[논문]자동 위성영상 수집을 통한 다종 위성영상의 시계열 데이터 생성

남윤지; 정성우; 김태정; 이수암

doi:10.7780/kjrs.2023.39.5.4.3

[국내논문] 자동 위성영상 수집을 통한 다종 위성영상의 시계열 데이터 생성
Generation of Time-Series Data for Multisource Satellite Imagery through Automated Satellite Image Collection 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.39 no.5/1, 2023년, pp.1085 - 1095

남윤지 ((주)쓰리디랩스 영상공학연구소) , 정성우 ((주)쓰리디랩스 영상공학연구소) , 김태정 (인하대학교 공간정보공학) , 이수암 ((주)쓰리디랩스 영상공학연구소)

초록
AI-Helper

위성데이터를 활용한 시계열 데이터는 다양한 분야에서 변화 탐지와 모니터링에 필수적인 자료로 활용되고 있다. 시계열 데이터 생성에 관한 선행 연구에서는 데이터의 통일성을 유지하기 위해 주로 단일 영상을 기반으로 분석하는 방식이 사용되었다. 또한 공간 및 시간 해상도 향상을 위해 다종 영상을 활용하는 연구도 활발하게 진행되고 있다. 시계열 데이터의 중요성은 계속해서 강조되지만, 데이터를 자동으로 수집하고 가공하여 연구에 활용하기 위한 산출물은 아직 제공되지 않고 있다. 따라서 이러한 한계를 극복하기 위해 본 논문에서는 사용자가 설정한 지역의 위성정보를 자동으로 수집하고 시계열 데이터를 생성하는 기능을 제안한다. 본 연구는 한 종류의 위성영상뿐만 아니라 동일 지역의 여러 위성데이터를 수집하고 이를 시계열 데이터로 변환하여 산출물을 생성하는 것을 목표로 하며, 이를 위한 위성영상 자동 수집 시스템을 개발하였다. 이 시스템을 활용하면 사용자는 관심 있는 지역을 설정함으로써 해당 지역에 맞게 데이터가 수집되고 Crop되어 즉시 활용할 수 있는 데이터를 생성할 수 있다. 실험 결과로는 웹 상에서 무료로 제공되는 Landsat-8/9 OLI 및 Sentinel-2 A/B 영상의 자동 획득이 가능함을 확인하였으며, 수동 입력을 통해 별도의 고해상도 위성영상도 함께 처리할 수 있었다. 고해상도 위성영상을 기준으로 자동 수집 및 편집된 영상 간의 정확도를 비교하고 육안 분석을 수행한 결과, 큰 오차 없이 결과물을 생성할 수 있음을 확인했다. 이후 시계열 데이터 간 상대적 위치 오차 최소화 및 좌표가 획득되어 있지 않은 데이터 처리 등에 대한 연구 및 다양한 위성영상을 활용한 시계열 데이터 생성 기능 추가가 계획되어 있다. 위성영상을 활용한 시계열 데이터의 생성 방법이 정립되고, 국토위성, 농림위성과 같은 국내 위성정보를 이용한 시계열 데이터가 효과적으로 활용될 경우, 국토·농림·산업·해양 분야에서 다양한 응용 가능성이 기대된다.

Abstract ▼ AI-Helper

Time-series data generated from satellite data are crucial resources for change detection and monitoring across various fields. Existing research in time-series data generation primarily relies on single-image analysis to maintain data uniformity, with ongoing efforts to enhance spatial and temporal resolutions by utilizing diverse image sources. Despite the emphasized significance of time-series data, there is a notable absence of automated data collection and preprocessing for research purposes. In this paper, to address this limitation, we propose a system that automates the collection of satellite information in user-specified areas to generate time-series data. This research aims to collect data from various satellite sources in a specific region and convert them into time-series data, developing an automatic satellite image collection system for this purpose. By utilizing this system, users can collect and extract data for their specific regions of interest, making the data immediately usable. Experimental results have shown the feasibility of automatically acquiring freely available Landsat and Sentinel images from the web and incorporating manually inputted high-resolution satellite images. Comparisons between automatically collected and edited images based on high-resolution satellite data demonstrated minimal discrepancies, with no significant errors in the generated output.

