[논문]농업용저수지의 실시간 수위 보정을 위한 Hampel Filter의 최적 Window Size 분석

주동혁; 나라; 김하영; 최규훈; 권재환; 유승환

doi:10.5389/ksae.2022.64.3.009

농업용저수지의 실시간 수위 보정을 위한 Hampel Filter의 최적 Window Size 분석
Analysis of the Optimal Window Size of Hampel Filter for Calibration of Real-time Water Level in Agricultural Reservoirs 원문보기

한국농공학회논문집 = Journal of the Korean Society of Agricultural Engineers, v.64 no.3, 2022년, pp.9 - 24

주동혁 (Department of Rural and Bio-Systems Engineering & BK21 Education and Research Unit for Climate-smart ReclaimedTideland Agriculture, Chonnam National University) , 나라 (Department of Rural and Bio-Systems Engineering & BK21 Education and Research Unit for Climate-smart ReclaimedTideland Agriculture, Chonnam National University) , 김하영 (Department of Rural and Bio-Systems Engineering & BK21 Education and Research Unit for Climate-smart ReclaimedTideland Agriculture, Chonnam National University) , 최규훈 (WeDB company) , 권재환 (Agricultural Infrastructure Project Office, Korea Rural Community Corporation (KRC)) , 유승환 (Department of Rural and Bio-Systems Engineering & BK21 Education and Research Unit for Climate-smart ReclaimedTideland Agriculture, Chonnam National University)

Abstract ▼ AI-Helper

Currently, a vast amount of hydrologic data is accumulated in real-time through automatic water level measuring instruments in agricultural reservoirs. At the same time, false and missing data points are also increasing. The applicability and reliability of quality control of hydrological data must be secured for efficient agricultural water management through calculation of water supply and disaster management. Considering the characteristics of irregularities in hydrological data caused by irrigation water usage and rainfall pattern, the Korea Rural Community Corporation is currently applying the Hampel filter as a water level data quality management method. This method uses window size as a key parameter, and if window size is large, distortion of data may occur and if window size is small, many outliers are not removed which reduces the reliability of the corrected data. Thus, selection of the optimal window size for individual reservoir is required. To ensure reliability, we compared and analyzed the RMSE (Root Mean Square Error) and NSE (Nash-Sutcliffe model efficiency coefficient) of the corrected data and the daily water level of the RIMS (Rural Infrastructure Management System) data, and the automatic outlier detection standards used by the Ministry of Environment. To select the optimal window size, we used the classification performance evaluation index of the error matrix and the rainfall data of the irrigation period, showing the optimal values at 3 h. The efficient reservoir automatic calibration technique can reduce manpower and time required for manual calibration, and is expected to improve the reliability of water level data and the value of water resources.

주제어

표/그림 (20)

그림 Fig. 1 Flow chart of this study
표 Table 1 Target reservoirs in this study
표 Table 2 Properties of water level data
그림 Fig. 2 Calibration method by water level missing data error
표 Table 3 Weather stations in each reservoir
그림 Fig. 3 How to correct outliers from the Hampel filter
그림 Fig. 4 3 sigma rule
그림 Fig. 5 Remove normal high water level/storage level excess
그림 Fig. 6 Priciple of outlier detection standards
그림 Fig. 7 Window size case classification
그림 Fig. 8 Comparison method between irrigation season rainfall data and calibrated water level
표 Table 4 Meaning of confusion matrix item
표 Table 5 RMSE, NSE coefficient by window size
표 Table 6 Classification performance evaluation index by window size
그림 Fig. 9 Automatic outlier detection standards by window size of Gopung
그림 Fig. 10 Automatic outlier detection standards by window size of Gil-jeong
그림 Fig. 11 Automatic outlier detection standards by window size of Maji
그림 Fig. 12 Calibration result by window size of Gopung
그림 Fig. 13 Calibration result by window size of Gil-jeong
그림 Fig. 14 Calibration result by window size of Maji

