[논문]Deep Neural Network와 Convolutional Neural Network 모델을 이용한 산사태 취약성 매핑

공성현; 백원경; 정형섭

doi:10.7780/kjrs.2022.38.6.2.12

Deep Neural Network와 Convolutional Neural Network 모델을 이용한 산사태 취약성 매핑
Landslide Susceptibility Mapping Using Deep Neural Network and Convolutional Neural Network 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.38 no.6 pt.2, 2022년, pp.1723 - 1735

공성현 (서울시립대학교 공간정보공학과) , 백원경 (서울시립대학교 공간정보공학과) , 정형섭 (서울시립대학교 공간정보공학과)

초록
AI-Helper

산사태는 가장 널리 퍼진 자연재해 중 하나로 인명 및 재산피해 뿐만 아니라 범 국가적 차원의 피해를 유발할 수 있기 때문에 효과적인 예측 및 예방이 필수적이다. 높은 정확도를 갖는 산사태 취약성도를 제작하려는 연구는 꾸준히 진행되고 있으며 다양한 모델이 산사태 취약성 분석에 적용되어 왔다. 빈도비 모델, logistic regression 모델, ensembles 모델, 인공신경망 등의 모델과 같이 픽셀기반 머신러닝 모델들이 주로 적용되어 왔고 최근 연구에서는 커널기반의 합성곱신경망 기법이 효과적이라는 사실과 함께 입력자료의 공간적 특성이 산사태 취약성 매핑의 정확도에 중요한 영향을 미친다는 사실이 알려졌다. 이러한 이유로 본 연구에서는 픽셀기반 deep neural network (DNN) 모델과 패치기반 convolutional neural network (CNN) 모델을 이용하여 산사태 취약성을 분석하는 것을 목적으로 한다. 연구지역은 산사태 발생 빈도가 높고 피해가 큰 인제, 강릉, 평창을 포함한 강원도 지역으로 설정하였고, 산사태 관련인자로는 경사도, 곡률, 하천강도지수, 지형습윤지수, 지형위치 지수, 임상경급, 임상영급, 암상, 토지이용, 유효토심, 토양모재, 선구조 밀도, 단층 밀도, 정규식생지수, 정규수분지수의 15개 데이터를 이용하였다. 데이터 전처리 과정을 통해 산사태관련인자를 공간데이터베이스로 구축하였으며 DNN, CNN 모델을 이용하여 산사태 취약성도를 작성하였다. 정량적인 지표를 통해 모델과 산사태 취약성도에 대한 검증을 진행하였으며 검증결과 패치기반의 CNN 모델에서 픽셀기반의 DNN 모델에 비해 3.4% 향상된 성능을 보였다. 본 연구의 결과는 산사태를 예측하는데 사용될 수 있고 토지 이용 정책 및 산사태 관리에 관한 정책 수립에 있어 기초자료 역할을 할 수 있을 것으로 기대된다.

Abstract ▼ AI-Helper

Landslides are one of the most prevalent natural disasters, threating both humans and property. Also landslides can cause damage at the national level, so effective prediction and prevention are essential. Research to produce a landslide susceptibility map with high accuracy is steadily being conducted, and various models have been applied to landslide susceptibility analysis. Pixel-based machine learning models such as frequency ratio models, logistic regression models, ensembles models, and Artificial Neural Networks have been mainly applied. Recent studies have shown that the kernel-based convolutional neural network (CNN) technique is effective and that the spatial characteristics of input data have a significant effect on the accuracy of landslide susceptibility mapping. For this reason, the purpose of this study is to analyze landslide vulnerability using a pixel-based deep neural network model and a patch-based convolutional neural network model. The research area was set up in Gangwon-do, including Inje, Gangneung, and Pyeongchang, where landslides occurred frequently and damaged. Landslide-related factors include slope, curvature, stream power index (SPI), topographic wetness index (TWI), topographic position index (TPI), timber diameter, timber age, lithology, land use, soil depth, soil parent material, lineament density, fault density, normalized difference vegetation index (NDVI) and normalized difference water index (NDWI) were used. Landslide-related factors were built into a spatial database through data preprocessing, and landslide susceptibility map was predicted using deep neural network (DNN) and CNN models. The model and landslide susceptibility map were verified through average precision (AP) and root mean square errors (RMSE), and as a result of the verification, the patch-based CNN model showed 3.4% improved performance compared to the pixel-based DNN model. The results of this study can be used to predict landslides and are expected to serve as a scientific basis for establishing land use policies and landslide management policies.

