[논문]딥러닝 모델 기반 위성영상 데이터세트 공간 해상도에 따른 수종분류 정확도 평가

박정묵; 심우담; 김경민; 임중빈; 이정수

doi:10.7780/kjrs.2022.38.6.1.32

딥러닝 모델 기반 위성영상 데이터세트 공간 해상도에 따른 수종분류 정확도 평가
The Accuracy Assessment of Species Classification according to Spatial Resolution of Satellite Image Dataset Based on Deep Learning Model 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.38 no.6 pt.1, 2022년, pp.1407 - 1422

박정묵 (국립산림과학원 산림ICT연구센터) , 심우담 (강원대학교 산림환경과학대학 산림경영학과) , 김경민 (강원대학교 산림환경과학대학 산림경영학과) , 임중빈 (국립산림과학원 산림ICT연구센터) , 이정수 (강원대학교 산림환경과학대학 산림과학부)

초록
AI-Helper

본 연구는 분류(classification)기반 딥러닝 모델(deep learning model)인 Inception과 SENet을 결합한 SE-Inception을 활용하여 수종분류를 수행하고 분류정확도를 평가하였다. 데이터세트의 입력 이미지는 Worldview-3와 GeoEye-1 영상을 활용하였으며, 입력 이미지의 크기는 10 × 10 m, 30 × 30 m, 50 × 50 m로 분할하여 수종 분류정확도를 비교·평가하였다. 라벨(label)자료는 분할된 영상을 시각적으로 해석하여 5개의 수종(소나무, 잣나무, 낙엽송, 전나무, 참나무류)으로 구분한 후, 수동으로 라벨링 작업을 수행하였다. 데이터세트는 총 2,429개의 이미지를 구축하였으며, 그중약 85%는 학습자료로, 약 15%는 검증자료로 활용하였다. 딥러닝 모델을 활용한 수종분류 결과, Worldview-3 영상을 활용하였을 때 최대 약 78%의 전체 정확도를 달성하였으며, GeoEye-1영상을 활용할 때 최대 약 84%의 정확도를 보여 수종분류에 우수한 성능을 보였다. 특히, 참나무류는 입력 이미지크기에 관계없이 F₁은 약 85% 이상의 높은 정확도를 보였으나, 소나무, 잣나무와 같이 분광특성이 유사한 수종은 오분류가 다수 발생하였다. 특정 수종에서 위성영상의 분광정보 만으로는 특징량 추출에 한계가 있을 수 있으며, 식생지수, Gray-Level Co-occurrence Matrix (GLCM) 등 다양한 패턴정보가 포함된 이미지를 활용한다면 분류 정확도를 개선할 수 있을 것으로 판단된다.

Abstract ▼ AI-Helper

This study was conducted to classify tree species and assess the classification accuracy, using SE-Inception, a classification-based deep learning model. The input images of the dataset used Worldview-3 and GeoEye-1 images, and the size of the input images was divided into 10 × 10 m, 30 × 30 m, and 50 × 50 m to compare and evaluate the accuracy of classification of tree species. The label data was divided into five tree species (Pinus densiflora, Pinus koraiensis, Larix kaempferi, Abies holophylla Maxim. and Quercus) by visually interpreting the divided image, and then labeling was performed manually. The dataset constructed a total of 2,429 images, of which about 85% was used as learning data and about 15% as verification data. As a result of classification using the deep learning model, the overall accuracy of up to 78% was achieved when using the Worldview-3 image, the accuracy of up to 84% when using the GeoEye-1 image, and the classification accuracy was high performance. In particular, Quercus showed high accuracy of more than 85% in F1 regardless of the input image size, but trees with similar spectral characteristics such as Pinus densiflora and Pinus koraiensis had many errors. Therefore, there may be limitations in extracting feature amount only with spectral information of satellite images, and classification accuracy may be improved by using images containing various pattern information such as vegetation index and Gray-Level Co-occurrence Matrix (GLCM).