AI 본문요약
AI-Helper

문제 정의

본 연구에서는 window size별로 보정된 데이터를 농업용수 공급 시기 (4월 중순∼9월)의 강우자료와 비교하여 정상데이터를 가장 적게 왜곡하는 최적 window size를 확인하기 위해 2018
기존 연구에서는 이상치 및 결측치의 탐지, 보정 기술 등에 초점을 두었지만, 기관에서 배포된 공인자료와 계측된 수위 자료와의 신뢰성 검증과 Hampel filter의 수위보정에 대한 정확도 검증 및 최적 매개변수 선정에 대한 연구는 미비하였다. 본 연구에서는 한국농어촌공사에서 관리하는 3개의 농업용 저수지 (고풍, 길정 및 마지저수지)를 대상으로 Hampel filter를 활용한 실시간 자동수위 계측자료의 보정을 수행하고, Hampel filter의 window size 설정에 따른 보정데이터의 신뢰성 분석을 수행하여 최적 window size를 선정하고자 한다.

가설 설정

기간의 일별 강우 자료를 이용하였다. 해당 기간의 관개기 강수량 중 50 mm 이상을 저수지 수위 상승에 영향을 주는 구간이라 가정하였으며, 인위적인 수위 조작의 영향은 한국농어촌공사에서 제공하는 급수예고의 불확실성으로 인해 명확한 판단에 어려움이 있어 제외하였다. 또한 10분 수위데이터의 변화량이 0인 값과 농업용수 공급으로 인해 변화량이 음의 값을 가지는 부분과 관개기 중 만수위/사수위에 해당하는 구간은 강우로 인한 수위변동의 불확실성이 있으므로 제외하였다.

제안 방법

5시간의 window size를 참고하여 Fig. 7과 같이 6개의 경우로 구분하였으며, 각 저수지별 기상관측소의 관개기 강우 자료를 보정된 데이터와 비교하여 수위상승에 영향을 미치는 강우기간의 수위데이터를 분석하였다. 또한 오차행렬의 분류성능평가지표를 활용하여 정량적인 결과를 나타내었다.
본 연구는 Hampel filter 기법의 주요 매개변수인 window size를 좌우 1.5 hr, 3 hr, 6 hr, 12 hr, 24 hr, 36 hr 6개의 경우로 분류하여 10분 수위데이터를 보정하였으며, 보정된 데이터를 농업용수 공급 시기 (4월 중순∼9월)의 강우 자료와 비교하여 정상데이터를 가장 적게 왜곡하는 최적 window size를 선정하였다
본 연구에서는 보정된 저수지 수위데이터의 신뢰성을 분석하기 위해 한국농어촌공사에서 제공하는 RIMS 일별 수위자료를 활용하여 RMSE, NSE를 산정 및 분석하였고, 환경부의 이상치 자동점검기준을 활용하였다. 검증자료인 RIMS 일별 수위자료의 경우 관리자가 센서의 자동입력값을 확인한 후 이상치 및 결측치가 있을 시에 목측을 통해 수동보정하고 있으며, 보정된 데이터는 주관적인 판단이 크지만, 지속적인 보정이 이루어지고 있기 때문에 검증 자료로 적합하다고 판단하였다.
본 연구에서는 자동수위계측기를 통해 입력된 수위자료의 결측치 및 이상치를 보정하였으며, 농업기반시설관리시스템(RIMS) 자료인 일 1회 수기입력 자료를 이용하여 검증하였다. 10분 단위 수위자료는 압력식 및 초음파 센서를 통해 계측되었으며, 측정기간은 2018.