주제어

표/그림 (13)

그림 Fig. 1. Flow chart for proposed method.
그림 Fig. 2. Flow chart for web-crawling method.
그림 Fig. 3. Example of collected satellite imagery.
표 Table 1. Keyword setting based on satellite imagery folder names
그림 Fig. 4. CAS-500 images and Sentinel-2 A/B images: a visual comparison example.
그림 Fig. 5. Examples of areas with null values: Sentinel-2 A/B.
그림 Fig. 6. Test area (Google Earth).
그림 Fig. 7. This is a Collected Image Sample. (a) Landsat-8/9 OLI(LC08_L2SP_232076_20200526_202008 20_02_T1). (b) Sentinel-2 A/B (S2A_MSIL2A_20200530T142741_N0500_R053_T19KGQ_20230510T11 5147.SAFE).
그림 Fig. 8. BlackSky image sample (BSG-113-20230511-110 350-86829169-ortho).
그림 Fig. 9. Generated time-series data.
그림 Fig. 10. Checkpoints for accuracy analysis.
표 Table 2. Accuracy analysis result (Landsat-8/9 OLI)
표 Table 3. Accuracy analysis result (Sentinel-2 A/B)

AI 본문요약
AI-Helper

문제 정의

본 논문에서는 이러한 필요성을 충족시키기 위해 사용자가 설정한 영역의 위성정보를 수집하여 시계열 데이터를 생성하는 기능을 제안한다. 이 연구는 한 종류의 위성영상뿐만 아니라 동일 지역의 여러 위성데이터를 수집하고 이를 시계열 데이터로 변환하여 산출물로 만드는 것을 목표로 하며, 이를 위해 위성영상 자동수집 시스템을 개발한다.
이 연구는 한 종류의 위성영상뿐만 아니라 동일 지역의 여러 위성데이터를 수집하고 이를 시계열 데이터로 변환하여 산출물로 만드는 것을 목표로 하며, 이를 위해 위성영상 자동수집 시스템을 개발한다. 본 시스템을 사용하여 시계열 데이터를 생성하고 그 결과와 활용 가능성을 확인해 보고자 한다.
본 논문에서는 이러한 필요성을 충족시키기 위해 사용자가 설정한 영역의 위성정보를 수집하여 시계열 데이터를 생성하는 기능을 제안한다. 이 연구는 한 종류의 위성영상뿐만 아니라 동일 지역의 여러 위성데이터를 수집하고 이를 시계열 데이터로 변환하여 산출물로 만드는 것을 목표로 하며, 이를 위해 위성영상 자동수집 시스템을 개발한다. 본 시스템을 사용하여 시계열 데이터를 생성하고 그 결과와 활용 가능성을 확인해 보고자 한다.
서로 다른 영상 간에 시계열 데이터를 생성하려면 좌표계 일치뿐만 아니라 각 영상의 이미지 크기와 공간해상도도 일치해야 한다. 이 연구에서는 저장 공간 효율성과 영상 간의 일관성 있는 시계열 데이터 생성을 위해 중간 수준의 위성 해상도를 기준으로 설정했다. 따라서 10 m 해상도의 Sentinel-2 A/B 영상을 기준으로 리샘플링을 수행하였으며 고해상도 위성영상의 경우 다운샘플링을, Landsat-8/9 OLI와 같은 저해상도 위성영상은 업샘플링을 수행하여 시계열 데이터를 생성했다.