주제어

표/그림 (11)

그림 Fig. 1. Boundary of the research area.
그림 Fig. 2. Satellite images of the research area.
그림 Fig. 3. Overall research flowchart.
그림 Fig. 4. Deep learning model architecture.
표 Table 1. Confusion matrix for accuracy evaluation
그림 Fig. 5. Dataset by image size.
그림 Fig. 5. Continued.
그림 Fig. 6. Spectral characteristics of datasets by satellite images.
그림 Fig. 7. Learning and verification results of deep learning model.
표 Table 2. Accuracy evaluation of species classification by satellite image
표 Table 3. Confusion matrix of label data and species classification results based on deep learning model

AI 본문요약
AI-Helper

문제 정의

반면, 원격탐사 기술을 활용한 수종분류 연구에서는 머신러닝 및 딥러닝 모델의 아키텍처 개선에 관한 연구는 활발히 진행되고 있으나, 입력 이미지의 크기, 영상의 촬영시기에 등 학습 데이터세트의 구성에 따라 분류정확도를 평가하고, 분류모델을 개선한 연구는 미흡한 실정이다. 따라서, 본 연구는 서로 다른 시기에 촬영된 위성영상 자료를 활용하여 다양한 이미지 크기의 학습자료를 구성하였으며, CNN 알고리즘을 통해 우리나라 주요 수종분류에 적합한 모델 구축을 목적으로 하였다.

제안 방법

데이터세트는 이미지 크기에 따른 수종분류 정확도를 평가하기 위해 공간스케일 10 × 10 m, 30 × 30 m, 50 × 50 m의 이미지로 분할하여 학습데이터와 검증데이터를 구축하였으며, 수종 분류 정확도를 비교·평가하였다(Fig
딥러닝 모델에 적용한 수종분류를 위해 위성영상에 대한 전처리 작업을 수행하였으며, 분류할 수종을 선정하여 데이터세트를 구축하였다. 데이터세트는 이미지 크기에 따른 수종분류 정확도를 평가하기 위해 공간스케일 10 × 10 m, 30 × 30 m, 50 × 50 m의 이미지로 분할하여 학습데이터와 검증데이터를 구축하였으며, 수종 분류 정확도를 비교·평가하였다(Fig.
우리나라 산림의 최소 면적 기준은 0.5 ha로 명시하고 있으나, 산림분야의 대표적인 주제도인 수치 임상도는 임분의 최소 구획면적을 인공림 기준 0.1 ha (30 × 30 m)로 설정하고 있기 때문에, 본 연구에서는 30 × 30 m 크기로 설정하였으며, 격자망의 크기에 따라 딥러닝 기반 수종 분류의 정확도의 증감유무를 검토하기 위해 추가적으로 10 × 10 m, 50 × 50 m의 격자망을 구축하였다

대상 데이터

5개 범주로 구분한 수치임상도와 3개 격자망을 중첩하여 ‘격자망 내 우점 수종의 면적비율이 80% 이상’인 지역을 랜덤으로 추출하여 데이터세트를 구성하였다.
딥러닝 모델 구축에 활용한 데이터세트는 딥러닝 학습 및 검증에 활용되는 입력 이미지와 이미지 각각의 ‘참값’에 해당되는 라벨링 자료로 구성된다. 데이터세트의 구축을 위해 위성영상 자료를 수치임상도와 각각 중첩하여 대상지 내 분포하는 33개의 수종 중 시각적 해석이 가능한 5개 수종(소나무, 잣나무, 낙엽송, 전나무, 참나무류)을 분류 범주로 선정하였다. 또한, 이미지 크기 별 수종 분류정확도를 비교하기 위해 위성영상의 격자망은 3개 크기(10 × 10 m, 30 × 30 m, 50 × 50 m)로 설정하였다.
딥러닝 모델 구축에 활용한 데이터세트는 딥러닝 학습 및 검증에 활용되는 입력 이미지와 이미지 각각의 ‘참값’에 해당되는 라벨링 자료로 구성된다

데이터처리

또한, 딥러닝(deep learning) 모델을 구현하고 개발을 실행하기 위하여 구글(Google) 사에서 개발한 오픈소스 프레임워크인 텐서플로우 (Tensorflow)를 이용하였으며, 프로그램 코딩언어는 코드의 호환성이 용이한 파이썬(Python)을 사용하였다. 텐서플로우는 하드웨어 환경에 따라 CPU 버전과 GPU 버전을 제공하고 있어, 본 연구에서는 텐서플로우 1.8과 이에 부합하는 파이썬 3.6을 이용하여 분석하였다.