대상 데이터

5 hr, 3 hr, 6 hr, 12 hr, 24 hr, 36 hr 6개의 경우로 분류하여 10분 수위데이터를 보정하였으며, 보정된 데이터를 농업용수 공급 시기 (4월 중순∼9월)의 강우 자료와 비교하여 정상데이터를 가장 적게 왜곡하는 최적 window size를 선정하였다. 강우 자료는 기상청에서 제공하는 2018. 1.
31. 기간의 일별 강우 자료를 이용하였다. 해당 기간의 관개기 강수량 중 50 mm 이상을 저수지 수위 상승에 영향을 주는 구간이라 가정하였으며, 인위적인 수위 조작의 영향은 한국농어촌공사에서 제공하는 급수예고의 불확실성으로 인해 명확한 판단에 어려움이 있어 제외하였다.
31. 기간의 일별 자료를 이용하였다. Table 3은 각 저수지의 지배관측소를 나타내었다.
본 연구는 한국농어촌공사의 관리 저수지 중 수위데이터의 오⋅결측치가 시각적으로 두드러진 고풍, 길정, 마지 저수지를 대상으로 하였다
본 연구에서는 한국농어촌공사의 자동수위계측기에서 측정한 10분 단위 저수지 수위자료를 대상으로 Hampel filter 기법을 적용하여 이상치를 보정하고, 분류성능평가지표를 적용하여 최적 window size를 선정하였다. 분석 기법의 신뢰성을 위해 한국농어촌공사의 RIMS 일별 수위 자료를 검증 자료로 이용하였으며, 보정된 자료와 일별 수위 자료를 비교하기 위해 결측데이터를 제외하고, 자료의 간격을 일치시켜 비교하였다.
Table 6은 각 저수지의 관개기 10분 수위자료와 RIMS 일별 자료의 분류성능평가지표 결과이다. 지표 중 가장 통계적 신뢰성이 높은 F1 score를 통해 최적 window size를 선정하였다. Table 6의 Window size별 F1 score는 근소한 차이를 보이지만 개별저수지의 총 데이터 개수는 157,680개 (3년×10분 수위데이터)로 실측값과 근사하게 보정된 데이터 개수의 차이는 고풍저수지의 3 hr (0.

데이터처리

Hampel filter의 주요 매개변수인 window size를 선정하기 위한 분류성능평가지표는 통계적 신뢰성이 높은 F1 score를 통해 선정하였으며, 고풍, 길정, 마지저수지에서 각각 0.943, 0.930, 0.987 로 좌우 3 hr의 경우에서 최댓값을 가져 최적 window size로 3 hr 구간을 도출하였다. 또한 관개기 강수량과 보정된 수위데이터를 비교ㆍ분석한 결과 평활화 정도가 가장 작아 정상데이터를 최소로 왜곡시키는 최적구간이 3 hr으로 판단되었다.
7과 같이 6개의 경우로 구분하였으며, 각 저수지별 기상관측소의 관개기 강우 자료를 보정된 데이터와 비교하여 수위상승에 영향을 미치는 강우기간의 수위데이터를 분석하였다. 또한 오차행렬의 분류성능평가지표를 활용하여 정량적인 결과를 나타내었다.
최적 window size 도출을 위해 만수위/사수위를 초과한 값을 제외하고 수위변화량이 존재하는 구간을 대상으로 분류성능평가지표 중 가장 통계적 신뢰성이 높은 F1 score를 기준으로 case별 성능을 비교⋅분석하였다

이론/모형

결측치 보정 방안으로는 한국농어촌공사에서 활용하고 있는 선형보간법, 이동평균값, 동일데이터 보간 시 이전 및 다음 값 등을 적용하여 결측 형태에 따라 보정하였다. 선형보간법은 양 끝점이 주어진 경우, 중앙에 위치한 값의 추정을 위해 비례식을 구성하여 계산하는 방법으로 수위곡선의 형태가 직선으로 가정할 수 있는 경우 적용하며, 자료 구간이 감소할수록 직선에 근사한 연속함수로써 수위의 경향을 간단하게 파악할 수 있다.
본 연구에서는 한국농어촌공사의 자동수위계측기에서 측정한 10분 단위 저수지 수위자료를 대상으로 Hampel filter 기법을 적용하여 이상치를 보정하고, 분류성능평가지표를 적용하여 최적 window size를 선정하였다. 분석 기법의 신뢰성을 위해 한국농어촌공사의 RIMS 일별 수위 자료를 검증 자료로 이용하였으며, 보정된 자료와 일별 수위 자료를 비교하기 위해 결측데이터를 제외하고, 자료의 간격을 일치시켜 비교하였다.