제안 방법

9는 시스템을 통해 수집되고 시계열 데이터로 구성된 영상 목록을 보여준다. 결과 이미지는 RGB 합성 결과를 기반으로 생성되었으며, Sentinel-2 A/B 영상은 TCI 영상의 밝기값을 적용하였다. 시간의 흐름에 따라 광산이 확대되는 것을 관찰할 수 있으며, 다종 위성영상들의 조합을 통해 시간상의 간격을 상대적으로 줄일 수 있는 시계열 데이터의 제작이 가능함을 확인하였다.
압축파일 형태의 데이터는 데이터 용량을 압축하여 빠른 속도로 데이터를 제공이 가능하다는 면에서 이점이 있다. 그러나 여러 데이터를 다운로드 받은 경우 압축해제 처리에 따른 번거로움이 따르므로 본 시스템에서는 압축해제 처리하여 데이터를 제공한다. Fig.
이 연구에서는 저장 공간 효율성과 영상 간의 일관성 있는 시계열 데이터 생성을 위해 중간 수준의 위성 해상도를 기준으로 설정했다. 따라서 10 m 해상도의 Sentinel-2 A/B 영상을 기준으로 리샘플링을 수행하였으며 고해상도 위성영상의 경우 다운샘플링을, Landsat-8/9 OLI와 같은 저해상도 위성영상은 업샘플링을 수행하여 시계열 데이터를 생성했다. 부드러운 리샘플링 결과를 얻기 위해 Bicubic 보간법을 적용하여 결과를 생성했다.
본 논문에서는 아르헨티나 Olaroz 지역의 리튬 광산지역을 대상으로 하여 영상 수집을 수행하고, 이러한 영상 데이터를 UTM 좌표계로 변환하여 결과를 생성했다. Landsat-8/9 OLI 및 Sentinel-2 A/B 영상과 같은 여러 관측 위성은 일반적으로 좌표계로 변환하여 결과를 생성했다.
위성영상 자동 수집은 웹크롤링을 통해 설정한 영상 수집 조건에 적합한 위성영상을 자동으로 검색하여 수집한다. 본 모듈에 적용된 웹크롤링은 사용자가 원하는 최신의 대용량 데이터를 실시간으로 수집 가능하다는 장점이 있어 위성영상 자동 수집 기법으로 적용하였다. 본 시스템 내 웹크롤링 처리 단계는 Fig.
생성된 시계열데이터의 위치정확도 확인을 위해 대상영역에서 자연표적을 설정하고 해당점을 기준으로 고해상도 영상인 BlackSky 영상과 Landsat-8/9 OLI 그리고 Sentinel-2 A/B 영상의 위치정확도를 확인했다. 특징점은 영상 분석 소프트웨어를 이용하여 육안 수동으로 각 영상에서 획득했다(Fig.
추가적으로 수동으로 2장의 2023년 5월의 BlackSky 영상을 함께 처리하여 시계열 데이터의 생성을 수행했다. 수집된 영상은 개발 모듈을 거쳐 RGB 밴드합성 및 영역에 맞게 이미지 크롭 및 리샘플링을 수행한다. 이때 크롭된 이미지 파일은 원본 영상의 해상도에 맞추어 제작되며, 동영상 제작을 위한 결과물은 10 m 해상도의 Sentinel-2 A/B 영상에 맞추어 가공된다.
위성영상 자동 수집 모듈의 실행을 위해 먼저 사용자가 사용자 인터페이스를 통해 수집할 위성영상 종류, 데이터 수집 시기, 수집 영역을 설정한다.
위성영상 자동 수집의 기준은 기하보정된 영상을 적용하는 것을 기반으로 하였다. 자동 수집 대상 위성영상인 Landsat-8/9 OLI 영상과 Sentinel-2 A/B 영상은 기하보정 처리가 완료된 영상이다.
이러한 문제점을 해결하기 위해 본 연구에서는 위성영상 자동 수집시스템을 개발했으며, 이 시스템을 사용하여 사용자는 관심 있는 지역을 설정함으로써 해당 지역에 맞게 데이터가 수집되고 Crop되어 즉시 활용할 수 있는 데이터를 생성할 수 있게 되었다.
위성영상은 16bit 영상으로 제공되므로, 화면 출력을 위해서는 8bit 3밴드 영상으로의 변환이 필요하다. 이를 위해 밴드별 이미지 스트레칭이 적용되며, 노이즈에 의한 보정 오차를 최소화하기 위해 99% 신뢰구간의 히스토그램을 이용하여 이미지 스트레칭을 수행했다.
이후, 사용자가 입력한 영상 수집 조건 값들을 각 플랫폼에 자동으로 할당하여 조건에 맞는 위성영상을 검색·수집한다