이론/모형

0 GB, Graphic은 GeForce GTX 1080으로 구성하였다. 또한, 딥러닝(deep learning) 모델을 구현하고 개발을 실행하기 위하여 구글(Google) 사에서 개발한 오픈소스 프레임워크인 텐서플로우 (Tensorflow)를 이용하였으며, 프로그램 코딩언어는 코드의 호환성이 용이한 파이썬(Python)을 사용하였다. 텐서플로우는 하드웨어 환경에 따라 CPU 버전과 GPU 버전을 제공하고 있어, 본 연구에서는 텐서플로우 1.
본 연구는 분류 기반의 딥러닝 모델인 SE-Inception 모델을 기반으로 W-3와 G-1 영상에 적용하여 수종분류 정확도를 평가하였다.
본 연구에서는 Inception-V4 4개의 독립층에 SENet을 결합한 SE-Inception 모델을 활용하였다. 기존의 Inception-V4 모델은 입력 이미지의 크기를 299 × 299 pixel 크기로 구성하였으나, 본 연구에서 활용한 수종별 학습데이터의 이미지는 0.

성능/효과

검증 이미지를 활용한 W-3의 정확도 평가 결과, 혼동행렬의 전체 정확도는 이미지 크기가 10 m > 30 m > 50 m 순으로 분포하였으며, 각각의 정확도는 78.0% > 75.0% > 40.0% 로 격자의 크기가 작을수록 분류 정확도가 높았다.
딥러닝 모델의 학습결과, W-3는 10 m, 30 m, 50 m 크기의 이미지 모두 200 epoch에서 약 80% 이상의 학습률을 달성하였으며, 700 epoch에서 약 90% 이상의 학습률을 달성하였다. 10 m 이미지는 epoch가 증가함에 loss의 값이 안정적으로 줄어들었으나, 700 epoch 이후에도 학습률이 10% 내외의 변동성을 보여 불안전한 학습결과를 보였으며, 마지막 1,000 epoch에서는 98%의 학습률을 달성하였다.
본 연구에서 활용한 SE-Inception 모델은 50 m 크기의 W-3영상을 제외한 모든 영상에서 전체 정확도 약 75% 이상을 달성하여 수종분류에 우수한 성능을 보였다. 반면, 하나의 입력 이미지 내에서 2개 이상의 수종이 함께 분포하거나, 각 수종별 경계부에 해당되는 이미지를 분류할 경우, 믹셀(mixcell)로 인해 정확도가 감소하였다.
수종별 분광특성 비교결과, W-3영상은 Red, Green, Blue 모두 수종별 분광값의 분포가 유사하였으나, NIR band 영역은 수종별 유의한 차이를 보였다. 특히, 참나무류는 NIR band에서 가장 높은 분광분포를 보였으며, 낙엽송, 소나무, 잣나무, 전나무 순으로 분광값이 높게 분포하였다.
영상의 촬영시기가 6월에 해당하는 W-3영상에서는 전체 정확도가 최대 약 78%이며, 4월에 해당하는 G-1 영상에서는 전체 정확도가 최대 약 84%로 분포하여 G-1 영상을 활용하였을 때 분류정확도가 더 높았다. G-1영상은 우리나라 생육기의 시작인 4월에 촬영된 영상이기 때문에 수종별 분포패턴이 비생육기와 유사하여 하층식생으로 인한 노이즈가 적고, 수종별 형태적 특성이 강조되어 정확도가 높은 것으로 사료된다.
입력 이미지의 격자 크기에 따라 분류 정확도를 비교·평가한 결과, W-3의 경우, 이미지 크기가 작을수록 분류 정확도가 높았으며, G-1은 30 m 크기의 이미지에서 전체 일치율이 80.7%로 가장 높았다