성능/효과

RMSE는 고풍, 마지저수지에서는 0.67∼0.82 m로 길정저수지 0.18∼0.20 m의 범위보다 다소 큰값을 보였지만, NSE 계수는 모든 저수지에서 0.92∼0.99 범위의 값을 가져 Hampel filter 기법의 신뢰성을 확인하였다
각 저수지의 원시데이터와 6가지 경우를 비교⋅분석한 결과 모든 경우에서 dh (단위시간당 수위변화), d2h (단위시간당 수위변화량의 변화량)의 임계점을 벗어나는 점을 제외하고 임계점 기준 (음영된 부분)인 20 cm 내로 모든 데이터가 포함되는 것을 확인하였다
본 연구에서는 보정된 저수지 수위데이터의 신뢰성을 분석하기 위해 한국농어촌공사에서 제공하는 RIMS 일별 수위자료를 활용하여 RMSE, NSE를 산정 및 분석하였고, 환경부의 이상치 자동점검기준을 활용하였다. 검증자료인 RIMS 일별 수위자료의 경우 관리자가 센서의 자동입력값을 확인한 후 이상치 및 결측치가 있을 시에 목측을 통해 수동보정하고 있으며, 보정된 데이터는 주관적인 판단이 크지만, 지속적인 보정이 이루어지고 있기 때문에 검증 자료로 적합하다고 판단하였다. 환경부의 이상치 자동점검기준은 단위시간별 수위, 단위시간당 수위변화량, 단위시간당 수위변화량의 변화량, 이전시간 수위변화량 대비 현재 수위변화량의 비율, 현재 수위지속시간 등 다섯 가지의 변수를 사용하는 방법으로써, 각각의 변수에 임계점을 설정하고 이에 어떠한 값이 초과하거나 미달할 경우 이상치로 분류하는 방법이다.
전반적으로 원시 데이터의 이상치를 근사하게 보정하였지만, 고풍저수지의 경우 2019년 7월 짧은 구간 반복되는 이상치와 2020년 1∼5월에 장기간 결측된 부분이 있었으며, 길정저수지의 경우 2019년 3월, 2020년 4월 구간에서는 짧은 간격에 반복적인 이상치가 있었으며, 마지저수지의 경우 2019년 5월에 수위가 급상승한 구간이 장기간 지속되어 실제 수위거동과는 다르게 보정되었다. 또한 강수량이 많으며, 빈도가 높은 기간에 36 hr로 window size가 커질수록 정상데이터의 왜곡 정도가 심해지며, 많은 데이터가 평활화되는 것을 확인하였으며, 실제 수위와 가장 근사한 값을 가지고 있는 경우는 3 hr로 판단되었다.
987 로 좌우 3 hr의 경우에서 최댓값을 가져 최적 window size로 3 hr 구간을 도출하였다. 또한 관개기 강수량과 보정된 수위데이터를 비교ㆍ분석한 결과 평활화 정도가 가장 작아 정상데이터를 최소로 왜곡시키는 최적구간이 3 hr으로 판단되었다. 하지만 window size가 변화함에도 대상저수지의 단기간 반복되는 이상치 및 장기간의 결측 등으로 인해 자동 보정이 되지 않는 구간이 발생하였으며, 이에 대해서는 숙련된 관리자의 수동보정이 필요할 것으로 판단된다.
원시 데이터와 window size별로 RMSE, NSE 계수를 비교ㆍ분석한 결과, RMSE 는 고풍, 마지 저수지에서 0.62∼0.82 m로 길정 저수지 0.18∼0.20 m에 비해 큰 값을 보였지만 NSE 계수는 0.92∼0.99 범위의 값을 가져 Hampel filter의 신뢰성을 검증하였다
하지만 window size에 따른 RMSE, NSE계수의 상관성의 도출에는 한계점을 보였다. 이상치 자동점검기준에서는 원시데이터와 6가지 case를 비교ㆍ분석한 결과 모든 경우에서 dh (단위시간당 수위변화), d2h (단위시간당 수위변화량의 변화량)의 임계점을 벗어나는 점을 제외하고 임계점 기준인 20 cm 내로 모든 데이터가 포함되어 품질이 개선된 것을 확인하였다.
F1 score는 정밀도와 재현율을 조화평균한 값으로 정밀도와 재현율에 동일한 가중치를 주어 각 지표에서 발생하는 통계적 오류를 최소화한 지표이다. 자료의 분포가 고르지 않은 경우에 정확도보다 더 유용한 결과를 나타내기 때문에 최적 window size 선정에 유용하다고 판단하였다.
전반적으로 원시 데이터의 이상치를 근사하게 보정하였지만, 고풍저수지의 경우 2019년 7월 짧은 구간 반복되는 이상치와 2020년 1∼5월에 장기간 결측된 부분이 있었으며, 길정저수지의 경우 2019년 3월, 2020년 4월 구간에서는 짧은 간격에 반복적인 이상치가 있었으며, 마지저수지의 경우 2019년 5월에 수위가 급상승한 구간이 장기간 지속되어 실제 수위거동과는 다르게 보정되었다
또한 10분 수위데이터의 변화량이 0인 값과 농업용수 공급으로 인해 변화량이 음의 값을 가지는 부분과 관개기 중 만수위/사수위에 해당하는 구간은 강우로 인한 수위변동의 불확실성이 있으므로 제외하였다. 해당 관개기 강우자료 (50 mm 이상)와 보정된 수위데이터의 개별 비교를 통해 정상 수위데이터를 가장 적게 평활화시키는 경우를 최적 window size라고 판단하였다. Fig.

