[논문]Landsat 8 OLI 영상을 이용한 산불탐지: 2019년 호주 산불을 사례로

김나리; 이양원

doi:10.7780/kjrs.2020.36.5.1.10

Landsat 8 OLI 영상을 이용한 산불탐지: 2019년 호주 산불을 사례로
Active Fire Detection Using Landsat 8 OLI Images: A Case of 2019 Australia Fires 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.36 no.5 pt.1, 2020년, pp.775 - 784

김나리 (부경대학교 지오메틱연구소) , 이양원 (부경대학교 지구환경시스템과학부 공간정보공학전공)

초록
AI-Helper

최근 지구온난화 및 인간 활동 등에 의해 전지구적으로 산불발생이 빈번해지고 있으며, 산불의 규모가 대형화되고 지속기간이 길어지는 경향을 보이면서, 산불 피해 또한 급증하고 있다. MODIS는 20년 가까이 전지구 산불탐지 정보를 제공하고 있고, GK2A와 Himawari-8은 1일 144회의 빈도로 동아시아권의 산불감시를 수행하고 있지만, 1~2 km의 공간해상도는 중·소 규모 산불탐지에 있어서는 충분하지 않으므로 고해상도 위성영상을 이용한 산불탐지 연구가 반드시 필요하다. 그러나 타고있는 산불탐지(active fire detection)에 대한 고해상도 산출물은 현재 공식적으로 존재하지 않는다. 이에, 본연구에서는 Landsat 8 산불탐지 알고리듬을 구현하여 고해상도 산불탐지를 수행하였으며, 최근의 대표적인 산불사례인 2019년 12월 호주 대형산불에 대하여 Landsat 8 탐지 결과를 Himawari-8, MODIS 산출물과 비교하였다. 강한 산불의 경우에는 세 위성 모두 유사한 결과를 보였지만, 타기 시작하거나 진화되고 있는 약한 산불 및 좁은 지역에 발생한 산불은 30m 해상도의 Landsat 8에서만 탐지되었고, 1~2 km 해상도의 Himawari-8나 MODIS에서는 탐지되지 않는 경향이 있었다. 우리나라와 같이 소규모 산불이 대부분인 경우에는 Landsat 8, Sentinel-2, Kompsat-3A, 그리고 2021년 발사예정인 Kompsat-7과 같은 고해상도 위성을 이용한 산불탐지가 가능할 것이며, GK2A, Himawari-8, Fengyun-3 등 동아시아 정지궤도 위성의 탐지결과와 함께 종합적인 분석을 수행한다면, 시간해상도와 공간해상도를 현재보다 향상시키는 것이 가능할 것이다. 이러한 진보된 산불감시를 위해서는 우리나라의 복잡지형에 보다 적합한 한국형 고해상도 산불탐지 알고리듬의 개발이 무엇보다 선행되어야 할 것이다.

Abstract ▼ AI-Helper

Recent global warming and anthropogenic activities have caused more frequent and massive wildfires with longer durations and more significant damages. MODIS has been monitoring global wildfires for almost 20 years, and GK2A and Himawari-8 are observing the wildfires in East Asia 144 times a day. However, the spatial resolution of 1 to 2 km is not sufficient for the detection of small and medium-size active fires, and therefore the studies on the active fire detection using high-resolution images are essential. However, there is no official product for the high-resolution active fire detection. Hence, we implemented the active fire detection algorithm of Landsat 8 and carried out a high-resolution-based detection of active fires in Australia in 2019, followed by the comparisons with the products of Himawari-8 and MODIS. Regarding the intense fires, the three satellites showed similar results, whereas the weak igniting and extinguishing fires or the fires in narrow areas were detected by only Landsat 8 with a 30m resolution. Small-sized fires, which are the majority in Korea, can be detected by the high-resolution satellites such as Landsat 8, Sentinel-2, Kompsat-3A, and the forthcoming Kompsat-7. Also, a comprehensive analysis together with the geostationary satellites in East Asia such as GK2A, Himawari-8, and Fengyun-3 will help the interoperability and the improvement of spatial and temporal resolutions.

