[논문]지역환경변수를 이용한 인공지능기반 대기오염 분석 및 예측 시스템 개발

백봉현; 하일규

doi:10.6109/jkiice.2021.25.1.8

지역환경변수를 이용한 인공지능기반 대기오염 분석 및 예측 시스템 개발
Development of artificial intelligence-based air pollution analysis and prediction system using local environmental variables 원문보기

한국정보통신학회논문지 = Journal of the Korea Institute of Information and Communication Engineering, v.25 no.1, 2021년, pp.8 - 19

백봉현 (Department of Computer Engineering, Yeungnam University) , 하일규 (Department of Computer Engineering, Kyungil University)

초록
AI-Helper

최근 산업화에 따른 대기오염 문제는 국가와 국민 모두에 큰 관심을 끌고 있다. 국내의 광역(廣域) 대기오염 정보는 국가적으로 공공 데이터를 통해 국민에게 제공하고 있으나, 환경변수가 다른 지역적인 대기오염 정보는 매우 부족한 상황이다. 따라서 본 연구에서는 지역적인 대기오염 현상을 보다 정확하게 분석하고 예측할 수 있는 지역 환경변수 기반의 대기오염 분석 및 예측 시스템을 설계하고 구현한다. 특히 제안한 시스템은 지역적으로 측정된 환경 데이터와 공공 빅데이터를 기반으로 지역의 대기정보를 정확하게 분석하여 제공하고, 인공지능 알고리즘을 통해 미래의 지역 대기정보를 예측하여 제시한다. 나아가 제안된 시스템을 통해 지역적인 대기오염의 발생 원인을 정확하게 파악하여 지역의 대기오염을 예방할 수 있을 것으로 기대할 수 있다.

Abstract ▼ AI-Helper

The air pollution problem caused by industrialization in recent years is attracting great attention to both the country and the people. Domestic wide-area air pollution information is provided to the public through public data nationally, but regional air pollution information with different environmental variables is very insufficient. Therefore, in this study, we design and implement an air pollution analysis and prediction system based on regional environmental variables that can more accurately analyze and predict regional air pollution phenomena. In particular, the proposed system accurately analyzes and provides regional atmospheric information based on environmental data measured locally and public big data, and predicts and presents future regional atmospheric information using artificial intelligence algorithms. Furthermore, through the proposed system, it is expected that local air pollution can be prevented by accurately identifying the cause of regional air pollution.

주제어

표/그림 (14)

그림 Fig. 1 The configuration of the proposed system
그림 Fig. 2 Data collection and processing process in the proposed system
그림 Fig. 3 Developed solar self-powered IoT device for collecting environmental data
표 Table. 1 Fine dust and environmental information transmission module specifications
그림 Fig. 4 Distributed processing system for storage and management of environmental data
표 Table. 2 Collected public data
표 Table. 3 Standardized data storage format
그림 Fig. 5 Advanced statistics and artificial intelligence analysis using R
그림 Fig. 6 Basic information screen to view information obtained from external organizations
그림 Fig. 8 Regional fine dust prediction information provided by the proposed system(Argos system)
표 Table. 4 Data collection performance
표 Table. 5 Data analysis performance
표 Table. 6 Data accuracy analysis (Air Korea, area A)
표 Table. 7 Data accuracy analysis (Proposed, area B)

AI 본문요약
AI-Helper

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

문제 정의

따라서, 본 연구에서는 지역적인 대기환경을 보다 정확하게 파악하고 미래의 지역 대기환경 정보를 예측하여 제공하는 지역 환경변수 기반의 대기정보 분석 및 예측 시스템을 설계하고 구현한다.
본 연구에서는 환경 변수가 다른 지역의 대기오염 정도를 정확하게 파악하고 분석하며 예측할 수 있는 지역 환경 변수 기반의 대기오염 분석 및 예측 시스템을 설계하고 구현한다. 제안 시스템은 분석을 위한 기초 데이터를 환경정보수집 IoT 장치와 공공데이터로부터 얻는다.