후속연구

하지만 window size가 변화함에도 대상저수지의 단기간 반복되는 이상치 및 장기간의 결측 등으로 인해 자동 보정이 되지 않는 구간이 발생하였으며, 이에 대해서는 숙련된 관리자의 수동보정이 필요할 것으로 판단된다. 추후 수위 데이터의 축적 및 자동수위계측기의 개선을 통해 Hampel filter 자동보정방법의 성능을 향상시킬수 있을 것이라 기대된다.
저수지 수위 자료를 보정하는 데 있어 Hampel filter 기법은 수동 보정 방법에 의한 인력 및 시간을 절감할 수 있으며, 최적 window size의 도출을 통해 저수지 수위 자료의 신뢰성을 확보할 수 있다. 특히, 신속한 보정 시간 및 높은 정확도를 통해 실시간 수위 보정이 가능할 것으로 판단되며, 추후 공급량 산정, 재난 관리 등에 있어 현장의 적용성을 크게 높일 수 있을 것으로 사료된다.

참고문헌 (28)

Bang, J. H., Y. H. Lee, S. Y. Jeong, and J. Y. Choi, 2017. A study of outlier detection on time series of water-level in agricultural reservoir. In Proceedings of the Korean Society of Agricultural Engineers Coneference 60 (in Korean). Environmental Protection Agency, Athens, GA.
Choi, J. Y., 2018. Development of quality control methods for water level data and irrigation water supply estimation, 4-10. Korea Rural Community Corporation (in Korean).
Choi, G. H., K. H. Kim, S. Y. Lim, S. H. Yoo, E. H. Choi, and M. S. Kang, 2020. Quality control on water-level in irrigation canal using filter techniques. In Proceedings of the Korean Society of Agricultural Engineers Conference 107 (in Korean).
Hyndman, Rob J. Koehler, and Anne B, 2006. "Another look at measures of forecast accuracy". International Journal of Forecasting 22(4): 679-688. doi:10.1016/j.ijforecast.2006.03.001.

상세보기
Kim, H. K., S. W. Park, S., and M. Kim, 2006. Development of hydrologic data management system based on relational database. Korean Journal of Hydrosciences 39(10): 855-866 (in Korean). doi:10.3741/JKWRA.2006.39.10.855.

