[논문]고해상도 광학 위성영상을 이용한 시공간 자료 융합의 적용성 평가: KOMPSAT-3A 및 Sentinel-2 위성영상의 융합 연구

김예슬; 이광재; 이선구

doi:10.7780/kjrs.2021.37.6.3.2

고해상도 광학 위성영상을 이용한 시공간 자료 융합의 적용성 평가: KOMPSAT-3A 및 Sentinel-2 위성영상의 융합 연구
Applicability Evaluation of Spatio-Temporal Data Fusion Using Fine-scale Optical Satellite Image: A Study on Fusion of KOMPSAT-3A and Sentinel-2 Satellite Images 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.37 no.6 pt.3, 2021년, pp.1931 - 1942

김예슬 (한국항공우주연구원 국가위성정보활용지원센터) , 이광재 (한국항공우주연구원 국가위성정보활용지원센터) , 이선구 (한국항공우주연구원 국가위성정보활용지원센터)

초록
AI-Helper

최근 고해상도 광학 위성영상의 활용성이 강조되면서 이를 이용한 지표 모니터링 연구가 활발히 수행되고 있다. 그러나 고해상도 위성영상은 낮은 시간 해상도에서 획득되기 때문에 그 활용성에 한계가 있다. 이러한 한계를 보완하기 위해 서로 다른 시간 및 공간 해상도를 갖는 다중 위성영상을 융합해 높은 시공간 해상도의 합성 영상을 생성하는 시공간 자료 융합을 적용할 수 있다. 기존 연구에서는 중저해상도의 위성영상을 대상으로 시공간 융합 모델이 개발되어 왔기 때문에 고해상도 위성영상에 대한 기개발된 융합 모델의 적용성을 평가할 필요가 있다. 이를 위해 이 연구에서는 KOMPSAT-3A 영상과 Sentinel-2 영상을 대상으로 기개발된 시공간 융합 모델의 적용성을 평가하였다. 여기에는 예측을 위해 사용하는 정보가 다른 Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model (ESTARFM)과 Spatial Time-series Geostatistical Deconvolution/Fusion Model (STGDFM)을 적용하였다. 연구 결과, 시간적으로 연속적인 반사율 값을 결합하는 STGDFM의 예측 성능이 ESTARFM 보다 높은 것으로 나타났다. 특히 KOMPSAT 영상의 낮은 시간 해상도로 같은 시기에서 KOMPSAT 및 Sentinel-2 영상을 동시에 획득하기 어려운 경우, STGDFM의 예측 성능 향상이 더욱 크게 나타났다. 본 실험 결과를 통해 연속적인 시간 정보를 결합해 상대적으로 높은 예측 성능을 가지는 STGDFM을 이용해 낮은 재방문 주기로 인한 고해상도 위성영상의 한계를 보완할 수 있음을 확인하였다.

Abstract ▼ AI-Helper

As the utility of an optical satellite image with a high spatial resolution (i.e., fine-scale) has been emphasized, recently, various studies of the land surface monitoring using those have been widely carried out. However, the usefulness of fine-scale satellite images is limited because those are acquired at a low temporal resolution. To compensate for this limitation, the spatiotemporal data fusion can be applied to generate a synthetic image with a high spatio-temporal resolution by fusing multiple satellite images with different spatial and temporal resolutions. Since the spatio-temporal data fusion models have been developed for mid or low spatial resolution satellite images in the previous studies, it is necessary to evaluate the applicability of the developed models to the satellite images with a high spatial resolution. For this, this study evaluated the applicability of the developed spatio-temporal fusion models for KOMPSAT-3A and Sentinel-2 images. Here, an Enhanced Spatial and Temporal Adaptive Fusion Model (ESTARFM) and Spatial Time-series Geostatistical Deconvolution/Fusion Model (STGDFM), which use the different information for prediction, were applied. As a result of this study, it was found that the prediction performance of STGDFM, which combines temporally continuous reflectance values, was better than that of ESTARFM. Particularly, the prediction performance of STGDFM was significantly improved when it is difficult to simultaneously acquire KOMPSAT and Sentinel-2 images at a same date due to the low temporal resolution of KOMPSAT images. From the results of this study, it was confirmed that STGDFM, which has relatively better prediction performance by combining continuous temporal information, can compensate for the limitation to the low revisit time of fine-scale satellite images.