주제어

표/그림 (9)

그림 Fig. 1. Study area of this study.
표 Table 1. Landslide influential varibles used in this study
그림 Fig. 2. Landslide-influencing variables used in this study: (a) Slope, (b) Curvature, (c) SPI, (d) TWI, (e) TPI, (f) Timber diameter, (g) Timber age, (h) NDVI, (i) NDWI, (j) Lithology, (k) Fault density, (l) Lineament density, (m) Soil depth, (n) Soil parent material, and (o) Land use.
그림 Fig. 3. Dataflow of this study.
그림 Fig. 4. Ground Truth of this study.
그림 Fig. 5. Model architecture proposed in this study: Deep Neural Network.
그림 Fig. 6. Model architecture proposed in this study: Convolutional Neural Network.
그림 Fig. 7. Landslide susceptibility maps using (a) DNN and (b) CNN models.
그림 Fig. 8. Model performance evaluation results: (a-b) root mean square errors (RMSE) and (c-d) average precision (AP) scores of the DNN and CNN models.

AI 본문요약
AI-Helper

문제 정의

본 연구에서는 가장 대표적인 딥러닝 모델 중 하나인 DNN과 CNN 모델을 통해 산사태 취약성을 분석하는 것을 목표로 한다. 이를 위해 산사태 발생관련 인자들을 데이터베이스로 구축하였고 딥러닝 모델을 사용하여 산사태 취약성도를 작성하고 최종적으로 픽셀기반의 DNN 모델과 패치기반의 CNN 모델을 정량적으로 검증하고 비교 분석하는 과정을 수행하였다.

제안 방법

산사태는 해마다 발생하여 많은 인명피해와 경제적 손실을 일으키는 자연재해로 이상기온과 기후변화가 심각해짐에 따라 산사태 취약지역에 대한 분석과 예측에 대한 필요성이 커지고 있다. 이러한 필요성에 입각하여 본 연구에서는 최근 활발한 연구가 이루어지고 있으며 이미지 기반 분석에서 뛰어난 성능을 보이는 딥러닝 모델을 이용하여 강원도의 인제, 강릉, 평창을 포함한 지역에 대하여 산사태 취약성 분석을 진행하였다. 강원도는 대부분이 산지로 이루어져 있고 이러한 지형특성상 산사태에 취약하며 산사태 발생 데이터가 많이 분포하여 연구대상지로 선정하였다.
이때 각 구간이 갖는 참값(산사태 발생 픽셀의 개수)의 비율을 구하여 두값을 나누어 입력자료의 구간에 대한 빈도비를 구할 수 있다. 이렇게 구한 빈도비의 값이 동일하게 낮은 구간을 추출하여 산사태가 반드시 일어나지 않았을 것이라고 가정하는 false label 을 생성하였고 산사태 위치 데이터와 함께 ground truth를 제작하였다(Fig. 4).
본 연구에서는 가장 대표적인 딥러닝 모델 중 하나인 DNN과 CNN 모델을 통해 산사태 취약성을 분석하는 것을 목표로 한다. 이를 위해 산사태 발생관련 인자들을 데이터베이스로 구축하였고 딥러닝 모델을 사용하여 산사태 취약성도를 작성하고 최종적으로 픽셀기반의 DNN 모델과 패치기반의 CNN 모델을 정량적으로 검증하고 비교 분석하는 과정을 수행하였다.