주제어

표/그림 (8)

그림 Fig. 1. Landsat 8 OLI L1TP true-color images (090-082, 090-083, and 090-084) used in this study.
표 Table 1. Landsat 8 OLI channels for the active fire detection algorithm (Schroeder et al., 2016)
표 Table 2. Summary of data used in this study
표 Table 3. Daytime module for Landsat 8 active fire detection (Schroeder et al., 2016)
그림 Fig 2. The atmospherically corrected Landsat 8 true-color image (090-082) on 15 December 2019 (a), the result of active fire detection (b), and the SWIR image (c).
그림 Fig 3. The atmospherically corrected Landsat 8 true-color image (090-083) on 15 December 2019 (a), the result of active fire detection (b), and the SWIR image (c).
그림 Fig 4. The atmospherically corrected Landsat 8 true-color image (090-084) on 15 December 2019 (a), the result of active fire detection (b), and the SWIR image (c).
그림 Fig. 5. Subset of the Landsat 8 images for the States of New South Wales, Austrailia on 15 December 2019. The green rectangles indicate the pixels for the detected fire by Himawari-8, and the purple rectangles denote the pixels for the detected fire by MODIS. Red, yellow, and blue pixels show the results of the active fire detection algorithm of Landsat 8. The path-row is (a) 090-082, (b) 090-083, and (c) 090-084, respectively.

AI 본문요약
AI-Helper

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

문제 정의

본연구에서는 Landsat 8 OLI 기반의 산불탐지 알고리듬(Schroeder et al., 2016)을 실제로 구현하고, 이를 이용하여 2019년 호주에서 발생한 초대형 산불에 대한 탐지를 수행하며, 탐지 결과를 MODIS 및 Himawari-8 산출물과 함께 평가 및 분석하고자 한다. 이를 통하여 고해상도 산불탐지와 중저해상도 산불탐지의 장단점 및 상호운용성에 대해 검토하고, 나아가 우리나라에서 발생하는 다양한 규모의 산불탐지에 대한 적용 가능성을 살펴보고자 한다.
, 2016)을 실제로 구현하고, 이를 이용하여 2019년 호주에서 발생한 초대형 산불에 대한 탐지를 수행하며, 탐지 결과를 MODIS 및 Himawari-8 산출물과 함께 평가 및 분석하고자 한다. 이를 통하여 고해상도 산불탐지와 중저해상도 산불탐지의 장단점 및 상호운용성에 대해 검토하고, 나아가 우리나라에서 발생하는 다양한 규모의 산불탐지에 대한 적용 가능성을 살펴보고자 한다.