주제어

표/그림 (8)

그림 Fig. 1. Common input datasets for the developed spatio-temporal data fusion models.
그림 Fig. 2. The location of study area with a 2018 cropland data layer (CDL).
표 Table 1. Summary of the characteristics for KOMPSAT-3A and Sentinel-2A/B images used in this experiment
표 Table 2. List of the acquisition dates of KOMPSAT-3A and Sentinel-2A/B images (The dates with underline indicate the pair dates)
그림 Fig. 3. Flow chart of an experiment on spatio-temporal data fusion using KOMPSAT-3A and Sentinel-2 images. A blank square in the KOMPSAT-3A image stack means not available data (i.e., a prediction date) in fusion models.
그림 Fig. 4. Visual Comparisons with a false color composite (near infra-red, red, green channels as R, G, B) between true KOMPSAT-3A images and the results predicted by ESTARFM and STGDFM.
그림 Fig. 5. Visual comparisons between KOMPSAT-3A images, ESTARFM fusion results, and STGDFM fusion results for (a) subarea A and (b) subarea B. The results on March 4 and October 21 were compared.
표 Table 3. The qualitative evaluation of prediction performance for the results predicted by ESTARFM and STGDFM (The cases in bold with underline indicate the best performance)

AI 본문요약
AI-Helper

문제 정의

이 연구는 고해상도 위성영상을 대상으로 기개발된 시공간 자료 융합 모델의 적용성 평가를 수행하였다. 이를 위해 KOMPSAT-3A 및 Sentinel-2 위성영상을 대상으로 ESTARFM과 STGDFM을 이용해 시공간 융합을 적용하였다.
이러한 배경에서 이 연구에서는 중저해상도 위성영상을 대상으로 기개발된 시공간 융합 모델을 고해상도 위성영상에 적용 가능한지 평가하고자 한다. 이를 위해 서로 다른 특성을 갖는 두 융합 모델(ESTARFM vs.

가설 설정

여기서 중저해상도 위성영상을 이용한 다른 연구와 다르게 KOMPSAT-3A 영상의 낮은 재방문 주기로 인해 Sentinel-2 영상과 동일 시기에서 획득하는데 한계가 있었다. 이러한 한계로 인해 이 연구에서는 KOMPSAT-3A 영상과 유사한 시기에서 획득한 Sentinel-2 영상을 기반으로 반사율 차이가 크지 않다는 가정을 두어 이를 pair data로 정의하였다(Table 2).

제안 방법

이를 위해 서로 다른 특성을 갖는 두 융합 모델(ESTARFM vs. STGDFM)을 이용해 KOMPSAT-3A 및 Sentinel-2 영상을 대상으로 시공간 자료 융합을 적용하였다. 또한 반사율 변화에 대한 예측 성능을 평가하기 위해 시간에 따른 반사율 변화가 상대적으로 크게 나타나는 작물 재배 지역을 대상 지역으로 선정하였다.
그리고 Sentinel-2 자료도 사용한 KOMPSAT 자료의 분광 채널과 유사한 분광 파장 영역의 가시광선 및 근적외선 채널을 사용하였으며, 4개 채널 모두 공간 해상도 10 m에서 제공된다(Table 1). 두 자료간의 융합을 위해 이 연구에서는 2.4 m에서 제공 되는 KOMPSAT-3A 자료를 모두 2.5 m로 resampling 하였으며, resampling에는 nearest neighboring 기법을 적용하였다. 이 연구에서 사용한 KOMPSAT-3A 및 Sentinel2 자료의 획득 시기는 Table 2에 정리하였다.
여기서 적용된 두 모델은 시간적으로 연속적인 반사율 정보의 결합 유무에 따라 서로 다른 특성을 갖는다. 이를 바탕으로 이 연구에서는 서로 다른 특성을 갖는 두 융합 모델이 고해상도 위성영상의 시공간 융합에서의 영향을 비교하고 평가하였다.
이 연구는 고해상도 위성영상을 대상으로 기개발된 시공간 자료 융합 모델의 적용성 평가를 수행하였다. 이를 위해 KOMPSAT-3A 및 Sentinel-2 위성영상을 대상으로 ESTARFM과 STGDFM을 이용해 시공간 융합을 적용하였다. 여기서 적용된 두 모델은 시간적으로 연속적인 반사율 정보의 결합 유무에 따라 서로 다른 특성을 갖는다.
이 연구에서는 고해상도 영상을 이용한 시공간 융합에서 모델별 예측 성능을 비교 평가하기 위해 작물 재배지역을 대상 지역으로 선정하였다. 특히 작물 재배지역은 다른 토지 피복과 다르게 시간에 따른 반사율 변화가 크게 나타나기 때문에 이 연구에서는 반사율 변화에 따른 모델별 예측 성능을 비교하고자 하였다. 대상 지역으로는 미국 Corn Belt에 위치한 일리노이(Illinois) 주에서 퍼트남(Putnam) 카운티의 옥수수, 콩 재배 지역을 선정하였다(Fig.

