[논문]벼 수량 자료의 추세분석을 통한 MODIS NDVI 및 기상자료 기반의 벼 수량 추정 모형 개선

나상일; 홍석영; 안호용; 박찬원; 소규호; 이경도

doi:10.7780/kjrs.2021.37.2.2

벼 수량 자료의 추세분석을 통한 MODIS NDVI 및 기상자료 기반의 벼 수량 추정 모형 개선
Detrending Crop Yield Data for Improving MODIS NDVI and Meteorological Data Based Rice Yield Estimation Model 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.37 no.2, 2021년, pp.199 - 209

나상일 (농촌진흥청 국립농업과학원 기후변화평가과) , 홍석영 (농촌진흥청 국립농업과학원 농촌환경자원과) , 안호용 (농촌진흥청 국립농업과학원 기후변화평가과) , 박찬원 (농촌진흥청 연구정책국) , 소규호 (농촌진흥청 국립농업과학원 기후변화평가과) , 이경도 (농촌진흥청 국립농업과학원 기후변화평가과)

초록
AI-Helper

장기적인 시계열 수량 평균이 기술적인 발전 요인에 의해 증가하는 추세를 제거하여, 기존 MODIS NDVI 및 기상자료를 이용한 우리나라 벼 수량 추정 모형을 개선하고자 하였다. 이를 위해 2002년부터 2019년 까지의 NDVI (MYD13Q1)와 기상자료를 사용하여 다중 선형 회귀 분석을 수행하였다. 벼 수량 추세를 분석하고 이를 제거하여 모형을 보완하였다. 개선된 모형을 이용하여 추정한 벼 수량과 수량 통계 값 간의 상관 분석을 통해 추세 제거에 따른 정확도를 평가하였다. 그 결과, 추세가 제거된 벼 수량 추정 모형에 의해 예측된 수량이 통계 수량의 연간 변동 특성을 잘 반영하고 있는 것으로 나타났다. 추세 제거 전의 모형과 비교하여 통계 수량과의 상관계수와 결정계수도 높게 나타났다. 따라서 추세 제거 방법이 벼 수량 추정 모형을 효과적으로 보정하는 방법임을 확인하였다.

Abstract ▼ AI-Helper

By removing the increasing trend that long-term time series average of rice yield due to technological advancement of rice variety and cultivation management, we tried to improve the rice yield estimation model which developed earlier using MODIS NDVI and meteorological data. A multiple linear regression analysis was carried out by using the NDVI derived from MYD13Q1 and weather data from 2002 to 2019. The model was improved by analyzing the increasing trend of rime-series rice yield and removing it. After detrending, the accuracy of the model was evaluated through the correlation analysis between the estimated rice yield and the yield statistics using the improved model. It was found that the rice yield predicted by the improved model from which the trend was removed showed good agreement with the annual change of yield statistics. Compared with the model before the trend removal, the correlation coefficient and the coefficient of determination were also higher. It was indicated that the trend removal method effectively corrects the rice yield estimation model.

주제어

표/그림 (12)

그림 Fig. 1. Flow chart of MODIS data preprocessing.
표 Table 1. Paddy rice yield statistics of Korea (Statistics Korea, http://kosis.kr) (unit: kg/10a)
표 Table 2. Factors for improving the rice yield estimation model
표 Table 4. Correlation coefficient between rice yield and climate factors
표 Table 3. Correlation coefficient between rice yields and MODIS NDVI products
그림 Fig. 2. Rice yield and detrended yield with their trends from 2002 and 2019.
표 Table 5. Rice yield estimation models based on MODIS NDVI and meteorological data (n=18)
그림 Fig. 3. Comparison of yearly rice yield (Y) and detrended yield (DY) estimated, with yield statistics from 2002 to 2019.
표 Table 6. Rice yield estimation models based on MODIS NDVI and meteorological data after detrending of rice yield (n=18)
그림 Fig. 3. Continued.
그림 Fig. 4. Rice yield map of Korea based on MODIS NDVI and each climate factor, (a) average temperature, (b) minimum temperature, (c) rainfall and (d) solar radiation.
그림 Fig. 4. Continued.