제안 방법

산불탐지에는 Landsat 8 OLI의 L1TP (Level-1 Precision Terrain) 자료를 사용하였으며(Table 1), 1번부터 7번까지 총 7개 밴드에 대하여 FLAASH (Fast Line-of-Sight Atmospheric Analysis of Spectral Hypercubes) 모듈을 이용한 대기보정을 수행하였다(FLAASH, 2009). L1TP 자료의 메타데이터 파일을 참조하여 DN(Digital Number)을 복사휘도로 변환하였고, MODTRAN (Moderate Resolution Atmospheric Transmission) 모델에는 호주의 12월에 해당하는 MLS (Mid-Latitude Summer) 옵션을 적용하였다.
가시광선이나 근적외선과는 달리, 단파적외선과 중적외선은 연기를 투과하기 때문에 주간과 야간 모두 산불탐지가 가능하다. Landsat 8 산불탐지의 주간 모듈은 Table 3과 같이 7개 밴드의 반사도 조건을 활용하며(Schroeder et al., 2016), 본연구에서는 R 언어를 이용하여 영상처리 및 산불탐지 알고리듬을 구현하였다.
Landsat 8 영상에 알고리듬을 적용하여 탐지한 결과는 Himawari-8 Wild Fire 산출물과 MODIS의 MOD14 (ThermalAnomalies/Fire) 산출물과 비교하였다. Landsat 8 영상은 2019년 12월 15일 23:49~23:50 UTC (Coordinated Universal Time)에 촬영되었으며, 같은 날 23:50 UTC의 Himawari-8 산출물과 23:55 UTC의 MODIS 산출물을 수집하였다(Table 2).
)는 각 화소의 배경윈도우(예를 들어, 61×61)에서 채널 i와 j의 반사도 비율에 대한 평균과 표준편차를 나타낸다. Test 1은 확실한 산불 화소, Test 2는 산불일 가능성이 매우 높은 화소, Test 3은 불이 나기 시작하거나 진화되고 있는 약한 산불 화소, 그리고 Test 4는 물이나 구름과 같이 제외될 (masking) 화소를 탐지하는 것이다.
MODIS는 20년 가까이 전지구 산불탐지 정보를 제공하고 있고, GK2A와 Himawari-8은 1일 144회의 빈도로 동아시아권의 산불감시를 수행하고 있지만, 1~2 km의 공간해상도는 산불탐지에 있어서는 충분하지 않으므로 고해상도 위성영상을 이용한 산불탐지 연구가 반드시 필요하다. 그러나 Landsat-8의 산불탐지 산출물은 CONUS 지역에 대해서만 제공되고 있기 때문에, 본연구에서는 Landsat 8 산불탐지 알고리듬을 구현하여 고해상도 산불탐지를 수행하였으며, 최근의 대표적인 산불사례인 2019년 12월 호주 대형산불에 대하여 분석하였다. 대기보정된 Landsat 8 천연색 영상으로부터 육안 식별이 가능할 정도로 대형산불이 발생한 것을 확인할 수 있었으며, Landsat 8에서 탐지한 결과는 Himawari-8, MODIS 산불산출물과 비교하였다.
그러나 Landsat-8의 산불탐지 산출물은 CONUS 지역에 대해서만 제공되고 있기 때문에, 본연구에서는 Landsat 8 산불탐지 알고리듬을 구현하여 고해상도 산불탐지를 수행하였으며, 최근의 대표적인 산불사례인 2019년 12월 호주 대형산불에 대하여 분석하였다. 대기보정된 Landsat 8 천연색 영상으로부터 육안 식별이 가능할 정도로 대형산불이 발생한 것을 확인할 수 있었으며, Landsat 8에서 탐지한 결과는 Himawari-8, MODIS 산불산출물과 비교하였다. 강한 산불의 경우에는 세 위성 모두 유사한 결과를 보였지만, 타기 시작하거나 진화되고 있는 약한 산불 및 좁은 지역에 발생한 산불은 30 m 해상도의 Landsat 8에서만 탐지되었고, 1~2km 해상도의 Himawari-8나 MODIS에서는 탐지되지 않는 경향이 있었다.
본연구의 Landsat 8 산불탐지 결과를 Himawari-8 및 MODIS 산출물과 비교하기 위하여, Landsat 8 영상에 Himawari-8 산불화소(녹색 사각형), MODIS 산불화소(보라색 사각형)을 중첩하여 나타냈다(Fig. 5). Fig.
, 2016; Kumar and Roy, 2018). 산불 화소는 중적외(midinfrared) 밴드의 방사열에너지가 매우 큰 특성을 가지기 때문에, MODIS, VIIRS, AHI, AMI의 산불탐지 알고리듬은 중적외 채널의 복사휘도를 활용하나, 대부분의 고해상도 위성센서는 중적외 채널이 없기 때문에 이를 대체할 방법이 필요하였다. 2013년 발사된 Landsat 8은 이전의 Landsat 시리즈에 비하여 OLI (Operational Land Imager) 센서의 성능이 한층 향상되어, 중적외 채널 없이도 가시, 근적외, 단파적외 채널을 이용한 알고리듬으로 산불탐지가 가능해졌으나(Murphy et al.