제안 방법

분석은 두 가지 형태로 이루어진다. 15일간의 에어코리아와 제안시스템에서 제공하는 예측치를 각 기관의 실측치와 비교하여 정확도를 분석한다. 각 기관의 예측치는 각각 다른 지역(대구 이현동 및 비산동)을 기준으로 한다.
데이터 송신을 위해 SKT의 LTE Cat.M1 네트워크망과 TCP 방식으로 빠른 전송과 데이터의 안전성을 고려하여 개발한다. 전송 시 데이터 포맷은 XML 형식을 사용하며 RSA256 암호화 모듈을 사용하여 데이터를 암호화하여 전송한다.
표 5와 같이 그레디언트부스팅 알고리즘[24]을 이용하여 분석하고 시각화할 때 소요되는 시간이 랜덤포레스트 알고리즘[25]이나 회귀분석 알고리즘[26]에 비해 높은 것으로 나타났다. 데이터 분석과 시각화 소요 시간 측면에서는 비교적 불리하지만 데이터의 정확도 측면에서 비교적 유리하다고 판단되어 제안 시스템에서는 그레디언트부스팅 알고리즘을 사용하여 미세먼지 등의 수치를 분석하고 예측한다. 향후 추가적인 연구를 통해 그레디언트부스팅 알고리즘 및 회귀분석 알고리즘을 이용한 예측값을 제공하여 상호 비교할 수 있도록 시스템을 수정해나갈 계획이다.
제안 시스템은 분석을 위한 기초 데이터를 환경정보수집 IoT 장치와 공공데이터로부터 얻는다. 데이터지역의 환경 변수를 측정하기 위하여 태양광 전지 기반 환경정보 수집 IoT 장치를 개발하였고, 다양한 형태의 공공데이터를 정형화하여 수집하였다. 수집된 데이터를 안정적으로 저장 및 관리하기 위하여 HDFS 기반의 분산시스템을 구축하였고 MongoDB를 사용하여 DB를 구축하였다.
두 번째 분석은 제안시스템의 PM10과 PM2.5에 대한예측값을 제안시스템의 일부인 환경오염 측정 장치에서 측정한 실측값과 비교한다. 표 7과 같이 PM10에 대해서는 15건 중 2건에 대해 오차가 발생하였고, PM2.
둘째, 제안 시스템은 기상청, 국토지리정보, 시도별 자동차 보유량, 지역별 생산환경 등 다양한 국가제공 공공 DB를 활용한다. 공공DB(DataBase)는 지역별로 수집한 데이터와 연계하여 분석한다.
미세먼지에 대해 예측한 값에 대한 정확도를 분석한다. 분석은 두 가지 형태로 이루어진다.
데이터지역의 환경 변수를 측정하기 위하여 태양광 전지 기반 환경정보 수집 IoT 장치를 개발하였고, 다양한 형태의 공공데이터를 정형화하여 수집하였다. 수집된 데이터를 안정적으로 저장 및 관리하기 위하여 HDFS 기반의 분산시스템을 구축하였고 MongoDB를 사용하여 DB를 구축하였다. 구축된 데이터는 빅데이터 처리 과정을 거쳐 다양한 형태로 분석되고 가공된다.
수집된 데이터를 각 인공지능 알고리즘을 이용하여 처리 및 분석하는 성능과 관련한 분석이다. 실험은 학습되어 형성된 모델을 기반으로 어느 한 지역의 금일의 미세먼지 등의 환경변수를 입력으로 하여 내일의 환경변수를 예측하는데 걸리는 시간을 알고리즘 별로 측정한 것이다. 표 5와 같이 그레디언트부스팅 알고리즘[24]을 이용하여 분석하고 시각화할 때 소요되는 시간이 랜덤포레스트 알고리즘[25]이나 회귀분석 알고리즘[26]에 비해 높은 것으로 나타났다.
외부기관과 수집장치로 부터 수집된 데이터는 제안시스템 내에서 인공지능 알고리즘을 이용하여 미래의 온도, 습도, 풍향, 풍속, 미세먼지수치 등에 대한 예측정보를 분석해내게 된다. 수집된 데이터를 각 인공지능 알고리즘을 이용하여 처리 및 분석하는 성능과 관련한 분석이다.
각 기관의 예측치는 각각 다른 지역(대구 이현동 및 비산동)을 기준으로 한다. 우선 에어코리아의 PM10과 PM2.5에 대한예측값을 에어코리아에서 제공하는 실측값과 비교하여 정확도를 분석한다. 표 6과 같이 PM10에 대해서는 15 건 중 5건에 대해 오차가 발생하였고, PM2.