대상 데이터

고해상도 위성영상에 대한 시공간 자료 융합의 적용성 평가를 위해 이 연구에서는 DC 및 SF 자료로 각각 KOMPSAT-3A 및 Sentinel-2 자료를 사용하였다. 여기서 KOMPSAT-3A 자료는 다중 분광 채널인 3개의 가시 광선(blue, green, red) 채널과 근적외선(near infra-red, NIR) 채널을 사용하였으며, 4개 채널 모두 공간 해상도 2.
4 m에서 제공된다(Table 1). 그리고 Sentinel-2 자료도 사용한 KOMPSAT 자료의 분광 채널과 유사한 분광 파장 영역의 가시광선 및 근적외선 채널을 사용하였으며, 4개 채널 모두 공간 해상도 10 m에서 제공된다(Table 1). 두 자료간의 융합을 위해 이 연구에서는 2.
특히 작물 재배지역은 다른 토지 피복과 다르게 시간에 따른 반사율 변화가 크게 나타나기 때문에 이 연구에서는 반사율 변화에 따른 모델별 예측 성능을 비교하고자 하였다. 대상 지역으로는 미국 Corn Belt에 위치한 일리노이(Illinois) 주에서 퍼트남(Putnam) 카운티의 옥수수, 콩 재배 지역을 선정하였다(Fig. 2).
STGDFM)을 이용해 KOMPSAT-3A 및 Sentinel-2 영상을 대상으로 시공간 자료 융합을 적용하였다. 또한 반사율 변화에 대한 예측 성능을 평가하기 위해 시간에 따른 반사율 변화가 상대적으로 크게 나타나는 작물 재배 지역을 대상 지역으로 선정하였다.
본 실험에서는 KOMPSAT-3A 영상을 획득한 세 시기를 모두 예측 시기로 선정하였다. 즉 KOMPSAT-3A 영상을 획득한 세 시기 중 한 시기를 예측 시기로 선정한 경우, 다른 두 시기를 pair date로 정의하였다.
고해상도 위성영상에 대한 시공간 자료 융합의 적용성 평가를 위해 이 연구에서는 DC 및 SF 자료로 각각 KOMPSAT-3A 및 Sentinel-2 자료를 사용하였다. 여기서 KOMPSAT-3A 자료는 다중 분광 채널인 3개의 가시 광선(blue, green, red) 채널과 근적외선(near infra-red, NIR) 채널을 사용하였으며, 4개 채널 모두 공간 해상도 2.4 m에서 제공된다(Table 1). 그리고 Sentinel-2 자료도 사용한 KOMPSAT 자료의 분광 채널과 유사한 분광 파장 영역의 가시광선 및 근적외선 채널을 사용하였으며, 4개 채널 모두 공간 해상도 10 m에서 제공된다(Table 1).
이 연구에서는 고해상도 영상을 이용한 시공간 융합에서 모델별 예측 성능을 비교 평가하기 위해 작물 재배지역을 대상 지역으로 선정하였다. 특히 작물 재배지역은 다른 토지 피복과 다르게 시간에 따른 반사율 변화가 크게 나타나기 때문에 이 연구에서는 반사율 변화에 따른 모델별 예측 성능을 비교하고자 하였다.