AI 본문요약
AI-Helper

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

문제 정의

그러나기술구성요인은정량적으로측정이불가능하고 대상지역이국가단위일경우지역내공간변이를추정 하는것이매우어렵다. 따라서본연구에서는벼수량이품종및재배기술적요인에의하여자연스럽게증 가되는추세를제거(detrending)함으로서기술구성요 인이벼수량에미치는영향을최소화하였다. 즉시간에따라자연스럽게증가하는수량의추세를기술의발 전으로인한영향이라고가정하고연도와수량간의회 귀분석을통해얻어지는증가추세를제거함으로서Eq.
본연구는Aqua위성으로부터얻어진시계열MODIS NDVI(x1)와기상요인(x2)을독립변수로하여벼수량 을추정하는기존의단순다중회귀모형을개선하고자 장기적인시계열수량평균변화의추세를분석하고제 거함으로써모형의정확도를높이는것을목적으로하였다.
본연구에서는기존에Honget al. (2012)이개발했던 MODISNDVI및기상자료기반의원격탐사모형의입 력변수시계열범위를확장하고모형으로추정한벼수 량값의추세를분석하여제거함으로써모형의정확도 를높이는것을목적으로하였다.
이와같은결과를바탕으로위성영상과기상요인을이용한경험적통계모형을이용한우리나라벼수량추 정을위해서는장기적인시계열수량평균변화추세를 제거한모형을사용하고, 벼생육을결정하는일장과온도와같은기상요인중하나를선택하는것보다는 온도, 강수량, 일사량등의요인으로다각적으로추정하여종합화해나가는방향으로관리할것을제안하고 자한다. 또한금후에는해당모형을비롯한다양한방법으로위성영상을활용한우리나라시·군단위벼수 량추정모형의개발이요구될것으로판단된다.