제안 시스템의 또 다른 특징인 인공지능 기법을 이용한 예측 및 분석 기능을 위하여 그라디언트 부스팅 기법을 통해 지역별 상세한 미세먼지 농도를 예측 및 분석 하도록 한다. 이 기법 외에 랜덤포레스트, 로지스틱회귀분석 모듈을 개발하여 상호 예측 결과값을 비교할 수 있도록 한다. 그림 5는 R 을 통한 고차원 통계 및 인공지능 분석 체계를 보여준다.
그림 8은 대기 예측 메인메뉴를 선택하고 아르고스 대기예보 탭(제안 시스템에서 예측한 데이터)을 눌렀을 때 나타나는 화면이다. 제안 시스템에서 미세먼지의 예측은 지역적 환경측정장치로부터 입수한 데이터를 이용하고 축적되어 학습된 데이터를 기반으로 그래디언트부스팅 알고리즘, 랜덤포레스트 알고리즘, 회귀분석 알고리즘 등 세 가지 알고리즘을 이용하여 예측한 데이터를 점선 부분과 같이 보여준다. 그림에서는 환경측정 장치가 설치되어 있는 대구 지역의 서구에 대해 미세먼지를 예측한 정보를 보여주고 있다.
제안 시스템의 구성은 그림 1과 같다. 제안 시스템은 데이터 수집 모듈(Data Gathering Module), 데이터 저장 및 분석 모듈(Data Storage and Analysis Module), 데이터 시각화 및 전달 모듈(Data Visualization and Delivery Module) 등으로 구성된다.
특히 제안 시스템의 특징인 통계 및 분석 기능을 위하여 R 통계분석 모듈을 사용한다. 제안 시스템의 또 다른 특징인 인공지능 기법을 이용한 예측 및 분석 기능을 위하여 그라디언트 부스팅 기법을 통해 지역별 상세한 미세먼지 농도를 예측 및 분석 하도록 한다. 이 기법 외에 랜덤포레스트, 로지스틱회귀분석 모듈을 개발하여 상호 예측 결과값을 비교할 수 있도록 한다.
제안된 시스템은 외부 공공기관으로부터 데이터를 수집하여 다양한 형태로 이용한다. 수집주기는 실시간 시간대별 수집과 월별 배치(batch) 수집이 있다.
첫째, 제안 시스템은 지역의 다양한 환경변수를 고려한 지역별 대기환경 데이터를 분석하고 예측하기 위하여 지역별 대기오염 측정기를 포함한다. 측정 센서를 통해 보다 정확한 지역의 (초)미세먼지 및 오염물질(CO, SO₂, NO₂ 등)의 대기질 데이터를 파악하고 이를 LTE 네트워크를 통해 실시간으로 수집하여 활용한다.
지역별 대기오염 측정기를 포함한다. 측정 센서를 통해 보다 정확한 지역의 (초)미세먼지 및 오염물질(CO, SO₂, NO₂ 등)의 대기질 데이터를 파악하고 이를 LTE 네트워크를 통해 실시간으로 수집하여 활용한다.
처리한다. 특히, 그래디언트 부스팅 알고리즘 등 인공지능 예측분석 알고리즘을 통해 지역별 환경변수를 감안하여 지역의 대기오염 예측 정보를 제공함으로써 지역별 대기오염 분석과 발생원인 규명이 이루어질 수 있도록 한다.
특히, 제안한 대기정보 분석 및 예측 시스템은 대기 정보 측정기를 통해 지역별 미세먼지 등 대기환경 데이터를 수집하여 활용하고, 공개된 공공 빅데이터를 통해 지역별 대기 정보, 산업구조, 국토정보, 인구수, 차량대수, 기상 등의 대기환경에 영향을 미칠 수 있는 다양한 공공데이터를 실시간으로 수집하여 활용한다.
성능평가는 실시간 시간대별 수집에 대해 이루어진다. 한 지역의 한 시간 분량의 데이터를 배치 프로그램을 실행하여 데이터를 수집하는 시간을 측정한다. 표 4는 실시간 수집 데이터의 수집 성능을 보여준다.
한편으로 제안된 시스템은 데이터 분석을 통해 대기오염의 현황과 예측 정보를 제공한다. 수집된 데이터를 인공지능(AI) 기법 중 그래디언트 부스팅 알고리즘 (Gradient Boosting Algorithm)을 적용하여 대기 오염 및 예측 정보를 제공하도록 한다.