대상 데이터

대상 영역 대비 수집 조건은 2020년부터 23년 5월의 영상들로 지정했으며, 그 결과 자동 수집으로 6장의 Landssat-8/9 OLI영상, 5장의 Sentienl-2 A/B 영상을 획득할 수 있었다. 추가적으로 수동으로 2장의 2023년 5월의 BlackSky 영상을 함께 처리하여 시계열 데이터의 생성을 수행했다.
대상 지역의 좌표는 WGS84 경도 및 위도를 기준으로(–23.56584087, –66.74679293)이며, 이를 UTM 좌표계로 변환하면 남반구 Zone 19 기준(729979.13, 7392030.91)이다
본 모듈에서 수집 가능한 위성영상은 광학영상인 Landsat-8/9 operational land imager (OLI), Sentienl-2 A/B, 국토위성영상(CAS-500)이 있으며, synthetic aperture radar (SAR) 영상인 Sentinel-1이 있다. 해당 데이터는 현재 무료로 제공되고 있으며, 원격탐사 분야에서 가장 보편적으로 사용되고 있어 수집 대상 위성영상으로 선정하게 되었다.
영상 수집 조건 입력 후, 위성영상 자동 수집 모듈에서 웹 크롤링(Web Crawling) 기법을 사용하여 자동 수집을 수행하게 된다. 수집된 영상은 상대 기하보정 모듈을 통해 정밀 정사영상을 제작한다. 정사영상 제작이 완료되면 산출물 모듈 내 R, G, B 밴드합성을 수행하고 이후 좌표변환, 리샘플링, 관심영역 Crop 과정을 통해 시계열 위성영상 산출물을 생성한다.
시계열 데이터 생성을 위해 고해상도 영상은 미국의 군집위성인 BlackSky 영상을 확보하여 적용하였다. BlackSky 영상은 현재 약 60기의 위성체로 운영되고 있으며, 1 m 급의 공간해상도를 가지며 약 4.
위성영상 자동 수집은 웹크롤링을 통해 설정한 영상 수집 조건에 적합한 위성영상을 자동으로 검색하여 수집한다. 본 모듈에 적용된 웹크롤링은 사용자가 원하는 최신의 대용량 데이터를 실시간으로 수집 가능하다는 장점이 있어 위성영상 자동 수집 기법으로 적용하였다.
위성영상 자동 수집의 기준은 기하보정된 영상을 적용하는 것을 기반으로 하였다. 자동 수집 대상 위성영상인 Landsat-8/9 OLI 영상과 Sentinel-2 A/B 영상은 기하보정 처리가 완료된 영상이다. Landsat-8/9 OLI 영상과 Sentinel-2 A/B 영상의 경우 고해상도 영상과 중첩하였을 때 큰 조정 없이도 사용가능한 것을 확인하였다.
대상 영역 대비 수집 조건은 2020년부터 23년 5월의 영상들로 지정했으며, 그 결과 자동 수집으로 6장의 Landssat-8/9 OLI영상, 5장의 Sentienl-2 A/B 영상을 획득할 수 있었다. 추가적으로 수동으로 2장의 2023년 5월의 BlackSky 영상을 함께 처리하여 시계열 데이터의 생성을 수행했다. 수집된 영상은 개발 모듈을 거쳐 RGB 밴드합성 및 영역에 맞게 이미지 크롭 및 리샘플링을 수행한다.
본 모듈에서 수집 가능한 위성영상은 광학영상인 Landsat-8/9 operational land imager (OLI), Sentienl-2 A/B, 국토위성영상(CAS-500)이 있으며, synthetic aperture radar (SAR) 영상인 Sentinel-1이 있다. 해당 데이터는 현재 무료로 제공되고 있으며, 원격탐사 분야에서 가장 보편적으로 사용되고 있어 수집 대상 위성영상으로 선정하게 되었다. 두 번째, 자동 수집 모듈을 호출한다.
해당지역의 영상 수집을 위해 자체 개발된 시스템을 통해 Landsat-8/9 OLI 영상과 Sentinel-2 A/B 영상을 수집했다. 다음 Fig.