원문보기 상세보기
Kim, H. S., and C. S. Kim, 2003. Hydrological data quality control system for monitoring and improving the data quality. Korean Society of Civil Engineers Conference 2032-2036. (in Korean).
Kim, M. G., J. Y. Choi, J. H. Bang, and J. J. Lee, 2019. Outlier detection of real-time reservoir water level data using threshold model and artificial neural network model. Journal of the Korean Society of Agricultural Engineers 61(1): 107-120. (in Korean). doi:10.5389/KSAE.2019.61.1.107.
Korea Rural Community Corporation (KRC). 2018. Development of technology for securing reliability of water level measurement data and estimating water supply. (in Korean)
Korea Rural Community Corporation (KRC). 2019. A Study on the establishment of quality control standards for hydrologic data in agricultural reservoirs and waterways. (in Korean).
Korea Rural Community Corporation (KRC). 2020. Advanced quality management study of reservoir water level measurement data. (in Korean).
K-water. 2018. K-water Data Quality Management Guidelines (Water Information). (in Korean).
Lee, J. W, H. S. Kim, C. H. Hwang, I. S. Kang, and H. K. Jeong, 2018. Data cleansing algorithm for reducing outlier. In Proceedings of the Korean Institute of Information and Communication Sciences Conference 342-344. (in Korean).
MathWorks. https://kr.mathworks.com
Ministry of Agriculture, Food and Rural Affairs, 2016. Development of information analysis technology for abnormal behavior of agricultural reservoirs using big data related to weather information and water levels. (in Korean).
Ministry of Environment. 2018. Environment and maintenance and management of hydrologic research facilities and standards for quality management of hydrologic data. (in Korean).
Ministry of Land, Infrastructure and Transport, 2018. Establishment and operation of the national hydrologic data quality management system (7th). (in Korean).
Ministry of Land, Transport and Maritime Affairs. 2008. Establishment of a basic plan for hydrologic investigation (2010-2019). (in Korean).
Ministry of Land, Transport and Maritime Affairs. 2011. The 4th Comprehensive Plan for Water Resources 2nd Amendment (2011-2020). (in Korean).
Ministry of the Interior and Safety. 2018. Public Data Quality Management Manual ver 2.0. (in Korean).
Nash, J. E., and Sutcliffe, J. V, 1970. "River flow forecasting through conceptual models part I - A discussion of principles". Journal of Hydrology 10(3): 282-290. doi:10.1016/0022-1694(70)90255-6.

상세보기
Oh, C. R., S. C. Park, H. M. Lee, and Y. P. Pyo, 2002. A forecasting of water quality in the Youngsan river using neural network. Journal of The Korean Society of Civil Engineers 22(3B): 372-382. (in Korean).
Pearson, R. K., Neuvo, Y., Astola, J., and Gabbouj, M, 2016. Generalized Hampel filters. EURASIP Journal on Advances in Signal Processing 2016(1): 1-18. doi:10.1186/s13634-016-0383-6.

상세보기
Press, W. H., Flannery, B. P., Teukolsky, S. A., and Vetterling, W. T, 1987. Numerical recipes : the art of scientific computing, Cambridge University Press. doi:10.1063/1.2820230.
Pukelsheim, Friedrich, 1994. "The three sigma rule." The American Statistician 48(2): 88-91. doi:10.2307/2684253.

상세보기
Ranjan, K. G., Tripathy, D. S., Prusty, B. R., and Jena, D, 2021. An improved sliding window prediction-based outlier detection and correction for volatile time-series. International Journal of Numerical Modelling: Electronic Networks, Devices and Fields 34(1), e2816. doi:10.1002/jnm.2816.

상세보기
Shin, H. J., and T. H. Lee, 2020. A study on the estimation of missing hydrological data using adaptive network-based fuzzy inference system (anfis). In Proceedings of the Korea Water Resources Association Conference 264. (in Korean).
United States Geological Survey, 2012. Computing discharge using the index velocity method. South Carolina:United States Geological Survey 35-59.
Yang, M. H, W. H. Nam, H. J. Kim, T. G. Kim, A. K. Shin, and M. S. Kang, 2021. Anomaly detection in reservoir water level data using the LSTM model based on deep learning. Journal of the Korean Society of Hazard Mitigation 21(1): 71-81 (in Korean). doi:10.9798/KOSHAM.2021.21.1.71.

상세보기

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