODIS AOD값을 구하기 위한 파라미터는 'retrieved AOT at 0.
1) (AirKorea, 2019). 가장 최근에 보여진 서울지역 미세먼지의 시공간적 변화추이를 조사하기 위해 연구대상기간은 2017년 8월 1일부터 2019년 7월 31일까지로 설정되었으며, 서울시 보건환경연구원에서 운영하는 에어코리아(AirKorea, http://www.airkorea.or.kr/web)로부터 시간평균 PM10 및 PM2.5 농도 자료를 수집하였다(https://www.airkorea.or.kr).
, 2013). 각 위성자료의 시간적 범위는 2017년 8월 1일부터 2019년 7월 31일까지로 설정되었다. 영상처리 소프트웨어는 ENVI version 5.
5 농도 추정치를 산출하기 위해 Landsat 8 AOD 및 해당 영상과 동일한 시간대의 기상요소별 시간평균관측값을 예측변수로 사용하여 다중선형회귀모델을 개발하였다. 교차검정을 통하여 모델의 설명력을 평가하기 위해 25개 구 중 20개 구의 미세먼지 농도 측정값은 훈련자료로, 나머지 5개 구(강동, 관악, 노원, 동대문, 성동)의 미세먼지 농도 측정값은 검증자료로 설정하였다. Landsat 8 모델에서 산출된 PM10 및 PM2.
기상조건이 PM농도에 미치는 영향을 조사하기 위하여 25개 구 자동기상관측장비에서 측정된 시간평균풍속(m/s), 풍향(0 - 360º), 기온(℃), 상대습도(%)를 기상청 기상자료개방포털(KMA, 2019)을 통하여 수집하였다.
본 연구는 서울을 연구대상지역으로 선정하였다. 서울에서는 높은 인구밀도에서 비롯된 차량매연 및 분진 등 비점오염원에 기인한 대기오염물질 농도가 증가 추세를 보이고 있다(NIER, 2015; KOSIS, 2018).
기상조건이 PM농도에 미치는 영향을 조사하기 위하여 25개 구 자동기상관측장비에서 측정된 시간평균풍속(m/s), 풍향(0 - 360º), 기온(℃), 상대습도(%)를 기상청 기상자료개방포털(KMA, 2019)을 통하여 수집하였다. 연구대상기간은 2017년 8월 1일부터 2019년 7월 31일까지로 설정되었다.
서울에서는 높은 인구밀도에서 비롯된 차량매연 및 분진 등 비점오염원에 기인한 대기오염물질 농도가 증가 추세를 보이고 있다(NIER, 2015; KOSIS, 2018). 연구지역은 25개의 행정구역(구)으로 나뉘며 각 구의 대기질 측정소가 모여 서울지역 도시대기측정망을 형성한다. 각 측정소는 실시간으로 일산화탄소, 이산화황, 이산화질소, 오존, PM10 및 PM2.

이론/모형

gov)를 통하여 취득하였다. AOD값 산출에는 여섯 개 다중분광밴드(band 2, 3, 4, 5, 6, 7)로부터의 화소자료를 사용하였고, 전처리방법은 Moranet al. (1992)과 Chavez (1996)의 연구에서 제시된 radiometric correction과 simple dark object subtraction 및 Sobrino et al. (2004), Nadzri et al. (2010), Saleh and Hasan (2014)의 연구에서 제시된 대기보정알고리즘을 적용하였다. NASA의 기술보고서에서 제시된 방법에 따라 과대모의된 비정상적 AOD값을 가진 영상은 제외하였다(Remer et al.
수집된 자료에 기존의 Landsat 8 영상 기반 미세먼지 농도 추정 모델들에서 제시된 모델링 방법을 적용하였다(Sobrino et al., 2004; Nadzri et al., 2010; Saleh and Hasan, 2014; Lee and Park, 2019). PM10 및 PM2.
수집된 자료에 기존의 MODIS 영상 기반 미세먼지 농도 추정 모델들에서 제시된 모델링 방법을 적용하였다(Seo et al., 2015). PM10 및 PM2.
각 위성자료의 시간적 범위는 2017년 8월 1일부터 2019년 7월 31일까지로 설정되었다. 영상처리 소프트웨어는 ENVI version 5.1 (Exelis Visual Information Solutions, Boulder, Colorado, USA) 와 ArcMap version 10.2 (Environmental Systems Research Institute, Redlands, California, USA)가 사용되었다.

성능/효과

AOD는 PM10 농도 측정값과 양의 상관관계를 보였고 (Pearson's correlation coefficient r = 0.45, p < 0.001, n = 58), PM2.5 농도 측정값과도 양의 상관관계를 보였다 (r = 0.34, p = 0.01, n = 59) (Fig. 2).
각 모델, 모델별 변수 및 설명력은 Table 1과 Table 2에 요약하였다. PM10 모델에서 통계적으로 유의한 변수는 AOD였으며, PM2.5 모델에서 유의한 변수는 풍향, 풍속 및 상대습도로 나타났다(Tables 1 and 2). 하지만, PM10 농도추정치에 대한 모델 설명력(M1) (r² = 0.
71로 나타났다 (Table 3). 미세먼지 농도 측정값에 대하여 모델로부터 산출된 미세먼지 농도 추정치가 가지는 설명력은 영상 획득일별로 차이가 나타났지만, 전반적인 모델 설명력 및 교차검정 결과는 Landsat 8 기반 모델이 MODIS 기반 모델보다 효과적인 것으로 나타났다(Table 3; Fig. 3).

