[논문]SVM 교차검증을 활용한 토지피복 ROI 선정

정종철; 윤형진

doi:10.22640/lxsiri.2020.50.1.75

SVM 교차검증을 활용한 토지피복 ROI 선정
Region of Interest (ROI) Selection of Land Cover Using SVM Cross Validation 원문보기

지적과 국토정보 = Journal of cadastre & land informatix, v.50 no.1, 2020년, pp.75 - 85

정종철 (남서울대학교 공간정보공학과) , 윤형진 (남서울대학교 공간정보공학과)

초록
AI-Helper

본 연구는 토지피복 분류에 사용 가능한 ROI 생성 과정에서 기계학습 기반 교차검증을 활용하였다. 연구지역은 세종시를 포함한 2019년 10월 28일 단시기 KOMPSAT-3A 영상을 활용하였다. 연구 과정에서 4개의 밴드(Red, Green, Blue, Near Infra-red)를 독립변수로 교차검증 과정에서 학습시켰다. 또한 SVM의 4가지 기법(Linear, Polynomial, RBF, Sigmoid)을 활용하여 추출된 ROI를 기반으로 토지피복 분류를 실시하였다. 교차검증 과정에서 훈련된 3,500개의 데이터 중 1,813개의 데이터가 추출되었으며 건물, 도로, 그리고 초지에서 약 60%의 데이터가 제거되었다. 추출된 ROI를 기반으로 다른 SVM기법에 비해 SVM Linear 기법이 91.77%로 가장 높은 분류 정확도를 나타냈다. 분류 클래스 중 초지의 경우 산림과의 오분류가 가장 많이 발생하며 79.43%의 생산자 정확도로 가장 낮은 분류 정확도를 보여주었다. 연구 결과에 따라 교차검증에서 추출된 ROI는 산림, 수역, 그리고 농업지역에 대해서는 90%이상의 분류정확도를 보여주며 효과적인 분류결과를 도출할 수 있었으나, 80%의 분류정확도를 보여주는 건물, 도로, 나대지, 그리고 초지 지역을 분류하는 방법에 대해서는 추가적인 연구가 진행되어야 할 필요성이 존재한다.

Abstract ▼ AI-Helper

This study examines machine learning cross-validation to utilized create ROI for classification of land cover. The study area located in Sejong and one KOMPSAT-3A image was used in this analysis: procedure on October 28, 2019. We used four bands(Red, Green, Blue, Near infra-red) for learning cross validation process. In this study, we used K-fold method in cross validation and used SVM kernel type with cross validation result. In addition, we used 4 kernels of SVM(Linear, Polynomial, RBF, Sigmoid) for supervised classification land cover map using extracted ROI. During the cross validation process, 1,813 data extracted from 3,500 data, and the most of the building, road and grass class data were removed about 60% during cross validation process. Based on this, the supervised SVM linear technique showed the highest classification accuracy of 91.77% compared to other kernel methods. The grass' producer accuracy showed 79.43% and identified a large mis-classification in forests. Depending on the results of the study, extraction ROI using cross validation may be effective in forest, water and agriculture areas, but it is deemed necessary to improve the distinction of built-up, grass and bare-soil area.

주제어

표/그림 (14)

표 Table 1. Type of SVM Kernel Function
그림 Figure 1. K-fold cross validation
그림 Figure 2. KOMPSAT-3A image procedure on October 28, 2019(left) and Land-cover map (right, 1:5,000, 2015. Ministry of Environment)
표 Table 2. Characteristic and Qcquisition Time of the KOMPSAT-3A Satellite Image
그림 Figure 3. Classification map and Mis-match location between KOMPSAT-3A and land-cover map, bare soil(A), agriculture(B) and built-up(C, D) area
그림 Figure 4. Supervised class information of the land-cover map class types
표 Table 3. Parameter of SVM in this research
그림 Figure 5. The flow chart and overall metho-dology to extract ROI using SVM
표 Table 4. Description of data-set and the number of extracted ROI from 5-fold cross validation
그림 Figure 6. Compare building points to pre-past cross validation (left-Before: 500/right-after: 152)
표 Table 5. Error matrix for land-cover map and SVM Classification showing correct and incorrect results based on 5 fold cross validation
그림 Figure 7. Compare road points to pre-past cross validation (left-Before: 500/right-after: 153)
그림 Figure 8. SVM Classified Land-cover Maps of Sejong (SVM Linear/ Polynomial/ RBF/ Sigmoid)
표 Table 6. Accuracy assessment for SVM classification