후속연구

수종별 분광분포 특성에서 유의한 차이가 있음에도 딥러닝 모델에서 NIR의 특성을 반영하지 못하는 것은 딥러닝 모델의 구조적인 문제로 판단되며 모델의 아키텍처 개선이 필요할 것으로 판단된다. 또한, 수종별 분포특성을 강조할 수 있는 식생지수, GLCM 등 다양한 패턴정보가 포함된 이미지를 활용한다면 분류 정확도를 개선할 수 있을 것으로 판단된다.
또한, 딥러닝 모델의 입력 이미지에 식생영역 감지에 탁월한 NIR band 정보를 활용하였음에도 불구하고 소나무, 잣나무와 같이 분광특성이 유사한 수종에서는 오분류 사례가 많이 발생하였다. 수종별 분광분포 특성에서 유의한 차이가 있음에도 딥러닝 모델에서 NIR의 특성을 반영하지 못하는 것은 딥러닝 모델의 구조적인 문제로 판단되며 모델의 아키텍처 개선이 필요할 것으로 판단된다. 또한, 수종별 분포특성을 강조할 수 있는 식생지수, GLCM 등 다양한 패턴정보가 포함된 이미지를 활용한다면 분류 정확도를 개선할 수 있을 것으로 판단된다.
반면, 하나의 입력 이미지 내에서 2개 이상의 수종이 함께 분포하거나, 각 수종별 경계부에 해당되는 이미지를 분류할 경우, 믹셀(mixcell)로 인해 정확도가 감소하였다. 이러한 단점은 이미지 분류 딥러닝 모델의 구조적인 단점이기 때문에, 차후, 정확한 수종별 분포 면적 산출을 위해서는 semantic segmentation 기반의 딥러닝 모델의 활용이 필요할 것으로 판단된다. 또한, 딥러닝 모델의 입력 이미지에 식생영역 감지에 탁월한 NIR band 정보를 활용하였음에도 불구하고 소나무, 잣나무와 같이 분광특성이 유사한 수종에서는 오분류 사례가 많이 발생하였다.
7%로 가장 높았다. 특히, W-3영상에서는 50 m 크기의 이미지에서 낮은 정확도를 보였는데, 이는 딥러닝의 학습과정에서의 과적합이 발생한 것으로 판단되며, 추가적인 학습자료 구축이 필요할 것으로 판단된다.

참고문헌 (36)

Abbas, S., Q. Peng, M.S. Wong, Z. Li, J. Wang, K.T.K. Ng, C.Y.T. Kwok, and K.K.W. Hui, 2021. Characterizing and classifying urban tree species using bi-monthly terrestrial hyperspectral images in Hong Kong, ISPRS Journal of Photogrammetry and Remote Sensing, 177: 204-216. https://doi.org/10.1016/j.isprsjprs.2021.05.003

상세보기
Anderson, H.B., L. Nilsen, H. Tommervik, S.R. Karlsen, S. Nagai, and E.J. Cooper, 2016. Using ordinary digital cameras in place of near-infrared sensors to derive vegetation indices for phenology studies of High Arctic vegetation, Remote Sensing, 8(10): 847. https://doi.org/10.3390/rs8100847

상세보기
Briechle, S., P. Krzystek, and G. Vosselman, 2021. Silvi-Net-A dual-CNN approach for combined classification of tree species and standing dead trees from remote sensing data, International Journal of Applied Earth Observation and Geoinformation, 98: 102292. https://doi.org/10.1016/j.jag.2020.102292

상세보기
Cifuentes-Croquevielle, C., D.E. Stanton, and J.J. Armesto, 2020. Soil invertebrate diversity loss and functional changes in temperate forest soils replaced by exotic pine plantations, Scientific Reports, 10(1): 1-11. https://doi.org/10.1038/s41598-020-64453-y

상세보기
Deur, M., M. Gasparovic, and I. Balenovic, 2020. Tree species classification in mixed deciduous forests using very high spatial resolution satellite imagery and machine learning methods, Remote Sensing, 12(23): 3926. https://doi.org/10.3390/rs12233926

상세보기
Fayek, H.M., M. Lech, and L. Cavedon, 2017. Evaluating deep learning architectures for speech emotion recognition, Neural Networks, 92: 60-68. https://doi.org/10.1016/j.neunet.2017.02.013

상세보기
Franklin, S. E. and O. S. Ahmed, 2018. Deciduous tree species classification using object-based analysis and machine learning with unmanned aerial vehicle multispectral data, International Journal of Remote Sensing, 39(15-16): 5236-5245. https://doi.org/10.1080/01431161.2017.1363442