대상 데이터

사용한다. 공공데이터는 기상청, 국토교통부, 산업통상자원부, 에어코리아 및 지자체별 환경정보(인구, 공장지역)로부터 얻고 각 기관에서 제공하는 API를 사용하여 자동으로 데이터를 수집한다. 표 2는 수집되는 공공데이터의 종류와 출처를 보여준다.
수집하기 위한 모듈이다. 데이터 수집 모듈은 대기오염 데이터수집 장치 (Air Pollution Data Collection Device)와 공공 빅데이터 수집을 위한 Web UI(User Interface)로 구성된다. 대기오염 데이터수집 장치는 지역의 대기, 고도, 위치 등의 데이터를 실시간으로 수집하여 로라망을 통해 시스템으로 전달한다.
지역의 정확한 환경 데이터를 수집하기 위한 장치로서 상시 작동하면서 시간별 및 일별로 수집한 데이터를 시스템으로 전달한다. 수집한 데이터는 LTE(로라)망을 통해 실시간 또는 비실시간으로 미세먼지, 온도, 습도 등의 데이터를 수집하여 전달한다. 수집된 데이터의 보안을 위해 데이터 암호화를 거쳐 시스템으로 전달한다.
제안 시스템은 지역의 환경정보를 수집하기 위하여 공공데이터를 사용한다. 공공데이터는 기상청, 국토교통부, 산업통상자원부, 에어코리아 및 지자체별 환경정보(인구, 공장지역)로부터 얻고 각 기관에서 제공하는 API를 사용하여 자동으로 데이터를 수집한다.

데이터처리

넷째, 제안 시스템은 데이터의 수집 및 관리를 보다 편리하게 하게 위하여 웹 UI를 제공하고, 보다 활용도 높은 정보를 만들기 위하여 통계분석도구 R을 활용하여 통계분석 및 시각화 한다.
성능분석을 통하여 제안된 시스템의 성능을 분석하였다. 제안된 시스템은 데이터 수집 처리 속도와 데이터분석 처리 속도 측면에서 안정된 속도로 처리할 수 있는 것으로 나타났고, 데이터 정확도 분석에서는 제안시스템에서 인공지능 알고리즘을 이용하여 예측한 예측치가 에어코리아에서 예측한 예측치 보다 비교적 정확한 것으로 나타났다.

이론/모형

분산처리시스템은 분산처리를 위한 여러 개의 데이터프로세서(Data Processor)와 HDFS(Hadoop Distributed File System)를 사용하며, 분석된 결과의 빠른 저장과 조회를 위해 NoSQL(MongoDB)을 사용한다. 데이터 통계 모듈은 대기오염 분석을 위한 고차원 통계분석 기능을 제공한다.
셋째, 제안 시스템은 수집된 지역별 대기환경 데이터와 공공DB를 저장하고 분석하기 위하여 빅데이터 분석처리와 인공지능 알고리즘을 활용한다.
현황과 예측 정보를 제공한다. 수집된 데이터를 인공지능(AI) 기법 중 그래디언트 부스팅 알고리즘 (Gradient Boosting Algorithm)을 적용하여 대기 오염 및 예측 정보를 제공하도록 한다.
구축된 데이터는 빅데이터 처리 과정을 거쳐 다양한 형태로 분석되고 가공된다. 특히 환경오염 분석과 예측을 위하여 통계분석도구 R을 사용하여 그래디언트 부스팅과 같은 인공지능 알고리즘을 이용한다. 분석과 예측된 자료는 웹기반의 다양한 형태의 자료로 사용자에게 제공된다.