이론/모형

따라서 10 m 해상도의 Sentinel-2 A/B 영상을 기준으로 리샘플링을 수행하였으며 고해상도 위성영상의 경우 다운샘플링을, Landsat-8/9 OLI와 같은 저해상도 위성영상은 업샘플링을 수행하여 시계열 데이터를 생성했다. 부드러운 리샘플링 결과를 얻기 위해 Bicubic 보간법을 적용하여 결과를 생성했다.
영상 수집 조건 입력 후, 위성영상 자동 수집 모듈에서 웹 크롤링(Web Crawling) 기법을 사용하여 자동 수집을 수행하게 된다. 수집된 영상은 상대 기하보정 모듈을 통해 정밀 정사영상을 제작한다.

성능/효과

자동 수집 대상 위성영상인 Landsat-8/9 OLI 영상과 Sentinel-2 A/B 영상은 기하보정 처리가 완료된 영상이다. Landsat-8/9 OLI 영상과 Sentinel-2 A/B 영상의 경우 고해상도 영상과 중첩하였을 때 큰 조정 없이도 사용가능한 것을 확인하였다. Fig.
위성영상 자동 수집 시스템을 이용한 다중 위성영상의 시계열 데이터 생성 실험을 통해 웹 상에서 무료로 제공되는 Landsat-8/9 및 Sentinel-2 A/B 영상의 자동 획득이 가능함을 확인하였으며, 수동 입력을 통해 BlackSky와 같은 별도의 고해상도 위성영상도 함께 처리할 수 있었다. 고해상도 위성영상을 기준으로 자동 수집 및 편집된 영상 간의 정확도를 비교하고 육안 분석을 수행한 결과, 큰 오차 없이 결과물의 생성이 가능했다.
해당 위치오차는 두 영상의 공간해상도를 고려할 때, 각 영상에서 2픽셀 이내의 오차를 나타낸다. 더 정확한 상대보정 및 정확도가 요구될 수 있지만, Sentinel-2 A/B 영상과 BlackSky 영상 사이에는 약 20배 정도의 해상도 차이가 있음을 고려할 때, 이 결과는 여러 다종 영상을 활용하여 시계열 데이터를 생성할 수 있는 가능성을 시사한다. 이 결과는 제안된 기법으로 생성된 다종 위성영상 간의 시계열 데이터가 정성적으로나 정량적으로 신뢰할 수 있음을 의미한다.
결과 이미지는 RGB 합성 결과를 기반으로 생성되었으며, Sentinel-2 A/B 영상은 TCI 영상의 밝기값을 적용하였다. 시간의 흐름에 따라 광산이 확대되는 것을 관찰할 수 있으며, 다종 위성영상들의 조합을 통해 시간상의 간격을 상대적으로 줄일 수 있는 시계열 데이터의 제작이 가능함을 확인하였다.
위성영상 자동 수집 시스템을 이용한 다중 위성영상의 시계열 데이터 생성 실험을 통해 웹 상에서 무료로 제공되는 Landsat-8/9 및 Sentinel-2 A/B 영상의 자동 획득이 가능함을 확인하였으며, 수동 입력을 통해 BlackSky와 같은 별도의 고해상도 위성영상도 함께 처리할 수 있었다. 고해상도 위성영상을 기준으로 자동 수집 및 편집된 영상 간의 정확도를 비교하고 육안 분석을 수행한 결과, 큰 오차 없이 결과물의 생성이 가능했다.
다음의 Table 2와 Table 3는 BlackSky 영상을 기준으로 측정된 정확도 분석 결과이다. 위치정확도 측정 결과, 먼저 Blacksky영상과 Landsat-8/9 OLI 영상 간 mean absolute error (MAE)는 X방향으로 9.21 m, Y방향으로 13.05 m, root mean square error (RMSE)는 X방향으로 11.04 m, Y방향으로 13.39 m인 것을 확인했다.
더 정확한 상대보정 및 정확도가 요구될 수 있지만, Sentinel-2 A/B 영상과 BlackSky 영상 사이에는 약 20배 정도의 해상도 차이가 있음을 고려할 때, 이 결과는 여러 다종 영상을 활용하여 시계열 데이터를 생성할 수 있는 가능성을 시사한다. 이 결과는 제안된 기법으로 생성된 다종 위성영상 간의 시계열 데이터가 정성적으로나 정량적으로 신뢰할 수 있음을 의미한다.