AI 본문요약
AI-Helper

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

문제 정의

교차검증의 이러한 특성을 활용할 경우 ROI를 생성하는 과정에서 기존의 토지피복지도와 같은 공간DB를 활용할 때 토지피복지도와 위성영상 사이의 부정확한 화솟값을 제거하고 이를 기반으로 감독분류가 가능하다고 판단된다. 따라서 본 연구는 교차검증의 다양한 기법 중 K-fold 교차검증기법과 SVM 커널식을 활용하여 교차검증을 진행하고, 이를 기반으로 ROI를 효율적으로 추출하는 방안을 연구하였다. 또한, 추출된 ROI를 통해 SVM 감독분류를 진행하였으며 ROI에 따른 분류 정확도를 도출하여 교차검증이 위성 감독분류에 활용될 수 있는 방안을 제시하는데 본 연구의 목적이 있다.
따라서 본 연구는 교차검증의 다양한 기법 중 K-fold 교차검증기법과 SVM 커널식을 활용하여 교차검증을 진행하고, 이를 기반으로 ROI를 효율적으로 추출하는 방안을 연구하였다. 또한, 추출된 ROI를 통해 SVM 감독분류를 진행하였으며 ROI에 따른 분류 정확도를 도출하여 교차검증이 위성 감독분류에 활용될 수 있는 방안을 제시하는데 본 연구의 목적이 있다.
이에 따라 영상처리 기술인 피복지도 분류에 최신의 인공지능기술을 적용하는 과정에서 자동화 처리의 기술 개발이 필요하고 이에 대한 수요가 증가하고 있다. 인공지능과 영상처리의 자동화 기술개발을 적용하기 위해 본 연구에서는 관심지역(ROI)을 자동 추출하는 알고리즘을 개발하고자 하였다.

제안 방법

연구지역 내에서 전체 생성된 포인트 수는 총 54,083개로 나타났으며 그중 각 클래스 별 500개의 데이터를 QGIS 랜덤 선택 기법으로 무작위 선정하였다. 각 분류당 100개씩 분할하여 케이스 별 700개의 분류 데이터가 들어간 5개의 세트를 생성하고, 5개의 데이터 세트를 기반으로 SVM 커널을 활용하여 교차검증을 진행하여 최종적인 추출 ROI 데이터를 제작하였다. 생성된 데이터 세트는 영상 처리 프로그램인 ENVI에서 제공되는 SVM 4가지 기법인 Linear, Polynomial, RBF, Sigmoid를 통해 감독분류를 실시하였으며, 이를 확인하기 위해 ROI 기반 정확도 검증을 실시하였다.
이러한 오차 데이터를 제거하기 위해 교차검증을 활용하였다. 교차검증을 위한 훈련 데이터 생성은 격자 형식의 포인트 데이터와 환경부 토지피복지도를 활용하였다. 오차부분을 최소화하기 위하여 포인트를 25m의 격자 형식으로 생성한 뒤 해당 위치에 포함된 토지피복지도 분류 값을 추출하였다.
본 연구는 KOMPSAT-3A를 활용하여 토지피복을 분류하는 과정에서 교차검증으로 추출된 ROI를 통해 토지피복지도를 제작하고 분류된 결과를 검증 분석하는 과정에서 다음과 같은 결론을 도출하였다.
교차검증을 통해 7개의 분류 클래스에 대한 특성값을 학습시킬 경우 각 클래스의 중복 특성에 맞는 초평면을 가지는 훈련모델이 생성되며 이를 기반으로 토지피복지도에서 추출한 데이터들 중 실제 위성영상의 픽셀값과 다르게 나타나는 오류 데이터 들을 제거하는 과정을 거치고 나머지 데이터들은 ROI로 활용할 수 있다. 생성된 ROI를 분류하는 과정에서 ENVI에서 제공하는 감독분류 SVM을 활용하여 4가지 기법(Linear, Polynomial, Radial Basis Function; RBF, Sigmoid)을 통해 분류하였다. 최종적으로 분류된 4가지 데이터에 대한 ROI 정확도 평가를 통해 가장 정확도가 높은 SVM 기법과 클래스들을 제시하였다.