성능/효과

표 4는 실시간 수집 데이터의 수집 성능을 보여준다. 기상청과 에어코리아로부터 비교적 안정적인 속도로 데이터를 수집할 수 있는 것으로 나타났고, 제안 시스템의한 부분으로 개발된 환경수집 디바이스로 부터도 안정적으로 데이터를 수집하는 것으로 나타났다.
5에 대해서 예측값의 오차율은 각각 13% 와 20%였다. 따라서 제안시스템의 예측값의 정확도가 에어코리아의 예측값 정확도보다 높게 나타났다.
제안된 시스템은 데이터 수집 처리 속도와 데이터분석 처리 속도 측면에서 안정된 속도로 처리할 수 있는 것으로 나타났고, 데이터 정확도 분석에서는 제안시스템에서 인공지능 알고리즘을 이용하여 예측한 예측치가 에어코리아에서 예측한 예측치 보다 비교적 정확한 것으로 나타났다.

후속연구

데이터 분석과 시각화 소요 시간 측면에서는 비교적 불리하지만 데이터의 정확도 측면에서 비교적 유리하다고 판단되어 제안 시스템에서는 그레디언트부스팅 알고리즘을 사용하여 미세먼지 등의 수치를 분석하고 예측한다. 향후 추가적인 연구를 통해 그레디언트부스팅 알고리즘 및 회귀분석 알고리즘을 이용한 예측값을 제공하여 상호 비교할 수 있도록 시스템을 수정해나갈 계획이다.

참고문헌 (26)

Y. Chang, "Current status and problems of fine dust pollution," Journal of Environmental Studies, Graduate School of Environment Studies Seoul National University, vol. 58, pp. 4-13, Sep. 2016.
S. O. Back and C. G. Jeon, "Current Status and Future Directions of Management of Hazardous Air Pollutants in Korea - Focusing on Ambient Air Monitoring Issues," Journal of Korean Society for Atmospheric Environment, vol. 29, no. 5, pp. 513-527, Oct. 2013.

원문보기 상세보기
S. Jeon, W. Kim, H. Lim, I. Kang, and H. Jung, "Air Pollution Information Monitoring System," in Proceedings of the conference of The Korea Institute of Information and Communication Engineering, vol. 24, no. 1, pp. 314-316, 2020.
S. Kim, J. Jeong, M. Hwang, and C. Kang, "Development of an IoT-Based Atmospheric Environment Measurement and Analysis System," The Journal of the The Korean Institute of Communications and Information Sciences, vol. 43, no. 9, pp. 1750-1764, Sep. 2017.
U. Kim, Y. Kim, and S. Kwak, "Iot based Indoor Air Quality Monitoring System," The Journal of The Korea Contents Society, vol. 16, no. 2, pp. 143-151, Feb. 2016.
J. Kim, J. Cho, I. Jeon, D. Jung, and J. Kang, "Air Pollution Monitoring RF-Sensor System Trackable in Real Time," Journal of Korean Society for Geospatial Information Science, vol. 18, no. 2, pp. 21-28, Jun. 2010.
J. Noh and H. Tack, "The Implementation of the Fine Dust Measuring System based on Internet of Things(IoT)," Journal of the Korea Institute of Information and Communication Engineering, vol. 21, no. 4, pp. 829-835, Apr. 2017.

원문보기 상세보기
J. Kim, K. Noh, Y. Jang, and B. Jeon, "Fine dust reduction IoT system," in Proceedings of KIIT Conference, Korea, pp. 378-380, 2018.
S. Hwang and W. Lee, "Fine dust management system based on IoT," in Proceedings of 2018 conference of The Institute of Electronics and Information Engineers, Korea, pp. 1462-1462, 2018.
S. Shin, J. Choi, J. Jo, and K. Hong, "Development of Portable Micro Dust Sensor for Mobile Phone," in Proceedings of Symposium of the Korean Institute of communications and Information Sciences, Korea, pp. 20-21, 2018.
Y. Koo, H. Yun, H. Kwon, and S. Yu, "A Development of PM10 Forecasting System," Journal of Korean Society for Atmospheric Environment, vol. 26, no. 6, pp. 666-682, Dec. 2010.