대상 데이터

마지막으로 토지이용(Fig. 2(o)) 자료는 환경부(Ministry of Environment)에서 제공하는 1:25,000 토지이용도로부터 추출하여 연구에 사용하였다. 환경부에서 발행한 토지이용도는 SPOT-5 영상을 이용하여 작성되었다.
이러한 필요성에 입각하여 본 연구에서는 최근 활발한 연구가 이루어지고 있으며 이미지 기반 분석에서 뛰어난 성능을 보이는 딥러닝 모델을 이용하여 강원도의 인제, 강릉, 평창을 포함한 지역에 대하여 산사태 취약성 분석을 진행하였다. 강원도는 대부분이 산지로 이루어져 있고 이러한 지형특성상 산사태에 취약하며 산사태 발생 데이터가 많이 분포하여 연구대상지로 선정하였다.
DNN은 여러 층의 인공신경망을 가지는 딥러닝 모델로 입력 레이어와 출력 레이어 사이에 여러 층의 히든 레이어를 갖는 구조를 지니고 있다. 본 연구에 사용된 DNN 모델은 9개의 히든 레이어를 갖는 구조이며 각각의 히든 레이어는 [150, 150, 90, 45, 15, 45, 90, 150, 150]개의 히든 노드를 갖는다(Fig. 5).
본 연구에서 사용된 CNN 모델은 가장 일반적인 CNN모델로써 convolutional layer와 fully connected layer의 구조를 갖고 입력 데이터는 9 × 9 크기의 패치를, 출력 데이터는 1 × 1 픽셀 크기를 갖는다(Fig
본 연구에서는 경사도, 곡률, 하천강도지수, 지형습윤지수, 지형위치지수, 임상경급, 임상영급, 암상도, 토지이용도, 유효토심, 토양모재, 선구조조도, 단층밀도도, 정규식생지수, 정규수분지수의 15개 산사태 관련 요소들이 입력자료로 사용되었으며 15 × 15 m 격자 크기를 갖는 공간데이터베이스를 구축하여 입력데이터셋을 구축하였다
임상 관련 요소는 산림청(Korea Forest Service)에서 제공하는 1:25,000 임상도로부터 임상경급 과 임상영급을 추출하였다. 식생은 토양에 떨어지는 비의 충격을 줄여 사면의 침식을 방지하고, 식생의 뿌리는 토양의 전단강도를 증가시키고 이는 사면의 안전성을 증가시킨다.

이론/모형

산사태가 발생한 지역에 대한 데이터는 한국지질자원연구원으로부터 취득하였지만 산사태 취약성 분석을 위해서는 산사태가 일어나지 않은 지역에 대한 데이터도 필요하다. 본 연구에서는 빈도비 분석(frequency ratio)방법을 사용하여 ground truth를 제작하였다. 입력자료를 구간을 정하여 나눈뒤 전체 픽셀 수에서 각 구간이 차지하는 픽셀 수의 비율을 구한다.
2(o)) 자료는 환경부(Ministry of Environment)에서 제공하는 1:25,000 토지이용도로부터 추출하여 연구에 사용하였다. 환경부에서 발행한 토지이용도는 SPOT-5 영상을 이용하여 작성되었다.