대상 데이터

1). 2019년 12월 15일에 발생한 산불을 대상으로 하였으며, USGS에서 제공하는 고해상도 위성영상인 Landsat 8 OLI 자료를 사용하여 산불탐지를 수행하였다. Landsat 8은 2013년 2월에 발사된 지구관측 위성으로OLI와 TIRS (Thermal Infrared Sensor)가 탑재되어 있으며, 고도 705 km 상공에서 태양동기궤도로 지구를 공전하면서 현지시각 오전 10시에 적도를 통과한다.
1. Landsat 8 OLI L1TP true-color images (090-082, 090-083, and 090-084) used in this study.
Landsat 8 영상에 알고리듬을 적용하여 탐지한 결과는 Himawari-8 Wild Fire 산출물과 MODIS의 MOD14 (ThermalAnomalies/Fire) 산출물과 비교하였다. Landsat 8 영상은 2019년 12월 15일 23:49~23:50 UTC (Coordinated Universal Time)에 촬영되었으며, 같은 날 23:50 UTC의 Himawari-8 산출물과 23:55 UTC의 MODIS 산출물을 수집하였다(Table 2).
산불탐지에는 Landsat 8 OLI의 L1TP (Level-1 Precision Terrain) 자료를 사용하였으며(Table 1), 1번부터 7번까지 총 7개 밴드에 대하여 FLAASH (Fast Line-of-Sight Atmospheric Analysis of Spectral Hypercubes) 모듈을 이용한 대기보정을 수행하였다(FLAASH, 2009).
연구지역은 호주 뉴사우스웨일즈 주의 동부지역으로, 위도 30.5~35.8°S, 경도 148~152°E에 해당하는 범위이다(Fig. 1).

성능/효과

대기보정된 Landsat 8 천연색 영상으로부터 육안 식별이 가능할 정도로 대형산불이 발생한 것을 확인할 수 있었으며, Landsat 8에서 탐지한 결과는 Himawari-8, MODIS 산불산출물과 비교하였다. 강한 산불의 경우에는 세 위성 모두 유사한 결과를 보였지만, 타기 시작하거나 진화되고 있는 약한 산불 및 좁은 지역에 발생한 산불은 30 m 해상도의 Landsat 8에서만 탐지되었고, 1~2km 해상도의 Himawari-8나 MODIS에서는 탐지되지 않는 경향이 있었다. 우리나라와 같이 소규모 산불이 대부분인 경우에는 Landsat 8, Sentinel-2, Kompsat-3A, 그리고 2021년 발사예정인 Kompsat-7과 같은 고해상도 위성을 이용한 산불탐지가 가능할 것이며, GK2A, Himawari-8, Fengyun-3 등 동아시아 정지궤도 위성의 탐지결과와 함께 종합적인 분석을 수행한다면, 시간해상도와 공간해 상도를 현재보다 향상시키는 것이 가능할 것이다.
결과를 종합적으로 살펴보면, 강하고 확실하게 타고있는 산불은 세 위성 모두 잘 탐지한 것으로 나타났으며, 대체로 Landsat 8과 Himawari-8의 산불탐지 영역이 유사하고, Himawari-8과 MODIS 산불탐지 영역 또한 유사하지만, Landsat 8과 MODIS의 결과는 경우에 따라 다르게 나타나기도 했다. 특히 연기에 가려진 약한 산불은 위성에 따라 탐지 결과가 조금씩 상이한 경우가 있었는데, 중적외선이나 단파적외선이 연기를 투과하면서 산란에 의해 복사에너지 일부가 감쇠하였을 가능성도 있다.
4(b)의 영상에서는 연기가 얇고 넓게 퍼져있고 파란색 화소가 띠 모양으로 분포하며 그 주변이 검게 그을려 있는 것으로 보아, 산불이 진화되고 있음을 알 수 있다. 이러한 결과들을 통해 볼 때, 본연구에서 Landsat 8 알고리듬을 이용하여 수행한 산불탐지가 상당히 현실과 부합하게 이루어졌음을 확인할 수 있다.