제안 방법

즉시간에따라자연스럽게증가하는수량의추세를기술의발 전으로인한영향이라고가정하고연도와수량간의회 귀분석을통해얻어지는증가추세를제거함으로서Eq. 1과같이추세가제거된수량(DetrendedYield, DY)을산출하였다.
2002년부터18년간벼생육기간동안수집한시기별 MODIS16-dayNDVI전국평균값과벼수량과의상관 성을살펴보았다(Table3). Honget al.
2002년부터2019년까지수집한자료의상관성분석결과를토대로선택한8월21일MODISNDVI(x1)와등 숙기기상자료(x2; 등숙기평균온도, 최저온도, 일사량, 8월강수량)를이용하여벼수량추정모형을각각작성 하였다(Table5). NDVI와등숙기평균온도·최저온도· 강수량·일사량을각각이용한결과상관계수는각각 0.
2002년부터2019년까지의MODISNDVI영상과기상청기상관측소및자동기상관측장치를통해관측되 는일별기상자료를수집하고MODISNDVI와평균및 최저기온, 강수량, 일사량을 이용하여 벼 수량 추정모형을 각각작성하였다. 또한, 벼수량의변화추세를분석하고제거한DY값을이용하여같은방법으로수량 추정모형을작성하고결과를비교하였다.
Fig. 1과같이NDVI레이어와QC/QA 레이어를import하고각granule을영상접합한후 USGS(UnitedStatesGeologicalSurvey)의MRT(MODIS ReprojectionTool)를이용하여영상자료배포좌표계인 WGS-84 Sinusoidal을경위도좌표로재투영(reproject) 하였다. 또한, 보정계수(scalefactor)를적용하여영상이데이터값으로표현되도록변환하여자료분석에사용 하였다(Honget al.
또한, 벼수량의변화추세를분석하고제거한DY값을이용하여같은방법으로수량 추정모형을작성하고결과를비교하였다. 그결과, 벼수량평균의변화추세를통계적으로제거하고보완하 여작성한벼수량추정모형의결정계수는각각0.
1과같이NDVI레이어와QC/QA 레이어를import하고각granule을영상접합한후 USGS(UnitedStatesGeologicalSurvey)의MRT(MODIS ReprojectionTool)를이용하여영상자료배포좌표계인 WGS-84 Sinusoidal을경위도좌표로재투영(reproject) 하였다. 또한, 보정계수(scalefactor)를적용하여영상이데이터값으로표현되도록변환하여자료분석에사용 하였다(Honget al., 2012).
즉, 위성센서로부터추출한논지역의출수기NDVI(x1)와 등숙기기상자료(x2)를각각독립변수로하여벼수량 추정을위한단순중회귀모형(수량=a *출수기NDVI + b *등숙기기상자료+ c)을작성하였다. 또한추세가제거되기전수량(Y)과추세가제거된수량(DY)을각각 의종속변수로하여각각의모형을작성하고통계자료 와비교를통해추세제거가모형정확도에미치는영향 을평가하였다.
벼 수량 추정모형의 개선을 위해서 통계로 발표된벼수량의변동추세를살펴보았다. Fig.
연도별로 직선적으로 증가하는 단순 회귀모형으로나타났다. 연차별시계열벼수량값의추세를제거한후DY 를산정하였고, 이를기반으로NDVI와등숙기평균온도·최저온도·강수량·일사량을이용하여각각벼수량 추정모형을작성하였다.
(2012)eAqua위성에서2002년부터2010년까지촬영된시계열MODIS (MODerateresolutionImagingSpectroradiometer) NDVI (NormalizedDifferenceVegetationIndex)와기상자료를 이용한우리나라벼수량추정모형을제안하였다. 위성정보로부터추출한논벼의출수기NDVI(x1)와기상자 료(x2)를각각독립변수로하는단순중회귀모형을작 성하였다. 모형의추정값과통계값과의차이는5% 이내로유지되어왔으나최근오차와연차간오차변동 폭이커지는등의한계가나타나고있다.
벼수량은8월일사량, 등숙기 최저온도와도 상 관계 수가 높게 나타났으며, 강수량 및 평균 최저온도와는 부의 상관성을나타내었다. 이를바탕으로출수이후의기상요인으로서는등숙기의 일사량·평균·최저온도, 8월 강수량을 각각 벼 수량 추정을 위한입력변수로사용하였다.
이시기는영양생장기의생육을통해벼이삭의크기가결정되고 생식생장기로변화하는기간이다. 이와같은결과를종합하여8월21일MODISNDVI를벼수량추정모형의 입력변수로사용하였다.
(2012) 이제시한방법에따라수량추정회귀모형을작성하였다. 즉, 위성센서로부터추출한논지역의출수기NDVI(x1)와 등숙기기상자료(x2)를각각독립변수로하여벼수량 추정을위한단순중회귀모형(수량=a *출수기NDVI + b *등숙기기상자료+ c)을작성하였다. 또한추세가제거되기전수량(Y)과추세가제거된수량(DY)을각각 의종속변수로하여각각의모형을작성하고통계자료 와비교를통해추세제거가모형정확도에미치는영향 을평가하였다.

대상 데이터

논벼지역에대한NDVI추출을위한마스크영상으로는농림축산식품부에서2018년에제공받은팜맵 을사용하였다. 팜맵은‘농경지전자지도’로써, 최신항공·위성영상과현장실제조사를통해논, 밭, 과수원, 시설재배지, 인삼재배지로구분되어있다(http://data.
본연구에서는Aqua위성의h27v04, h27v05, h28v05 3개granule자료를2002년부터2019년까지다운로드한 16일단위로작성된MODISNDVI(MYD13Q1) 영상을 활용하였다. Fig.
전국단위벼수량추정을위한변수로서온도, 강수, 일사등격자형태의기상자료생산을위하여기상청에 서제공하는89개지점의기상관측소및599개지점의 자동기상관측장치(AutomaticweatherStation, AWS) 를통해관측되는일별기상자료(2002~2019)를수집하였다. Cressman기법을이용하여3 km 격자 간격의 자료생산을 위한 객관 분석을수행하였다(Ahnet al.
전국벼생산량에대한과거자료는통계청국가통계포털에서제공하는농림어업통계자료중2002년부터 2019년까지의벼(정곡) 단위 면적당 수량 자료를 수집하여 분석에사용하였다(Table1).