이론/모형

3과 같다. 고해상도 위성영상에 대한 시공간 융합 모델의 적용성 평가를 위해 이 연구에서는 서로 다른 특성을 갖는 ESTARFM과 STGDFM을 적용하였다. 여기서 두 모델은 입력 자료에서 큰 차이가 있다.
이 연구에서는 고해상도 위성영상에 대한 시공간 자료 융합의 적용성 평가를 위해 ESTARFM과 STGDFM 을 적용하였는데 그 이유는 다음과 같다. 먼저 (1) 두 모델 모두 다중 pair 기반 모델이기 때문이다.
그러나 다중 pair 기반 모델에서 입력하는 정보에 비해 고려할 수 있는 정보가 상대적으로 적기 때문에 예측 성능이 저하될 가능성이 높다. 이러한 이유에서 기개발된 시공간 융합 모델에서 단일 pair 기반 모델을 제외하고 다중 pair 기반 모델을 적용성 평가에 적용하였다.

성능/효과

5). KOMPSAT-3A를 획득한 세 시기 사이에서 반사율 변화가 상대적으로 크지 않은 도심지 피복(Subarea A)에서는 ESTARFM과 STGDFM 의 적용 결과 모두 KOMPSAT 영상과 유사한 양상을 보였다(Fig. 5(a)).
그러나 고해상도 위성영상을 이용해 시공간 융합을 적용하는 경우 DC 및 SF 자료를 동일 시기에서 획득하는 데 한계가 존재하였다. 결과적으로 DC 및 SF 자료의 획득 시기 차이에 따른 반사율 차이가 융합 결과에 반영되면서 참 값의 SF 자료와 다른 양상을 보였다. 또한 시공간 자료 융합은 서로 다른 센서로부터 획득한 자료를 융합하기 때문에 획득 시기 차이에 따른 영향과 함께 분광 및 공간 해상도 차이에 따른 영향도 융합 결과에 반영될 가능성이 있다.
연구 결과, 예측 시기에서 나타나는 반사율 변화를 보다 잘 설명하기 위해서는 예측 시기와 유사한 반사율 값을 보이는 시기에서 DC 및 SF 자료의 pair 구성이 필요하다는 것을 확인하였다. 그러나 고해상도 위성영상은 원하는 시기에서의 영상 획득이 어렵기 때문에 이 경우 ESTARFM 보다 시간적으로 연속적인 반사율 정보를 결합하는 STGDFM을 적용해 예측 성능을 향상시킬 수 있음을 확인하였다. 그러나 고해상도 위성영상을 이용해 시공간 융합을 적용하는 경우 DC 및 SF 자료를 동일 시기에서 획득하는 데 한계가 존재하였다.
4와 같다. 두 모델을 비교했을 때, 상대적으로 예측 시기 KOMPSAT 3A 영상과 유사한 반사율 양상을 보인 결과는 STGDFM을 적용한 결과로 나타났다. 반면 ESTARFM의 적용 결과에서는 KOMPSAT-3A 영상과 상이한 반사율 양상을 보였다.
두 융합 모델의 예측 성능을 비교해보면, 3월 4일 blue채널을 제외한 모든 융합 결과에서 STGDFM의 성능이 우수한 것으로 나타났다(Table 3). 특히 10월 21일에서 두 융합 모델의 MAE 값을 비교해보면, STGDFM이 ESTARFM 보다 최소 5.
연구 결과, 예측 시기에서 나타나는 반사율 변화를 보다 잘 설명하기 위해서는 예측 시기와 유사한 반사율 값을 보이는 시기에서 DC 및 SF 자료의 pair 구성이 필요하다는 것을 확인하였다. 그러나 고해상도 위성영상은 원하는 시기에서의 영상 획득이 어렵기 때문에 이 경우 ESTARFM 보다 시간적으로 연속적인 반사율 정보를 결합하는 STGDFM을 적용해 예측 성능을 향상시킬 수 있음을 확인하였다.
반면 10월 21일에서는 다른 두 시기에 비해 반사율 변화가 크게 나타나면서 pair data로 이러한 변화를 설명하는데 한계가 있어 상대적으로 예측 성능이 저하된 것으로 판단된다. 이러한 결과는 고해상도 위성영상을 대상으로 한 시공간 융합에서 예측 성능을 향상시키기 위측 시기와 유사한 반사율 값을 가지는 시기에서 pair data를 구성해야 한다는 것을 의미한다.