후속연구

타고있는 산불은 정확한 지상 관측자료를 수집하기 어렵고, 또한 특정 위성의 탐지결과를 참값으로 설정할 수도 없기 때문에, 다중위성을 이용한 상호보완이 필요하다. 본연구에서는 고해상도 위성인 Landsat 8, 정지궤도 위성인 Himawari-8, 극궤도 위성센서인 MODIS의 결과를 비교하였는데, 이와 같이 다중위성을 활용한다면 보다 정확하고 객관적인 산불 탐지 정보를 얻을 수 있으며 다양한 측면의 해석이 가능할 것이다. 특히 우리나라의 Kompsat-3A(Korea Multipurpose Satellite 3A) 위성은 고해상도의 중적외 밴드를 가지고 있기 때문에 산불탐지에 활용 가능하며, GK2A, Himawari-8, Fengyun-3 등의 동아시아 정지궤도 위성이 가지는 시간해상도의 장점과, Landsat-8, Sentinel-2, Kompsat-3A 등의 고해상도 위성이 가지는 공간해상도의 장점을 결합한다면, 보다 종합적 형태의 산불감시로 발전할 수 있을 것이다.
강한 산불의 경우에는 세 위성 모두 유사한 결과를 보였지만, 타기 시작하거나 진화되고 있는 약한 산불 및 좁은 지역에 발생한 산불은 30 m 해상도의 Landsat 8에서만 탐지되었고, 1~2km 해상도의 Himawari-8나 MODIS에서는 탐지되지 않는 경향이 있었다. 우리나라와 같이 소규모 산불이 대부분인 경우에는 Landsat 8, Sentinel-2, Kompsat-3A, 그리고 2021년 발사예정인 Kompsat-7과 같은 고해상도 위성을 이용한 산불탐지가 가능할 것이며, GK2A, Himawari-8, Fengyun-3 등 동아시아 정지궤도 위성의 탐지결과와 함께 종합적인 분석을 수행한다면, 시간해상도와 공간해 상도를 현재보다 향상시키는 것이 가능할 것이다. 이러한 진보된 산불감시를 위해서는 우리나라의 복잡지형에 보다 적합한 한국형 고해상도 산불탐지 알고리듬의 개발이 무엇보다 선행되어야 할 것이다.
본연구에서는 고해상도 위성인 Landsat 8, 정지궤도 위성인 Himawari-8, 극궤도 위성센서인 MODIS의 결과를 비교하였는데, 이와 같이 다중위성을 활용한다면 보다 정확하고 객관적인 산불 탐지 정보를 얻을 수 있으며 다양한 측면의 해석이 가능할 것이다. 특히 우리나라의 Kompsat-3A(Korea Multipurpose Satellite 3A) 위성은 고해상도의 중적외 밴드를 가지고 있기 때문에 산불탐지에 활용 가능하며, GK2A, Himawari-8, Fengyun-3 등의 동아시아 정지궤도 위성이 가지는 시간해상도의 장점과, Landsat-8, Sentinel-2, Kompsat-3A 등의 고해상도 위성이 가지는 공간해상도의 장점을 결합한다면, 보다 종합적 형태의 산불감시로 발전할 수 있을 것이다.

참고문헌 (18)

Dwyer, J., S. Pinnock, J.-M. Gregoire, and J.M.C. Pereira, 2000. Global spatial and temporal distribution of vegetation fire as determined from satellite observations, International Journal of Remote Sensing, 21: 1289-1302.

상세보기
FLAASH, User's Guide, 2009. Atmospheric correction moduel: QUAC and FLAASH User's Guide: Version 4.7, ITT Visual Information Solutions Inc., Boulder, Colorado, http://www.exelisvis.com/portals/0/pdfs/envi/flaash_module.pdf, Accessed on Oct. 5, 2020.
Giglio, L., I. Csiszar, and C.O. Justice, 2006. Global distribution and seasonality of fires as observed with the Terra and Aqua Moderate Resolution Imaging Spectroradiometer (MODIS) sensors, Journal of Geophysical Research, 2006:111.
Giglio, L., I. Csiszar, A. Restas, J.T. Morisette, W. Schroeder, D. Morton, and C.O. Justice, 2008. Active fire detection and characterization with the advanced spaceborne thermal emission and reflection radiometer(ASTER), Remote Sensing Environment, 112: 3055-3063.