성능/효과

83%의 예측 성능을 보였다. RMSE값을 통해 예측된 취약성도의 성능 평가 결과에서는 패치기반의 CNN 모델이 픽셀기반의 DNN 모델에 비해 3.4% 향상된 결과를 보였는데 이는 패치기반의 모델이 인접 픽셀의 공간적 특성을 반영하였기 때문이다. 산사태는 한가지 단일 요소에 의하여 발생하지 않으며 다양한 요인이 복합적으로 작용하여 발생하며 주변의 지형요소들이 중요하게 작용하므로 주변의 공간적 특성을 반영하는 것이 중요하다.
이는 픽셀기반 모델의 특성상 인접 픽셀의 공간정보를 반영하지 못하여 예측이 잘 이루어지지 않은 것으로 해석되며, 패치기반의 CNN 모델에서는 인접한 픽셀의 공간정보를 반영하였기에 수계영역에 대한 취약성 예측결과가 좋은 것을 확인할 수 있다. 반면 산사태 취약성이 높은 지역은 낮은 지역과 달리 픽셀기반의 DNN 모델에서 1.5% 가량 높은 값을 보였다. 이는 패치기반의 CNN 모델의 특성상 스무딩 되는 효과가 발생했기 때문이며 DNN 모델의 결과에 비해 공간해상도가 낮아졌음을 확인할 수 있다.
본 연구에 사용된 딥러닝 모델은 산사태 취약성을 잘 예측하였는데, AP값을 통해 모델 성능을 평가한 결과, DNN과 CNN은 각각 98.66%, 98.83%의 예측 성능을 보였다. RMSE값을 통해 예측된 취약성도의 성능 평가 결과에서는 패치기반의 CNN 모델이 픽셀기반의 DNN 모델에 비해 3.
강, 호수, 계곡 등의 수계영역은 실제 산사태가 발생할 확률이 0에 가깝지만 픽셀기반의 DNN 모델에서는 수계영역에 대한 예측이 잘 이루어지지 않았다. 이는 픽셀기반 모델의 특성상 인접 픽셀의 공간정보를 반영하지 못하여 예측이 잘 이루어지지 않은 것으로 해석되며, 패치기반의 CNN 모델에서는 인접한 픽셀의 공간정보를 반영하였기에 수계영역에 대한 취약성 예측결과가 좋은 것을 확인할 수 있다. 반면 산사태 취약성이 높은 지역은 낮은 지역과 달리 픽셀기반의 DNN 모델에서 1.
취약성이 0.2 미만인 지역은 전체 연구지역에 대하여 DNN과 CNN의 결과에서 각각 7.19%, 13.06%였고, 취약성이 0.8 이상인 지역은 DNN과 CNN의 결과에서 각각 27.66% 와 26.15%로 나타났다. 취약성이 낮은 지역은 DNN에 비해 CNN의 결과에서 확연히 높은 비율을 나타내는데 이는 수계영역의 영향에 의한 것으로 판단된다.

후속연구

본 연구에서 산사태 취약성 분석에 사용한 DNN과 CNN 모델은 산사태 취약성도 작성에서 좋은 성능을 보였으며 이는 앞으로 산사태를 예측하는데 사용될 수 있을 것이다. 추후 본 연구에서 설정한 지역 외에도 다른 지역에 대해서도 분석 및 적용하여 산사태 위험 예측 및 예방을 위한 도구로 사용할 수 있고 산사태 방지에 관한 정책 수립에 있어서 기초자료 역할을 할 수 있을 것으로 기대된다.
본 연구에서 산사태 취약성 분석에 사용한 DNN과 CNN 모델은 산사태 취약성도 작성에서 좋은 성능을 보였으며 이는 앞으로 산사태를 예측하는데 사용될 수 있을 것이다. 추후 본 연구에서 설정한 지역 외에도 다른 지역에 대해서도 분석 및 적용하여 산사태 위험 예측 및 예방을 위한 도구로 사용할 수 있고 산사태 방지에 관한 정책 수립에 있어서 기초자료 역할을 할 수 있을 것으로 기대된다.

참고문헌 (33)

Cruden, D. and D. Varnes, 1996. Landslide types and processes, Special Report, Transportation Research Board, National Academy of Science, 247: 36-75.
Davis, J. and M. Goadrich, 2006. The relationship between Precision-Recall and ROC curves, Proc. of the 23rd International Conference on Machine Learning, Pittsburgh, PA, Jun. 25-29, pp. 233-240. https://doi.org/10.1145/1143844.1143874
Du, S.S., Y. Wang, X. Zhai, S. Balakrishnan, R.R. Salakhutdinov, and A. Singh, 2018. How many samples are needed to estimate a convolutional neural network?, Proc. of the 32nd International Conference on Neural Information Processing Systems, Montreal, QC, Dec. 3, pp. 371-381. https://dl.acm.org/doi/10.5555/3326943.3326978
Florinsky, I.V., 2012. Digital Terrain Analysis in Soil Science and Geology, Elsevier Press, Amsterdam, Netherland. https://doi.org/10.1016/b978-0-12-385036-2.00023-7
Froude, M.J. and D.N. Petley, 2018. Global fatal landslide occurrence from 2004 to 2016, Natural Hazards and Earth System Sciences, 18(8): 2161-2181. https://doi.org/10.5194/nhess-18-2161-2018