후속연구

그러나 고해상도 위성영상은 원하는 시기에서의 영상 획득이 어렵기 때문에 이 경우 ESTARFM 보다 시간적으로 연속적인 반사율 정보를 결합하는 STGDFM을 적용해 예측 성능을 향상시킬 수 있음을 확인하였다. 그러나 고해상도 위성영상을 이용해 시공간 융합을 적용하는 경우 DC 및 SF 자료를 동일 시기에서 획득하는 데 한계가 존재하였다. 결과적으로 DC 및 SF 자료의 획득 시기 차이에 따른 반사율 차이가 융합 결과에 반영되면서 참 값의 SF 자료와 다른 양상을 보였다.
결과적으로 DC 및 SF 자료의 획득 시기 차이에 따른 반사율 차이가 융합 결과에 반영되면서 참 값의 SF 자료와 다른 양상을 보였다. 또한 시공간 자료 융합은 서로 다른 센서로부터 획득한 자료를 융합하기 때문에 획득 시기 차이에 따른 영향과 함께 분광 및 공간 해상도 차이에 따른 영향도 융합 결과에 반영될 가능성이 있다. 이러한 영향을 검증하고 분석하기 위해 향후 모의자료(simulation data)를 이용한 시공간 융합 실험과 함께 다양한 조건에서 획득한 위성영상을 이용해 실험을 수행할 예정이다.
또한 시공간 자료 융합은 서로 다른 센서로부터 획득한 자료를 융합하기 때문에 획득 시기 차이에 따른 영향과 함께 분광 및 공간 해상도 차이에 따른 영향도 융합 결과에 반영될 가능성이 있다. 이러한 영향을 검증하고 분석하기 위해 향후 모의자료(simulation data)를 이용한 시공간 융합 실험과 함께 다양한 조건에서 획득한 위성영상을 이용해 실험을 수행할 예정이다. 이를 통해 예측 성능에 영향을 줄 수 있는 요소를 보정할 수 있는 개선된 시공간 자료 융합 절차를 제시할 예정이다.
이러한 영향을 검증하고 분석하기 위해 향후 모의자료(simulation data)를 이용한 시공간 융합 실험과 함께 다양한 조건에서 획득한 위성영상을 이용해 실험을 수행할 예정이다. 이를 통해 예측 성능에 영향을 줄 수 있는 요소를 보정할 수 있는 개선된 시공간 자료 융합 절차를 제시할 예정이다.

참고문헌 (22)

Gao, F., J. Masek, M. Schwaller, and F. Hall, 2006. On the blending of the Landsat and MODIS surface reflectance: Predicting daily Landsat surface reflectance, IEEE Transactions on Geoscience and Remote Sensing, 44(8): 2207-2218.

상세보기
Ghamisi, P., B. Rasti, N. Yokoya, Q. Wang, B. Hofle, L., Bruzzone, F. Bovolo, M. Chi, K. Anders, R. Gloaguen, P.M. Atikinson, and J.A. Benediktsson, 2019. Multisource and multitemporal data fusion in remote sensing: A comprehensive review of the state of the art, IEEE Geoscience and Remote Sensing Magazine, 7(1): 6-39.

상세보기
Goovaerts, P., 2008. Kriging and semivariogram deconvolution in the presence of irregular geographical units, Mathematical Geosciences, 40(1): 101-128.

상세보기
Huang, B. and H. Song, 2012. Spatiotemporal reflectance fusion via sparse representation, IEEE Transactions on Geoscience and Remote Sensing, 50(10): 3707-3716.