상세보기
Giglio, L., W. Schroeder, and C.O. Justice, 2016. The collection 6 MODIS active fire detection algorithm and fire products, Remote Sensing of Environment, 178: 31-41.

상세보기
Ichoku, C., L. Giglio, M.J. Wooster, and L.A. Remer, 2008. Global characterization of biomass-burning patterns using satellite measurements of fire radiative energy, Remote Sensing of Environment, 112: 2950-2962.

상세보기
Irons, J.R., J.L. Dwyer, and J.A. Barsi, 2012. The next landsat satellite: the landsat data continuity mission, Remote Sensing of Environment, 112: 11-21.
Jang, E., Y. Kang, J. Im, D.-W. Lee, J. Yoon, and S.-K. Kim, 2019. Detection and monitoring of forest fires using Himawari-8 geostationary satellite data in South Korea, Remote Sensing, 11(3): 271.

상세보기
Kumar, S.S. and D.P. Roy, 2018. Global operational land imager Landsat-8 reflectance-based active fire detection algorithm, International Journal of Digital Earth, 11(2): 154-178.

상세보기
Lee, S.-J. and Y.-W. Lee, 2020. Detection of wildfire-damaged areas using Kompsat-3 image: A case of the 2019 Unbong Mountain fire in Busan, South Korea, Korean Journal of Remote Sensing, 36(1): 29-39 (in Korean with English abstract).

원문보기 상세보기
Murphy, S.W., C.R. de Souza Filho, R. Wright, G. Sabatino, and R.C. Pabon, 2016. HOTMAP: Global hot target detection at moderate spatial resolution, Remote Sensing of Environment, 177: 78-88.

상세보기
Park, S.-W., H.-W. Kim, S.-J. Lee, Y.-S. Yun, E.-S. Kim, J.-W. Lim, and Y.-W. Lee, 2018. Detection of forest disaster areas using high-resolution satellite images with fully convolutional network, Journal of the Association of Korean Photo-Geographers, 28(4): 87-101 (in Korean with English abstract).

상세보기
Roy, D.P., M.A. Wulder, T.R. Loveland, C.E. Woodcock, R.G. Allen, M.C. Anderson, D. Helder, J.R. Irons, D.M. Johnson, R. Kennedy, T.A. Scambos, C.B. Schaaf, J.R. Schott, Y. Sheng, E.F. Vermote, A.S. Belward, R. Bindschadler, W.B. Cohen, F. Gao, J.D. Hipple, P. Hostert, J. Huntington, C.O. Justice, A. Kilic, V. Kovalskyy, Z.P. Lee, L. Lymburner, J.G. Masek, J. McCorkel, Y. Shuai, R. Trezza, J. Vogelmann, R.H. Wynne, and Z. Zhu, 2014. Landsat-8: Science and product vision for terrestrial global change research, Remote Sensing of Environment, 145: 154-172.

상세보기
Schroeder, W., P. Oliva, L. Giglio, B. Qualye, E. Lorenz, and F. Morelli, 2016. Active fire detection using Landsat-8/OLI data, Remote Sensing of Environment, 185: 210-220.

상세보기
Steffen, W., L. Hughes, G. Mullins, H. Bambrick, A. Dean, and M. Rice, 2019. Dangerous summer: escalating bushfire, heat and drough risk, Climate Council of Australia Ltd 2019.
USGS, 2020, Landsat Science Products, https://www.usgs.gov/core-science-systems/nli/landsat/landsat-burned-area?qt-science_support_page_related_con0#qt-science_support_page_related_con, Accessed on Oct. 16, 2020.
Won, M.-S., K.-S. Koo, and M.-B. Lee, 2007. An quantitative analysis of severity classification and burn severity for the large forest fire areas using normalized burn ratio of Landsat imagery, Journal of the Korean Association of Geographic Information Sutides, 10(3): 80-92 (in Korean with English abstract).
Youn, Y.-C, 2000. Assessment of social costs of forest fire: Case of forest fire of spring 2000 in the East coast area of South Korea, Korean Forest Economics Society, 8(2): 72-81 (in Korean with English abstract).

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