상세보기
Gao, B.C., 1996. NDWI-A normalized difference water index for remote sensing of vegetation liquid water from space, Remote Sensing of Environment, 58(3): 257-266. https://doi.org/10.1016/s0034-4257(96)00067-3

상세보기
Gariano, S.L. and F. Guzzetti, 2016. Landslides in a changing climate, Earth-Science Reviews, 162: 227-252. https://doi.org/10.1016/j.earscirev.2016.08.011

상세보기
Ghorbanzadeh, O., T. Blaschke, K. Gholamnia, S.R. Meena, D. Tiede, and J. Aryal, 2019. Evaluation of different machine learning methods and deep-learning convolutional neural networks for landslide detection, Remote Sensing, 11: 196. https://doi.org/10.3390/rs11020196

상세보기
Hua, Y., X. Wang, Y. Li, P. Xu, and W. Xia, 2021. Dynamic development of landslide susceptibility based on slope unit and deep neural networks, Landslides, 18(1): 281-302. https://doi.org/10.1007/s10346-020-01444-0

상세보기
Jones, H.G., 1983. Estimation of an effective soil water potential at the root surface of transpiring plants, Plant, Cell & Environment, 6(8): 671-674. https://doi.org/10.1111/1365-3040.ep11589241

상세보기
Kim, J.H. and W.Y. Kim, 2013. Review of research trends on landslide hazards, The Journal of Engineering Geology, 23(3): 305-314 (in Korean with English abstract). https://doi.org/10.9720/kseg.2013.3.305

원문보기 상세보기
Kincal, C., A. Akgun, and M.Y. Koca, 2009. Landslide susceptibility assessment in the Izmir (West Anatolia, Turkey) city center and its near vicinity by the logistic regression method, Environmental Earth Sciences, 59(4): 745-756. https://doi.org/10.1007/s12665-009-0070-0

상세보기
Korea Forest Service, 2013. Detailed strategy for primary policy, Korea Forest Service, Seoul, Republic of Korea, pp. 12-16 (in Korean).
LeCun, Y., Y. Bengio, and G. Hinton, 2015. Deep learning, Nature, 521: 436-444. https://doi.org/10.1038/nature14539

상세보기
Lee, H.G. and G.H. Kim, 2012. Landslide risk assessment in Inje using logistic regression model, Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, 30(3): 313-321. https://doi.org/10.7848/ksgpc.2012.30.3.313

원문보기 상세보기
Lee, S., M. Lee, and J. Won, 2004. Study on landslide using GIS and remote sensing at the Kangneung area (II) - landslide susceptibility mapping and cross-validation using the probability technique, Journal of Korean Society of Economic and Environmental Geology, 37(5): 521-532
Lee, S.R., M.J. Lee, and J.S. Won, 2005. Landslide Susceptibility Analysis and Vertification using Artificial Neural Network in the Kangneung Area, Economic and Environmental Geology, 38(1): 33-43. https://doi.org/10.1080/01431160701264227

상세보기
Lee, S., M.J. Lee, and H.S. Jung, 2017. Data mining approaches for landslide susceptibility mapping in Umyeonsan, Seoul, South Korea, Applied Sciences, 7: 683. https://doi.org/10.3390/app7070683

상세보기
Lee, S. and M.J. Lee, 2017. Susceptibility mapping of Umyeonsan using logistic regression (LR) model and post-validation through field investigation, Korean Journal of Remote Sensing, 33(6-2): 1047-1060. https://doi.org/10.7780/kjrs.2017.33.6.2.2

원문보기 상세보기
Lee, S. and H.J. Oh, 2019. Landslide susceptibility prediction using evidential belief function, weight of evidence and artificial neural network models, Korean Journal of Remote Sensing, 35(2): 299-316. https://doi.org/10.7780/kjrs.2019.35.2.9