대상 데이터

교차검증을 통해 분류된 1,813개의 포인트를 ROI로 선정하고 SVM의 4가지 기법을 활용하여 분류하였다. 분류 결과는 Figure 8과 같으며, 분류 정확도는 Table 6에 나열하였다.
교차검증을 활용하기 위한 연구 대상지로 세종특별시를 선정하였다. 세종특별시는 빠른 도시화로 시가화 지역의 발전과 나대지 지역의 감소가 특징이며 세종특별시와 관련된 환경부 토지피복지도는 현재 2020년도 기준 2015년 1:5,000의 세분류 지도가 최신으로 갱신된 바 있다.
세종특별시는 빠른 도시화로 시가화 지역의 발전과 나대지 지역의 감소가 특징이며 세종특별시와 관련된 환경부 토지피복지도는 현재 2020년도 기준 2015년 1:5,000의 세분류 지도가 최신으로 갱신된 바 있다. 본 연구에서는 환경부 토지피복지도 제작시기인 2015년 10월 28일 KOMPSAT-3A 위성영상을 활용하였다. Figure 2는 본 연구 대상지인 세종특별시에 대한 위성영상 위치와 환경부 토지피복지도 분류 결과를 나타낸 것이다.
따라서 해당 지역은 단순 시가화 지역을 분류하기보단 건물과 도로로 분할하여 분류할 필요성이 존재한다. 연구지역 내에서 전체 생성된 포인트 수는 총 54,083개로 나타났으며 그중 각 클래스 별 500개의 데이터를 QGIS 랜덤 선택 기법으로 무작위 선정하였다. 각 분류당 100개씩 분할하여 케이스 별 700개의 분류 데이터가 들어간 5개의 세트를 생성하고, 5개의 데이터 세트를 기반으로 SVM 커널을 활용하여 교차검증을 진행하여 최종적인 추출 ROI 데이터를 제작하였다.

데이터처리

ROI 교차검증을 위한 SVM 학습을 위해 머신러닝 구축 환경은 Python 기반 Anaconda 환경을 구축하였다. 또한 Scikit-learn 오픈 라이브러리를 기반으로 기계학습을 실시하였다. Scikit-learn은 Numpy, Scipy 및 matplotlib 기반 데이터 마이닝 및 데이터 분석을 위한 간단하고 효율적인 도구로써, 접근성이 용이하며 다양한 상황에서 사용 가능하다.
각 분류당 100개씩 분할하여 케이스 별 700개의 분류 데이터가 들어간 5개의 세트를 생성하고, 5개의 데이터 세트를 기반으로 SVM 커널을 활용하여 교차검증을 진행하여 최종적인 추출 ROI 데이터를 제작하였다. 생성된 데이터 세트는 영상 처리 프로그램인 ENVI에서 제공되는 SVM 4가지 기법인 Linear, Polynomial, RBF, Sigmoid를 통해 감독분류를 실시하였으며, 이를 확인하기 위해 ROI 기반 정확도 검증을 실시하였다. 이 과정에서 사용된 SVM 커널 매개변수 값은 Table 3과 같다.
또한, 영상에서 확인 가능한 시가화 지역의 발달이 실제 토지피복지도에는 최신화되어 있지 않아 C, D와 같이 건물과 도로에 대해서는 정확한 클래스 추출이 힘들다. 이러한 오차 데이터를 제거하기 위해 교차검증을 활용하였다. 교차검증을 위한 훈련 데이터 생성은 격자 형식의 포인트 데이터와 환경부 토지피복지도를 활용하였다.