원문보기 상세보기
J. Cha and J. Kim, "Development of Data Mining Algorithm for Implementation of Fine Dust Numerical Prediction Model," Journal of the Korea Institute of Information and Communication Engineering, vol. 22, no. 4, pp. 595-601, Apr. 2018.

원문보기 상세보기
S. Kwon and S. Kim, "Artificial intelligence-based fine dust management system," Railway Journal, vol. 21, no. 1, pp. 58-64, Feb. 2019.
T. Kim and S. Hong, "Development of GIS based Air Pollution Information System, using a Context Awareness Model," The Journal of Korea Academy Industrial Cooperation Society, vol. 16, no. 6, pp. 4228-4236, Jun. 2015.

원문보기 상세보기
J. Kim, K. Kwak, and J. Park, "NoSQL-based Sensor Web System for Fine Particles Analysis Services," The Journal of The Institute of Internet, Broadcasting and Communication (IIBC), vol. 19, no. 2, pp. 119-125, Apr. 2019.

원문보기 상세보기
S. Joun, J. Choi, and J. Bae, "Performance Comparison of Algorithms for the Prediction of Fine Dust Concentration," in Proceedings of the conference of Korea Information Science Society, Korea, pp. 775-777, 2017.
K. Cho, S. Lyu, and J. Ha, "Development of system for guidance of fine dust concentration in Web Site," in Proceedings of the Korean Society of Computer Information Conference, pp. 43-44, 2017.
H. Lee, J. Yoo, D. Shin, and D. Shin, "Prediction of fine dust concentration based on Apache Spark and providing air pollution information system," in Proceedings of Symposium of the Korean Institute of communications and Information Sciences, Korea, pp. 560-561, 2018.
D. Son, Y. Yun, Y. Park, and S. Kim, "A study on countermeasures against fine dust using the basis of big data," in Proceeding of 2017 Conference of Korea Intelligent Information System Society, Koera, vol. 2017. no. 11, pp. 23-24, 2017.
J. Kim, E. Lee, and J. Lee, "Predicting and Analyzing Big Data of Fine Dust Using Drone," in Proceeding of 2017 fall conference of the Korea Information Processing Society, Korea, pp. 1195-1198, 2017.
S. Lee, K. Nam, U. Safder, and C. Yu, "Development of a prediction model for the concentration of fine dust in underground stations based on deep learning," in Proceeding of 2017 conference of the Korea Institute of Chemical Engineering - Theories and Applications of Chemical Engineering, Korea, pp. 202-202, 2017.
H. Lee and J. Kim, "A Design of Similar Video Recommendation System using Extracted Words in Big Data Cluster," Journal of the Korea Institute of Information and Communication Engineering, vol. 24, no. 2, pp. 172-178, Feb. 2020.
T. Sowmya, "Cost Minimization for Big Data Processing in Geo-Distributed Data Centres," Asia-pacific Journal of Convergent Research Interchange, vol. 2, no. 4, pp. 33-41, Dec. 2016.
J. Friedman, "Stochastic gradient boosting," Computational Statistics & Data Analysis, vol. 38, no. 4, pp. 367-378, Feb. 2002.

상세보기
J. Chen, K. Li, Z. Tang. K. Bilal, S. Yu, C. Weng, and K. Li, "A Parallel Random Forest Algorithm for Big Data in a Spark Cloud Computing Environment," IEEE Transactions on Parallel and Distributed Systems, vol. 28, no. 4, pp. 919-933, Apr. 2017.

상세보기
K. Kim and J. Hong, "A hybrid decision tree algorithm for mixed numeric and categorical data in regression analysis," Pattern Recognition Letters, vol. 98, no. 15, pp. 39-45, Oct. 2017.

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