데이터처리

kr). 이중, 논지역을추출하여이부분에해당하는 MODISNDVI평균값을추출하여자료분석에활용하였다.

이론/모형

Cressman기법을이용하여3 km 격자 간격의 자료생산을 위한 객관 분석을수행하였다(Ahnet al., 2010; Cressman, 1959). 경위도로투영된3 km상세기후자료를import하여IDL(InteractiveDataLanguage)을이용 하여일별온도, 강수량, 일사량으로각각매핑하여위성자료값과의비교및공간분석이가능한2차원격자 자료로변환하여벼수량과의상관성및회귀분석에활 용하였다(Honget al.
MODISNDVI와평균·최저기온, 강수량, 일사량등각각의기상요인을이용하여우리나라2019년벼수량 지도를작성하였다(Fig. 4). 우리나라의경우충청남도, 전라북도및전라남도와같은서쪽지역이동쪽지역과 비교하여상대적으로벼재배지역이넓게분포되어있으며, 태안, 김제, 해남 등 해안가 와인 접한 평야지 대의 수량이높게나타났다.
그러나대상지역별독립변수가일정하지않아모형의오차에대한해석이어려워개선방 안을찾기어려울것으로생각된다. 또한Naet al. (2013) eMODIS산출물을기반으로작물의순일차생산성 (NetPrimaryProduction, NPP) 추정을 통해 작황을 판단하는 CASA(Carnegie-Ames-StanfordApproach) 모형을 이용하여 전국 과도별로 벼 수량을추정하였다. 지역별로모형의오차는3%~12%로나타나활용성이있다고 생각되나, 추정에사용되는산물출에대한불확실성을정량화하기힘들고모수화가필요하며방대한자료가 필요하다는단점이있다.
벼 수량과 NDVI 또는 기상요인과 의상 관성분석을수행하였고이를기반으로Honget al. (2012) 이제시한방법에따라수량추정회귀모형을작성하였다. 즉, 위성센서로부터추출한논지역의출수기NDVI(x1)와 등숙기기상자료(x2)를각각독립변수로하여벼수량 추정을위한단순중회귀모형(수량=a *출수기NDVI + b *등숙기기상자료+ c)을작성하였다.