원문보기 상세보기
Lee, S., 2019. Current and Future Status of GIS-based Landslide Susceptibility Mapping: A Literature Review, Korean Journal of Remote Sensing, 35(1): 179-193. https://doi.org/10.7780/kjrs.2019.35.1.12

원문보기 상세보기
Lee, S., W.K. Baek, H.S. Jung, and S. Lee, 2020. Susceptibility mapping on urban landslides using deep learning approaches in mt. Umyeon, Applied Sciences, 10(22): 8189. https://doi.org/10.3390/app10228189

상세보기
Liu, W., Z. Wang, X. Liu, N. Zeng, Y. Liu, and F.E. Alsaadi, 2017 A survey of deep neural network architectures and their applications, Neurocomputing, 234: 11-26. https://doi.org/10.1016/j.neucom.2016.12.038

상세보기
Oh, H.J., 2010. Landslide Detection and Landslide Susceptibility Mapping using Aerial Photos and Artificial Neural Networks, Korean Journal of Remote Sensing, 26(1): 47-57. https://doi.org/10.7780/kjrs.2010.26.1.47

원문보기 상세보기
Pham, B.T., I. Prakash, S.K. Singh, A. Shirzadi, H. Shahabi, and D.T. Bui, 2019. Landslide susceptibility modeling using Reduced Error Pruning Trees and different ensemble techniques: Hybrid machine learning approaches, Catena, 175: 203-218. https://doi.org/10.1016/j.catena.2018.12.018

상세보기
Pourghasemi, H.R., Z.T. Yansari, P. Panagos, and B. Pradhan, 2018. Analysis and evaluation of landslide susceptibility: A review on articles published during 2005-2016 (periods of 2005-2012 and 2013-2016), Arabian Journal of Geosciences, 11: 193. http://dx.doi.org/10.1007/s12517-018-3531-5

상세보기
Ramli, M.F., N. Yusof, M.K. Yusoff, H. Juahir, and H.Z.M. Shafri, 2010. Lineament mapping and its application in landslide hazard assessment: a review, Bulletin of Engineering Geology and the Environment, 69(2): 215-233. https://doi.org/10.1007/s10064-009-0255-5

상세보기
Shorten, C. and T.M. Khoshgoftaar, 2019. A survey on image data augmentation for deep learning, Journal of Big Data, 6(1): 1-48. https://doi.org/10.1186/s40537-019-0197-0

상세보기
Tien Bui, D., H. Shahabi, A. Shirzadi, K. Chapi, M. Alizadeh, W. Chen, A. Mohammadi, B.B. Ahmad, M. Panahi, and H. Hong, 2018. Landslide detection and susceptibility mapping by airsar data using support vector machine and index of entropy models in cameron highlands, malaysia, Remote Sensing, 10: 1527. https://doi.org/10.3390/rs10101527

상세보기
Urmi, R.B.R. and D.H. Jang, 2020. Life risk assessment of landslide disaster in Jinbu area using logistic regression model, Journal of The Korean Geomorphological Association, 27(2): 65-85. https://doi.org/10.16968/jkga.27.2.65

상세보기
Wang, Y., L. Feng, S. Li, F. Ren, and Q. Du, 2020. A hybrid model considering spatial heterogeneity for landslide susceptibility mapping in Zhejiang Province, China, Catena, 188: 104425. https://doi.org/10.1016/j.catena.2019.104425

상세보기
Woo, C.S., C.W. Lee, and Y. Jeong, 2008. Study on application of topographic position index for prediction of the landslide occurrence, Journal of the Korean Society of Environmental Restoration Technology, 11(2): 1-9.
Yaa'cob, N., Z.N.A. Abd Rashid, N. Tajudin, and M. Kassim, 2020. Landslide possibilities using remote sensing and geographical information system (GIS), Proc. of 10th IGRSM International Conference and Exhibition on Geospatial & Remote Sensing, Kuala Lumpur, Malaysia, Oct. 20-21, vol. 540, pp. 1-10. https://doi.org/10.1088/1755-1315/540/1/012084

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