상세보기
Kim, Y. and N.-W. Park, 2019. Comparison of spatiotemporal fusion models of multiple satellite images for vegetation monitoring, Korean Journal of Remote Sensing, 35(6-3): 1209-1219 (in Korean with English abstract).
Kim, Y., P.C. Kyriakidis, and N.-W. Park, 2020. A cross-resolution, spatiotemporal geostatistical fusion model for combining satellite image time-series of different spatial and temporal resolutions, Remote Sensing, 12(10): 1553.

상세보기
Knauer, K., U. Gessner, R. Fensholt, and C. Kuenzer, 2016. An ESTARFM fusion framework for the generation of large-scale time series in cloudprone and heterogeneous landscapes, Remote Sensing, 8(5): 425.

상세보기
KARI (Korea Aerospace Research Institute), 2021. Multipurpose Satellites (Arirang), https://www.kari.re.kr, Accessed on Nov. 15, 2021.
Kyriakidis, P.C., 2004. A geostatistical framework for area-to-point spatial interpolation, Geographical Analysis, 36(3): 259-289.

상세보기
Kyriakidis, P.C. and A.G. Journel, 2001. Stochastic modeling of atmospheric pollution: A spatial time-series framework. Part 1: Methodology, Atmospheric Environment, 35(13): 2331-2337.

상세보기
Lark, T.J., I.H. Schelly, and H.K. Gibbs, 2021. Accuracy, bias, and improvements in mapping crops and cropland across the United States using the USDA cropland data layer, Remote Sensing, 13(5): 968.

상세보기
Liu, M., X. Liu, X. Dong, B. Zhao, X. Zou, L. Wu, and H. Wei, 2020. An improved spatiotemporal data fusion method using surface heterogeneity information based on ESTARFM, Remote Sensing, 12(21): 3673.

상세보기
Meng, L., H. Liu, S.L. Ustin, and X. Zhang, 2021. Assessment of FSDAF accuracy on cotton yield estimation using difference MODIS products and Landsat based on the mixed degree index with different surroundings, Sensors, 21(15): 5184.

상세보기
Park, S., S.-i. Na, and N.-W. Park, 2021. Effect of correcting radiometric inconsistency between input images on spatio-temporal fusion of multisensor high-resolution satellite images, Korean Journal of Remote Sensing, 37(5-1): 999-1011 (in Korean with English abstract).

원문보기 상세보기
Park. S., Y. Kim, S.-I. Na, and N.-W. Park, 2020. Evaluation of spatio-temporal fusion models of multi-sensor high-resolution satellite images for crop monitoring: An experiment on the fusion of Sentinel-2 and RapidEye images, Korean Journal of Remote Sensing, 36(5-1): 807-821 (in Korean with English abstract).

원문보기 상세보기
Seo, J., W. Park, and T. Kim, 2021. Comparison of pixelbased change detection methods for detecting changes on small objects, Korean Journal of Remote Sensing, 37(2): 177-198 (in Korean with English abstract).

원문보기 상세보기
Wang, Q. and P.M. Atkinson, 2017. The effect of the point spread function on sub-pixel mapping, Remote Sensing of Environment, 204: 31-42.

상세보기
Wang, Q. and P.M. Atkinson, 2018. Spatio-temporal fusion for daily Sentinel-2 images, Remote Sensing of Environment, 204: 31-42.

상세보기
Wang, Z., A.C. Bovik, H.R. Sheikh, and E.P. Simoncelli, 2004. Image quality assessment: From error visibility to structural similarity, IEEE Transactions on Image Processing, 13(4): 600-612.

상세보기
Yang, L., J. Song, L. Han, X. Wang, and J. Wang, 2020. Reconstruction of high-temporal- and high-spatial-resolution reflectance datasets using difference construction and Bayesian unmixing, Remote Sensing, 12(23): 3952.

상세보기
Zhu, X., J. Chen, F. Gao, X. Chen, and J.G. Masek, 2010. An enhanced spatial and temporal adaptive reflectance fusion model for complex heterogeneous regions, Remote Sensing of Environment, 114(11): 2610-2623.

상세보기
Zhu, X., E.H. Helmer, F. Gao, D. Liu, J. Chen, and M.A. Lefsky, 2016. A flexible spatiotemporal method for fusing satellite images with different resolutions, Remote Sensing of Environment, 172: 165-177.

상세보기

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