성능/효과

77*로원모형보다크게개선되었으며(Table6), RMSE(RootMeanSquare Error)도20~21 kg/10a에서12~13 kg/10a로 크게 감소하였다. 개선된 모형을 이용하여 2002년부터2019년까지벼수량을추정하고벼수량(정곡) 통계값과비교한결과, NDVI및온도·강수·일사량조합모두원래의모형(점선)에비해개선된모형(실선)의추정값이벼수량 통계값과차이가작게나타났다(Fig. 3).
또한, 벼수량의변화추세를분석하고제거한DY값을이용하여같은방법으로수량 추정모형을작성하고결과를비교하였다. 그결과, 벼수량평균의변화추세를통계적으로제거하고보완하 여작성한벼수량추정모형의결정계수는각각0.78**, 0.80**, 0.80**, 0.77*로0.37*~0.46**으로나타난원모형보다 크게 개선된 것으로 나타났다. 또한, 개선된모형을이용하여2002년부터2019년까지벼수량을추정하 고벼수량(정곡) 통계값과비교한결과, 원모형의 RMSE가20~21 kg/10a로나타났던것에비해12~13 kg/10a로크게감소하였다.
46**으로나타난원모형보다 크게 개선된 것으로 나타났다. 또한, 개선된모형을이용하여2002년부터2019년까지벼수량을추정하 고벼수량(정곡) 통계값과비교한결과, 원모형의 RMSE가20~21 kg/10a로나타났던것에비해12~13 kg/10a로크게감소하였다.
모형에사용된기상요인중에서는결정계수와RMSE를종합적으로고려할때, 8월강수량, 등숙기최저온도, 평균온도, 일사량의 순으로 모형의 정확도가 높게 나타났으나그차이는크지않았다. 따라서우리나라벼수량추정을위해서위성영상과기상요인을이용한통계모 형의경우에는하나의모형을선택하는것보다는온도, 강수량, 일사량등의요인으로다각적으로추정하여종합화해나가는것이정책적활용에더부합할것으로생 각된다.
등숙기는우리나라에서벼의대표출수기인8 월20일부터35일로하였다. 벼수량은8월일사량, 등숙기 최저온도와도 상 관계 수가 높게 나타났으며, 강수량 및 평균 최저온도와는 부의 상관성을나타내었다. 이를바탕으로출수이후의기상요인으로서는등숙기의 일사량·평균·최저온도, 8월 강수량을 각각 벼 수량 추정을 위한입력변수로사용하였다.
벼수량평균의변화추세를통계적으로제거하고보완하여벼수량추정모형을작성한결과모형의결정 계수는각각0.78**, 0.80**, 0.80**, 0.77*로원모형보다크게개선되었으며(Table6), RMSE(RootMeanSquare Error)도20~21 kg/10a에서12~13 kg/10a로 크게 감소하였다. 개선된 모형을 이용하여 2002년부터2019년까지벼수량을추정하고벼수량(정곡) 통계값과비교한결과, NDVI및온도·강수·일사량조합모두원래의모형(점선)에비해개선된모형(실선)의추정값이벼수량 통계값과차이가작게나타났다(Fig.
4). 우리나라의경우충청남도, 전라북도및전라남도와같은서쪽지역이동쪽지역과 비교하여상대적으로벼재배지역이넓게분포되어있으며, 태안, 김제, 해남 등 해안가 와인 접한 평야지 대의 수량이높게나타났다. 이와같이벼수량지도는각지역별작황및수량의변이를파악하는데중요한자료로 사용될 수 있으며, 연도별수량지도를작성하면지역에따른벼수량분포의변화추이파악도가능할것으 로판단된다.
일장(daylength)과 온도에 영향을 받는 벼의생육기간동안월별및등숙기온도, 강수, 일사량자료와벼수량과의상관성분석결과등숙기일사량과상관계수가 가장높게나타났다(Table4). 이는 벼가 익는 등숙기의 기상은 출수기 이후 쌀의수량을결정하는가장중요한 환경요인이라는보고(CockandYoshida, 1972)를뒷받침하고, Honget al.

후속연구

따라서우리나라벼수량추정을위해서위성영상과기상요인을이용한통계모 형의경우에는하나의모형을선택하는것보다는온도, 강수량, 일사량등의요인으로다각적으로추정하여종합화해나가는것이정책적활용에더부합할것으로생 각된다.
또한금후에는해당모형을비롯한다양한방법으로위성영상을활용한우리나라시·군단위벼수 량추정모형의개발이요구될것으로판단된다.
우리나라의경우충청남도, 전라북도및전라남도와같은서쪽지역이동쪽지역과 비교하여상대적으로벼재배지역이넓게분포되어있으며, 태안, 김제, 해남 등 해안가 와인 접한 평야지 대의 수량이높게나타났다. 이와같이벼수량지도는각지역별작황및수량의변이를파악하는데중요한자료로 사용될 수 있으며, 연도별수량지도를작성하면지역에따른벼수량분포의변화추이파악도가능할것으 로판단된다.

참고문헌 (21)

Ahn, J.B., J. Hur, and K.M. Shim, 2010. A simulation of agro-climate index over the Korean peninsula using dynamical downscaling with a numerical weather prediction model, Korean Journal of Agricultural and Forest Meteorology, 12(1): 1-10 (in Korean with English abstract).

원문보기 상세보기
Campbell, J.B., 1996. Introduction to Remote Sensing 2nd ed, The Gilford Press, 4(5): 550-551.
Cockm J.H. and S. Yoshida, 1972. Accumulation of 14C-labelled carbohydrate before flowering and its subsequent redistribution and respiration in the rice plant, Proceeded of the Crop Science Society of Japan, 41: 226-234.
Cressman, G.P., 1959. An operational objective analysis system, Monthly Weather Review, 87: 367-374.

상세보기
Data Portal Homepage, http://www.data.go.kr/, Accessed on Sep. 25, 2020.
Goldblum, D., 2009. Sensitivity of corn and soybean yield in Illinois to air temperature and precipitation: the potential impact of future climate change, Physical Geography, 30(1): 27-42.