성능/효과

분류 결과는 Figure 8과 같으며, 분류 정확도는 Table 6에 나열하였다. 가장 높은 분류 정확도를 보여준 기법은 SVM Linear 모델로 91.77%의 정확도를 보여준다. 가장 높은 분류 정확도를 보여주는 클래스는 수역 지역으로 이는 가장 확실한 분광 반사특성을 가지기 때문이라고 판단된다.
Table 5는 교차검증 결과에 대한 각 클래스의 오차 행렬이다. 교차검증 결과 전체 정확도는 51.8%가 나타났으며 산림의 생산자 정확도와 수역의 생산자, 사용자 정확도는 85% 이상의 분류 정확도를 보여준다. 하지만 산림의 사용자 정확도는 61%의 정확도를 나타내는데 이는 실제 분류된 결과에서 초지의 분류가 산림으로 오분류가 다수 발생하기 때문이다.
교차검증 과정에서 오차 행렬을 통해 도로와 나대지, 농업지역 사이에서의 오분류, 산림과 초지 사이에서의 오분류가 많이 발생하는 것을 확인할 수 있었다. 이는 2015년 영상에서 비포장도로와 나대지 지역의 화솟값이 뚜렷한 특징이 없으며 10월 영상 시기상 논·밭 지역의 비활성화가 주요인으로 확인된다.
교차검증의 이러한 특성을 활용할 경우 ROI를 생성하는 과정에서 기존의 토지피복지도와 같은 공간DB를 활용할 때 토지피복지도와 위성영상 사이의 부정확한 화솟값을 제거하고 이를 기반으로 감독분류가 가능하다고 판단된다. 따라서 본 연구는 교차검증의 다양한 기법 중 K-fold 교차검증기법과 SVM 커널식을 활용하여 교차검증을 진행하고, 이를 기반으로 ROI를 효율적으로 추출하는 방안을 연구하였다.
이는 영상의 시기가 10월이며 경작지에 대한 논･밭 재배가 모두 완료된 상태이며 이에 따른 분류의 어려움이라고 판단된다. 또한 토지피복분류 결과에서 건물과 도로의 추출 포인트 수가 70% 감소하였는데 이러한 결과를 통해 교차검증 과정에서 포인트가 줄어든 폭이 큰 경우 토지피복지도와 영상이 부정확하거나 토지피복지도 구축 후 도시화로 토지피복이 변화하는 폭이 빠르다고 판단할 수 있다. 위성영상에서 객체 수가 많이 감소된 건물과 도로에 대한 교차검증 전과 후의 영상을 비교하였으며 Figure 6은 건물, Figure 7은 도로를 나타낸다.
본 연구는 교차검증 과정에서 토지피복지도와 위성 영상의 미일치 부분, 특히 건물, 도로와 같은 시가화지역에 대한 미일치 데이터를 제거하는 부분과 이를 통해 추출된 격자형식의 ROI는 SVM Linear에서 91.77%의 정확도를 보여준다는 결론을 도출하였다. 추출된 ROI를 기반으로 SVM Linear 감독분류 결과 생산자, 사용자 정확도 모두 수역, 산림, 건물, 나대지,농업지, 도로, 초지 순으로 나타났으며 생산자 정확도의 초지(79.
본 연구는 단시기 위성영상과 4개의 밴드(B, G, R, NIR)을 활용하여 세종시의 토지피복 분류를 진행하여 90% 이상의 분류 정확도를 도출하였지만 KOMPSAT-3A영상과 더불어 다분광 밴드를 활용한 위성영상 및 다시기 영상을 활용하고, 다양한 분광식과 고도값을 포함한 DSM, DTM 데이터를 추가하여 학습할 경우보다 높은 정확도를 도출할 수 있다고 판단된다. 이러한 기법은 추후 제작되는 토지피복지도와 같은 공간데이터 생성에서 시간과 비용을 절감할 수 있는 하나의 방법론으로 제시 가능하고, 갱신된 공간데이터를 평가하는 방안으로 활용될 수 있다고 판단된다.
가장 높은 분류 정확도를 보여주는 클래스는 수역 지역으로 이는 가장 확실한 분광 반사특성을 가지기 때문이라고 판단된다. 시가화 분류의 건물, 도로는 각각 86.84%, 84.97%로 이전 교차검증에서 많은 수의 데이터가 추출되었으나 높은 정확도를 보여주며 특히 사용자 정확도에서는 94.29%의 분류 정확도로 수역, 산림 다음으로 높은 분류 정확도를 나타냈다. 분류 정확도 상에서 초지는 교차검증 된 결과와 비교했을 때와 마찬가지로 상대적으로 낮은 생산자 정확도(79.
77%의 정확도를 보여준다는 결론을 도출하였다. 추출된 ROI를 기반으로 SVM Linear 감독분류 결과 생산자, 사용자 정확도 모두 수역, 산림, 건물, 나대지,농업지, 도로, 초지 순으로 나타났으며 생산자 정확도의 초지(79.43%)를 제외하고 모두 80% 이상의 분류 정확도를 도출하였다.