후속연구

에어로졸 연구를 목적으로 전처리 및 보정을 거친 최종 산출물인 MODIS 영상과는 달리, Landsat 8 영상은 그 활용에 있어서 최적의 알고리즘을 개발하기 위한 지속적인 연구가 필요할 것으로 판단되었다. 본 연구에서 Landsat 8 영상을 활용하여 도출한 결과 및 실험적인 방법론은 향후 원격탐사기법을 활용한 도심지역 미세먼지 농도 추정에 있어서 도움이 될 것으로 판단된다.
에어로졸 연구를 목적으로 전처리 및 보정을 거친 최종 산출물인 MODIS 영상과는 달리, Landsat 8 영상은 그 활용에 있어서 최적의 알고리즘을 개발하기 위한 지속적인 연구가 필요할 것으로 판단되었다. 본 연구에서 Landsat 8 영상을 활용하여 도출한 결과 및 실험적인 방법론은 향후 원격탐사기법을 활용한 도심지역 미세먼지 농도 추정에 있어서 도움이 될 것으로 판단된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	에어로졸광학두께가 활용된 연구 분야는?	, 2013; NASA, 2017), 전지구적 및 대규모 지역의 탐사에는 Terra위성에 탑재된 중해상도 분광센서(MODIS)로부터 획득된 10 km 및 3 km 공간해상도 영상이 주로 사용되어왔다. 특히 MODIS 영상 기반 전처리 및 보정이 된 산출물인 에어로졸광학두께(aerosol optical depth, AOD)는 지표면 에어로졸 농도에 대한 여러 연구에 활용되어왔다(Remer et al., 2008; Levy et al.
	미세먼지를 효과적으로 감시하기 위한 현실적 어려움을 극복하기 위한 미국 항공우주국의 접근 방안은?	이 한계점을 극복하기 위해 위성영상 기반 원격탐사기법을 활용한 미세먼지 관련 연구들이 진행되어왔다: 미국 항공우주국(NASA)는 2000년대 초반부터 지금까지 Terra와 Landsat 8 등 다중분광센서를 탑재한 인공위성들을 운영 중에 있는데(Levy et al., 2013; Remer et al., 2013; NASA, 2017), 전지구적 및 대규모 지역의 탐사에는 Terra위성에 탑재된 중해상도 분광센서(MODIS)로부터 획득된 10 km 및 3 km 공간해상도 영상이 주로 사용되어왔다. 특히 MODIS 영상 기반 전처리 및 보정이 된 산출물인 에어로졸광학두께(aerosol optical depth, AOD)는 지표면 에어로졸 농도에 대한 여러 연구에 활용되어왔다(Remer et al.

참고문헌 (27)

AirKorea. 2019. Latest hourly ambient air quality data archive. Accessed in https://www.airkorea.or.kr/web/last_amb_hour_data on 6 August 2019. [in Korean]
Chavez PS. 1996. Image-based atmospheric correction - revisited and improved. Photogrammetric Engineering and Remote Sensing 62:1025-1036.
Chen W, Fan A, Yan L. 2017. Performance of MODIS C6 aerosol product during frequent haze-fog events: A case study of Beijing. Remote Sensing 9:496. doi:10.3390/rs9050496.

상세보기
Chen Y, Han W, Chen S, Tong L. 2014. Estimating ground-level PM2.5 concentration using Landsat 8 in Chengdu, China. Proceedings of SPIE - The International Society for Optical Engineering 9259:925917. doi:10.1117/12.2068886.
IPCC (Intergovernmental Panel on Climate Change). 2014. Climate change 2014: Mitigation of climate change. Contribution of working group III to the fifth assessment report of the Intergovernmental Panel on Climate Change edited by Edenhofer O, Pichs-Madruga R, Sokona Y, Farahani E, Kadner S, Seyboth K, Adler A, Baum I, Brunner S, Eickemeier P, Kriemann B, Savolainen J, Schlomer S, von Stechow C, Zwickel T, Minx JC. Cambridge University Press, Cambridge, United Kingdom and New York, USA.
KMA (Korean Meteorological Administration). 2019. Meteorological dataset archive. Accessed in https://data.kma.go.kr/ on 5 August 2019. [in Korean]
KOSIS (Korean Statistical Information Service). 2018. Administrative division statistics. Accessed in http://kosis.kr/statHtml/statHtml.do?orgId101&tblIdDT_1ZGA17&conn_p-athI2 on 12 September 2019. [in Korean]
Kumar N, Chu A, Foster A. 2007. An empirical relationship between PM2.5 and aerosol optical depth in Delhi Metropolitan. Atmospheric Environment 41:4492-4503.