상세보기
Grabska, E., P. Hostert, D. Pflugmacher, and K. Ostapowicz, 2019. Forest stand species mapping using the Sentinel-2 time series, Remote Sensing, 11(10): 1197. https://doi.org/10.3390/rs11101197

상세보기
Hartling, S., V. Sagan, P. Sidike, M. Maimaitijiang, and J. Carron, 2019. Urban tree species classification using a WorldView-2/3 and LiDAR data fusion approach and deep learning, Sensors, 19(6): 1284. https://doi.org/10.3390/s19061284

상세보기
Hawkins, D. M., 2004. The problem of overfitting, Journal of Chemical Information and Computer Sciences, 44(1): 1-12. https://doi.org/10.1021/ci0342472

상세보기
He, T., Y. Lu, L. Jiao, Y. Zhang, X. Jiang, and Y. Yin, 2020. Developing deep learning models to automate rosewood tree species identification for CITES designation and implementation, Holzforschung, 74(12): 1123-1133. https://doi.org/10.1515/hf-2020-0006

상세보기
Hu, J., L. Shen, and G. Sun, 2018. Squeeze-and-excitation networks, Proc. of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Salt Lake City, UT, USA, Jun. 18-23, pp. 7132-7141.
Hutchinson, J. S., A. Jacquin, S. L. Hutchinson, and J. Verbesselt, 2015. Monitoring vegetation change and dynamics on US Army training lands using satellite image time series analysis, Journal of Environmental Management, 150: 355-366. https://doi.org/10.1016/j.jenvman.2014.08.002

상세보기
Jin, C., S. Park, H. Kim, Y. Chun, and C. Choi, 2010. Comparison of High Resolution Image by Ortho Rectification Accuracy and Correlation Each Band, Journal of Korean Society for Geospatial Information Science, 18(2): 35-45 (in Korean with English abstract).
Karasiak, N., J. Dejoux, M. Fauvel, J. Willm, C. Monteil, and D. Sheeren, 2019. Statistical stability and spatial instability in mapping forest tree species by comparing 9 years of satellite image time series, Remote Sensing, 11(21): 2512. https://doi.org/10.3390/rs11212512

상세보기
Kim, K., C. Kim, and E. Jun, 2009. Study on the standard for 1: 25,000 scale digital forest type map production in Korea, Journal of the Korean Association of Geographic Information Studies, 12(3): 143-151 (in Korean with English abstract).
Krizhevsky, A., I. Sutskever, and G.E. Hinton, 2017. Imagenet classification with deep convolutional neural networks, Communications of the ACM, 60(6): 84-90. https://doi.org/10.1145/3065386

상세보기
Kukenbrink, D., M. Marty, R. Bosch, and C. Ginzler, 2022. Benchmarking laser scanning and terrestrial photogrammetry to extract forest inventory parameters in a complex temperate forest, International Journal of Applied Earth Observation and Geoinformation, 113: 102999. https://doi.org/10.1016/j.jag.2022.102999

상세보기
Lee, J., X. Cai, J. Lellmann, M. Dalponte, Y. Malhi, N. Butt, M. Morecroft, C. Schonlieb, and D.A. Coomes, 2016. Individual tree species classification from airborne multisensor imagery using robust PCA, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 9(6): 2554-2567. https://doi.org/10.1109/JSTARS.2016.2569408

상세보기
NIFS (National Institute of Forest Science), 2016. Field survey of forest resources in Kwangnung Experimental Forest, National Institute of Forest Science, Seoul, Republic of Korea. pp. 23-36.
Liu, B., X. Yu, A. Yu, and G. Wan, 2018. Deep convolutional recurrent neural network with transfer learning for hyperspectral image classification, Journal of Applied Remote Sensing, 12(2): 026028. https://doi.org/10.1117/1.JRS.12.026028

상세보기
Maxwell, A.E. and T.A. Warner, 2020. Thematic classification accuracy assessment with inherently uncertain boundaries: An argument for center-weighted accuracy assessment metrics, Remote Sensing, 12(12): 1905. https://doi.org/10.3390/rs12121905