상세보기
Hong, S.Y., 1999. Analysis on rice growth information and estimation of paddy field area by using remotely sensed data, Dissertation, Kyungpook National University, Daegu, KOR (in Korean with English abstract).
Hong, S.Y., J.T. Lee, S.K. Rim, and J.S. Shin, 1997. Radiometric estimates of grain yields related to crop aboveground net production(ANP) in paddy rice, Proc. of 1997 International Geoscience and Remote Sensing Symposium, SG, Aug. 3-8, Vol. 4, pp. 1793-1795.
Hong, S.Y., J. Hur, J.B. Ahn, J.M. Lee, B.K. Min, C.K. Lee, Y. Kim, K.D. Lee, S.H. Kim, G.Y. Kim, and K.M. Shim, 2012. Estimating rice yield using MODIS NDVI and meteorological data in Korea, Korean Journal of Remote Sensing, 28(5): 509-520 (in Korean with English abstract).

원문보기 상세보기
Hong, S.Y., S.I. Na, K.D. Lee, Y.S. Kim, and S.C. Baek, 2015. A study on estimating rice yield in DPRK using MODIS NDVI and rainfall data, Korean Journal of Remote Sensing, 31(5): 441-448 (in Korean with English abstract).

원문보기 상세보기
Korean Statistical Information Service Homepage, http://www.kosis.kr/, Accessed on Sep. 12, 2020.
Kim, Y.H. and, S.Y. Hong, 2008. Estimation of rice grain protein content using optical ground sensor, Korean Journal of Remote Sensing, 24(6): 551-558 (in Korean with English abstract).
Lee, K.D., S.Y. Hong, S.G. Kim, C.W. Park, H.Y. Ahn, S.I. Na, and K.H. So, 2020. Estimation of rice cultivation area using Sentinel-1 imagery in South Korea, Korean Journal of Soil Science and Fertilizer, 53(3): 345-354. (in Korean with English abstract).
Lizumi, T., M. Kotoku, W. Kim, P.C. West, J.S. Gerber, and M.E. Brown, 2018. Uncertainties of potentials and recent changes in global yields of major crops resulting from census- and satellite-based yield datasets at multiple resolutions, PLoS ONE, 13(9): 1-15.
Lu, J., G.J. Carbone, and P. Gao, 2017. Detrending crop yield data for spatial visualization of drought impacts in the United States, 1895-2014, Agricultural and Forest Meteorology, 237-238: 196-208.

상세보기
Mishra, V. and K. Cherkauer, 2010. Retrospective droughts in the crop growing season: Implications to corn and soybean yield in the Midwestern United States, Agricultural and Forest Meteorology, 150: 1030-1045.

상세보기
Na, S.I., J.H. Park, and J.K. Park, 2012. Development of Korean paddy rice yield prediction model (KRPM) using meteorological element and MODIS NDVI, Journal of the Korean Society of Agricultural Engineers, 54(3): 141-148 (in Korean with English abstract).

원문보기 상세보기
Na, S.I., S.Y. Hong, Y.H. Kim, and K.D. Lee, 2013. Prediction of rice yield in Korea using paddy rice NPP index - Application of MODIS data and CASA model, Korean Journal of Remote Sensing, 29(5): 461-476 (in Korean with English abstract).

원문보기 상세보기
Rojas, O., 2007. Operational maize yield model development and validation based on remote sensing and agro-meteorological data in Kenya, International Journal of Remote Sensing, 28(17): 3775-3793.

상세보기
Sadras V.O., K.G. Cassman, P. Grassini, A.J. Hall, W.G.M. Bastiaanssen, A.G. Laborte, A.E. Milne, G. Sileshi, and P. Steduto, 2015. Yield Gap Analysis of Field Crops: Methods and Case Studies, Food and Agriculture Organization of the United Nations, Rome, IT.
Wu, Z., N.E. Huang, S.R. Long, and C.K. Peng, 2007. On the trend, detrending, and variability of nonlinear and nonstationary time series, Proceeded of National Academy of Sciences, 104(38): 14889-14894.

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

연합인증