상세보기
Lee S, Park J. 2019. Correlation between urban forest and satellite-borne imagery-based ambient particulate matter across Seoul, South Korea. Journal of Agriculture and Life Science 53:1-11. doi:10.14397/jals.2019.53.6.1.

상세보기
Levy RC, Mattoo S, Munchak LA, Remer LA, Sayer AM, Patadia F, Hsu NC. 2013. The Collection 6 MODIS aerosol products over land and ocean. Atmospheric Measurement Techniques 6:2989-3034.

상세보기
Li R. 2015. Estimating ground-level PM2.5 using fine-resolution satellite data in the megacity of Beijing, China. Aerosol and Air Quality Research 15:1347-1356. doi:10.4209/aaqr.2015.01.0009.

상세보기
Moran M, Jackson R, Slater P, Teillet P. 1992. Evaluation of simplified procedures for retrieval of land surface reflectance factors from satellite sensor output. Remote Sensing of Environment 41:169-184.

상세보기
Munchak LA, Levy RC, Mattoo S, Remer LA, Holben BN, Schafer JS, Hostetler CA, Ferrare RA. 2013. MODIS 3 km aerosol product: Applications over land in an urban/suburban region. Atmospheric Measurement Techniques 6:1747-1759.

상세보기
Nadzri O, Mat Jafri MZ, Lim HS. 2010. Estimating particulate matter concentration over arid region using satellite remote sensing: A case study in Makkah, Saudi Arabia. Modern Applied Science 4. Science 4:131. doi:10.5539/mas.v4n11p131.
NASA (National Aeronautics and Space Administration). 2017. Earth science mission profile 1997-2023. Earth Observing System Project Science Office. Accessed in https://eospso.nasa.gov/content/nasas-earth-observingsystem-project-science-office on 11 September 2019.
NIER (National Institute of Environmental Research). 2015. Megacity air pollution studies - Seoul (MAPS-Seoul). Accessed in https://espo.nasa.gov/sites/default/files/document-s/MAPS-Seoul_White%20Paper_26%20Feb%202015_Final.pdf on 20 August 2019. [in Korean]
Remer LA, Kleidman RG, Levy RC, Kaufman YJ, Tanre D, Mattoo S, Martins JV, Ichoku C, Koren I, Yu H, Holben BN. 2008. Global aerosol climatology from the MODIS satellite sensors. Journal of Geophysical Research: Atmospheres 113: D14S07. doi:10.1029/2007JD009661.

상세보기
Remer LA, Mattoo S, Levy RC, Munchak LA. 2013. MODIS 3 km aerosol product: Algorithm and global perspective. Atmospheric Measurement Techniques Discussions 6:69-112.

상세보기
Saleh SAH, Hasan G. 2014. Estimation of PM10 concentration using ground measurements and Landsat 8 OLI satellite image. Journal of Geophysics and Remote Sensing 3:2169. doi:10.4172/2169-0049.1000120.
Seo S, Kim J, Lee H, Jeong U, Kim W, Holben B, Kim SW, Song C, Lim J. 2015. Estimation of PM10 concentrations over Seoul using multiple empirical models with AERONET and MODIS data collected during the DRAGON-Asia campaign. Atmospheric Chemistry and Physics 15:319-334. doi:10.5194/acp-15-319-2015.

상세보기
Seoul Metropolitan Government. 2019. Seoul city green space geospatial information (datum: ITRF2000). Accessed in http://data.seoul.go.kr/dataList/datasetView.do?infIdOA-13163&srvTypeS&serviceKind1& currentPageNo1 on 22 August 2019. [in Korean]
Sobrino J, Jimenez-Munoz JC, Paolini L. 2004. Land surface temperature retrieval from LANDSAT TM 5. Remote Sensing of Environment 90:434-440.

상세보기
Sun L, Wei J, Bilal M, Tian X, Jia C, Guo Y, Mi X. 2016. Aerosol optical depth retrieval over bright areas using Landsat 8 OLI Images. Remote Sensing 8:23. doi:10.3390/rs8010023.

상세보기
Tian J, Chen D. 2010. Spectral, spatial, and temporal sensitivity of correlating MODIS aerosol optical depth with ground-based fine particulate matter (PM2.5) across southern Ontario. Canadian Journal of Remote Sensing 36:119-128.

상세보기
USGS (United States Geological Survey). 2019. Landsat 8 data users handbook. USGS Landsat Missions. LSDS-1574 version 4.0. Accessed in https://www.usgs.gov/media/files/-landsat-8-data-users-handbook on 8 August 2019.
WHO (World Health Organization). 2016. Ambient air pollution: A global assessment of exposure and burden of disease. World Health Organization. Accessed in https://apps.who.int/iris/handle/10665/250141 on 10 September 2019.
Yun G, Zuo S, Dai S, Song X, Xu C, Liao Y, Zhao P, Chang W, Chen Q, Li Y, Tang J, Man W, Ren Y. 2018. Individual and interactive influences of anthropogenic and ecological factors on forest PM2.5 concentrations at an urban scale. Remote Sensing 10:521. doi:10.3390/rs10040521.

상세보기

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