상세보기
Mishra, N.B., K.P. Mainali, B.B. Shrestha, J. Radenz, and D. Karki, 2018. Species-level vegetation mapping in a Himalayan treeline ecotone using unmanned aerial system (UAS) imagery, ISPRS International Journal of Geo-Information, 7(11): 445. https://doi.org/10.3390/ijgi7110445

상세보기
Mohd Zaki, N. A. and Z. Abd Latif, 2017. Carbon sinks and tropical forest biomass estimation: a review on role of remote sensing in aboveground-biomass modelling, Geocarto International, 32(7): 701-716. https://doi.org/10.1080/10106049.2016.1178814

상세보기
Moisen, G.G., E.A. Freeman, J.A. Blackard, T.S. Frescino, N.E. Zimmermann, and T.C. Edwards Jr., 2006. Predicting tree species presence and basal area in Utah: a comparison of stochastic gradient boosting, generalized additive models, and tree-based methods, Ecological Modeling, 199(2): 176-187. https://doi.org/10.1016/j.ecolmodel.2006.05.021

상세보기
Motohka, T., K.N. Nasahara, H. Oguma, and S. Tsuchida, 2010. Applicability of green-red vegetation index for remote sensing of vegetation phenology, Remote Sensing, 2(10): 2369-2387. https://doi.org/10.3390/rs2102369

상세보기
Pearse, G.D., M.S. Watt, J. Soewarto, and A.Y. Tan, 2021. Deep learning and phenology enhance large-scale tree species classification in aerial imagery during a biosecurity response, Remote Sensing, 13(9): 1789. https://doi.org/10.3390/rs13091789

상세보기
Somers, B. and G.P. Asner, 2014. Tree species mapping in tropical forests using multi-temporal imaging spectroscopy: Wavelength adaptive spectral mixture analysis, International Journal of Applied Earth Observation and Geoinformation, 31: 57-66. https://doi.org/10.1016/j.jag.2014.02.006

상세보기
Spanhol, F.A., L.S. Oliveira, C. Petitjean, and L. Heutte, 2016. Breast cancer histopathological image classification using convolutional neural networks, Proc. of 2016 International Joint Conference on Neural Networks, Vancouver, BC, Canada, Jul. 24-29, pp. 2560-2567. https://doi.org/10.1109/IJCNN.2016.7727519
Turlej, K., M. Ozdogan, and V.C. Radeloff, 2022. Mapping forest types over large areas with Landsat imagery partially affected by clouds and SLC gaps, International Journal of Applied Earth Observation and Geoinformation, 107: 102689. https://doi.org/10.1016/j.jag.2022.102689

상세보기
Xi, Y., C. Ren, Z. Wang, S. Wei, J. Bai, B. Zhang, H. Xiang, and L. Chen, 2019. Mapping tree species composition using OHS-1 hyperspectral data and deep learning algorithms in Changbai mountains, Northeast China, Forests, 10(9): 818. https://doi.org/10.3390/f10090818

상세보기
Yan, S., L. Jing, and H. Wang, 2021. A new individual tree species recognition method based on a convolutional neural network and high-spatial resolution remote sensing imagery, Remote Sensing, 13(3): 479. https://doi.org/10.3390/rs13030479

상세보기
Yuhendra, T.S. Joshapat, and K. Hiroaki, 2011. Performance analyzing of high resolution pan-sharpening techniques: increasing image quality for classification using supervised kernel support vector machine, Research Journal of Information Technology, 3(1): 12-23. https://doi.org/10.3923/rjit.2011.12.23

상세보기
Zhang, B., L. Zhao, and X. Zhang, 2020. Three-dimensional convolutional neural network model for tree species classification using airborne hyperspectral images, Remote Sensing of Environment, 247: 111938. https://doi.org/10.1016/j.rse.2020.111938

상세보기
Zhao, L. and L. Zhu, 2012. Research on method of extracting vegetation information based on band combination, Proc. of 2012 20th International Conference on Geoinformatics, Hong Kong, China, Jun. 15-17, pp. 1-5. https://doi.org/10.1109/Geoinformatics.2012.6270287
Zhong, L., L. Hu, and H. Zhou, 2019. Deep learning based multi-temporal crop classification, Remote Sensing of Environment, 221: 430-443. https://doi.org/10.1016/j.rse.2018.11.032

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