후속연구

기계학습의 한 과정인 교차검증은 훈련 데이터의 정확도 향상과 과적합, 오분류 데이터를 추려낼 수 있는 장점이 존재한다. 교차검증을 통한 훈련데이터 구축과정에서 SVM과 같은 데이터에 적합한 커널식을 사용하고 추출된 데이터는 추후 진행되는 예측실험에 대한 정확도 향상에 효과적이다. 따라서 전처리 된 데이터를 기반으로 다양한 커널식과 매개변수를 통한 사전실험이 필요하다(Sharama et al.
이는 산림 분광특성과 초지 분광특성의 공통점이 많으며 분류된 ROI의 수가 많은 산림에 영향을 받아 낮은 분류 정확도가 추출되었음을 확인할 수 있었다. 분류 과정에서 건물에 의한 그림자 영역은 수역으로 분류되는 결과를 확인하였는데, 이는 수역과 그림자에 대한 4개의 밴드 분광값이 비슷하며, 연구에 사용된 KOMPSAT-3A 영상의 경우 이를 분류하는 기법의 추가적인 연구가 필요한 점을 파악하였다.
본 연구는 단시기 위성영상과 4개의 밴드(B, G, R, NIR)을 활용하여 세종시의 토지피복 분류를 진행하여 90% 이상의 분류 정확도를 도출하였지만 KOMPSAT-3A영상과 더불어 다분광 밴드를 활용한 위성영상 및 다시기 영상을 활용하고, 다양한 분광식과 고도값을 포함한 DSM, DTM 데이터를 추가하여 학습할 경우보다 높은 정확도를 도출할 수 있다고 판단된다. 이러한 기법은 추후 제작되는 토지피복지도와 같은 공간데이터 생성에서 시간과 비용을 절감할 수 있는 하나의 방법론으로 제시 가능하고, 갱신된 공간데이터를 평가하는 방안으로 활용될 수 있다고 판단된다.
아리랑 3호와 3A호 위성은 고해상력을 바탕으로 토지피복지도 제작에 주요 자원으로 제시되고 있으나 이러한 위성영상을 활용하기 위해서는 빠르게 분류가 가능한 위성자료처리 구축 방법 알고리즘의 개선과 효과적인 분석 기술이 필요하다. 특히 도시화로 인해 빠르게 변화되는 토지이용 변화에 대비하여 토지피복지도 갱신주기를 단축시키는 방향의 연구가 진행될 필요성이 있다.