후속연구

위성데이터를 활용한 시계열 데이터 연구는 오랜 시간 동안 진행되어 왔다. 그러나 시계열 데이터를 생성하기 위해서는 별도의 영상 처리 소프트웨어를 사용하여, 데이터 간 좌표변환 및 리샘플링 등과 같이 복잡한 전처리과정이 필요하여 다중 영상 데이터를 활용하기에 번거로움이 따른다는 문제점이 있었다.

참고문헌 (8)

Ahn, H., Na, S., Park, C., Hong, S., So, K., and Lee,？K., 2020. Radiometric cross calibration of？KOMPSAT-3 and Lnadsat-8 for time-series？harmonization. Korean Journal of Remote？Sensing, 36(6-2), 1523-1535. https://doi.org/10.7780/KJRS.2020.36.6.2.4

원문보기 상세보기
Hyun, C.-U., and Kim, H., 2018. Arctic sea ice motion？measurement using time-series high-resolution？optical satellite images and feature tracking？techniques. Korean Journal of Remote Sensing,？34(6-2), 1215-1227. https://doi.org/10.7780/KJRS.2018.34.6.2.6

원문보기 상세보기
Kim, G. H., Jun, C. M., Jung, H. C., and Yoon, J. H., 2016. Providing service model based on concept？and requirements of spatial big data. Journal of？Korean Society for Geospatial Information Science,？24(4), 89-96. https://doi.org/10.7319/kogsis.2016.24.4.089

원문보기 상세보기
Kim, T., Lee, W. H., and Han, Y., 2018. Analysis of？thermal heat island potential by urbanization？using Landsat-8 time-series satellite imagery.？Journal of the Korean Society of Surveying,？Geodesy, Photogrammetry and Cartography,？36(4), 305-316. https://doi.org/10.7848/ksgpc.2018.36.4.305

원문보기 상세보기
Lee, Y., Park, H., Kim, H.-S., and Kim, T., 2020.？Analysis of geolocation accuracy of precision？image processing system developed for CAS500. Korean Journal of Remote Sensing, 36(5-2),？893-906. https://doi.org/10.7780/KJRS.2020.36.5.2.4

원문보기 상세보기
Lowe, G., 2004. Sift - The scale invariant feature？transform. International Journal of Computer？Vision, 60(2), 91-110.
Park, H., Son, J.-H., Jung, H.-S., Kweon, K.-E., Lee,？K.-D., and Kim, T., 2020a. Development of the？precision image processing system for CAS-500.？Korean Journal of Remote Sensing, 36(5-2),？881-891. https://doi.org/10.7780/KJRS.2020.36.5.2.3

원문보기 상세보기
Park, S., Kim, Y., Na, S.-I., and Park, N.-W., 2020b.？Evaluation of spatio-temporal fusion models of？multi-sensor high-resolution satellite images for？crop monitoring: An experiment on the fusion？of Sentinel-2 and RapidEye images. Korean？Journal of Remote Sensing, 36(5-1), 807-821.？https://doi.org/10.7780/KJRS.2020.36.5.1.13

원문보기 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