질의응답

핵심어	질문	논문에서 추출한 답변
	위성영상을 분류하는 분석 기법 중 기계학습의 장점은 무엇인가?	위성영상을 분류하는 분석 기법 중 기계학습은 빅데이터와 같은 방대한 양의 위성정보를 처리하는 상황에서 유의미한 정보를 추출할 수 있으며(Tennenholtz et al. 2018), 실시간 분석을 통한 예측 등과 같은 작업 수행이 가능하다. 위성영상을 활용한 공간정보 분석 분야에서 기계학습은 활용성과 효율성이 입증되어 가고 있다(Yang and Cervone 2019; Zhang et al.
	SVM 분류란 무엇인가?	SVM은 1995년 Vapnik에 의해 제안되었으며 Logistic Regression, Neural Network, Bayes classifer와 같이 초평면을 활용한 지도학습이다. SVM 분류는 차원공간에서 클래스를 가장 잘 분류하는 초평면을 생성하여 클래스를 분류하는 알고리즘이다. 이때 초평면은 클래스 사이의 거리를 최대화할 수 있어야 하며, 이를 통해 매개변수를 조정하여 요소를 구분 짓는 선을 찾고, 패턴을 인식하는 방법이다.
	ROI는 기본적으로 현장 검증이나 정확한 위치정보 값을 기준으로 자료를 선정하는 과정에서 시간과 비용이 많이 필요하게 된다는 단점으로 인해 무엇이 필요한가?	ROI(Region of Interest)는 기본적으로 현장 검증이나 정확한 위치정보 값을 기준으로 자료를 선정하는 과정에서 시간과 비용이 많이 필요하게 된다. 이에 따라 영상처리 기술인 피복지도 분류에 최신의 인공지능기술을 적용하는 과정에서 자동화 처리의 기술 개발이 필요하고 이에 대한 수요가 증가하고 있다. 인공지능과 영상처리의 자동화 기술개발을 적용하기 위해 본 연구에서는 관심지역(ROI)을 자동 추출하는 알고리즘을 개발하고자 하였다.

참고문헌 (13)

Moon CS, Shim JY, Kim SB, Lee SY. 2010. A Study on the Calculation Methods on the Ratio of Green Coverage Using Satellite Images and Land Cover Maps. Journal of Korean Society of Rural Planning. 16(4):53-60.
Sunwoo WY, Kim DE, Kim SK, Choi MH. 2017. West seacoast wetland monitoring using KOMPSAT series imageries in high spatial resolution. Journal of Korea Water Resource. 50(6):429-440.
Yeom JH, Kim YI. 2014. Automatic Extraction of the Land Readjustment Paddy for High-level Land Cover Classification. Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography. 32(5):443-450.

원문보기 상세보기
Jo KH, Jeong JC 2019 Reliability Evaluation of KOMPSAT-3A Training Data Automatically Selected Using Iterative Trimming Algorithm. Journal of the Korea Spatial Planning Review. 103:115-129.

상세보기
Hong YW, Park WY, Song HS, Jung CH, Eo YD, Kim SJ. 2010. Image Classification for Military Application using Public Landcover Map. Journal of Korea Institute of Military Science and Technology. 13(1):147-155.
Abdi AM. 2020. Land cover and land use classification performance of machine learning algorithm in a boreal landscape using Sentinel-2 data. GISciencce & Remote Sensing. 57(1):1-20.

상세보기
Ahmed FYH, Ali YH, Shamsuddin SM. 2018.. Using K-Fold Validation Proposed Models for Spikeprop Learning Enhancements. International Journal of Engineering & Technology. 7: 145-151.
Ramezan CA, Warner TA, Maxwell AE. 2019. Evaluation of Sampling and Cross-Validation Tuning Strategies for Regional-Scale Machine Learning Classifiacation. Remote Sensing. 11(185):rs11020185.
Sharma RC, Hara K, Hirayama H. 2017. A Machine Learning and Cross-Validation Approach for the Discrimination of Vegetation Physiognomic Types Using Satellite Based Multispectral and Multitemporal Data. Hindawi Scientifica. 2017:9806479.
Tennenholtz G, Zahavy T, Mannor S. 2018. Train on Validation:Squeezing the Data Lemon. sata.ML. arXiv:1802.05846v1.
Yang L, Cervone G. 2019. Analysis of Remote Sensing Imagery for disaster assessment using deep learning: a case study of flooding event. Soft Computing. 23(24):13393-13408.

상세보기
Zhang J, Okin GS, Zhou B. 2019. Assimilating optical satellite remote sensing images and field data to predict surface indicators in the Western U.S.: Assessing error in satellite predictions based on large geographical datasets with the use of machine learning. Remote Sensing of Environment. 233:111382.

상세보기
Zhang K, Liu N, Chen Y, Gao S. 2019. Comparison of different machine learning method for GPP estimation using remote sensing data. Materials Science and Engineering. 490(2019):062010.

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