Use of the classification tree modeling to investigate the influence of crops on N2O and CH4 emissions released from the agricultural sector

• Autorzy: Kolasa-Więcek A.
• Języki publikacji: EN

Abstrakty

EN

Methane and nitrous oxide are key pollutants emitted from agriculture. Primarily the livestock production has a significant share in CH4 emissions. The N2O emissions largely correspond to direct emissions associated with the cultivation of soils. The priority task of agriculture is to develop adaptive solutions enabling the reduction of pollutions in the next years. These capabilities apply to both technological solutions on the farms, as well as improved methods of management and policy tools. Therefore complementary information to the knowledge in the field of the possibilities for reducing CH4 and N2O are extremely valuable. The study of predictions of N2O and CH4 emissions on the basis of different arable crops areas with the use of Flexible Bayesian Models of neural networks was carried out. The decision trees have been designed in order to provide the knowledge and methods that allow the rapid identification of the most important arable crops that affect the quantity of these emissions. On the basis of the conducted analysis, wheat, maize and potatoes in the case of N2O emission and wheat and maize in the case of CH4 emission are the most important differentiating variables.

Słowa kluczowe

EN

nitrous oxide; methane; crops; modeling; predicting; artificial neural network; classification tree

• Wydawca: Sieć Badawcza Łukasiewicz - Poznański Instytut Technologiczny
• Czasopismo: Journal of Research and Applications in Agricultural Engineering
• Rocznik: 2013
• Tom: Vol. 58, nr 1
• Strony: 102--106
• Opis fizyczny: Bibliogr. 30 poz., tab., wykr.

Twórcy

autor

Kolasa-Więcek A.

• Opole University of Technology, Faculty of Economy and Management, Department of Economics and Regional Research Waryńskiego 4, 45-047 Opole

Bibliografia

• [1] Bebkiewicz K., Cieślińska J., Dębski B., Jędrysiak P., Kanafa M., Kargulewicz I., Olecka A., Olendrzyński K., Rutkowski J., Sędziwa M., Skośkiewicz J., Sowińska K., Żaczek M.: Krajowy Raport Inwentaryzacyjny 2012, Inwentaryzacja gazów cieplarnianych dla lat 1988‐2010, KOBiZE, Warszawa, 2012.
• [2] Biecek P.: Na przełaj przez Data Mining; http://www.biecek.pl/R/naPrzelajPrzezDM.pdf, [accessed: 7.01.2013].
• [3] Burczyk P., Miatkowski Z., Turbiak J.: Wstępne rozpoznanie emisji N2O w wybranych siedliskach łąkowych w różnych regionach Polski, Woda-Środowisko-Obszary Wiejskie, 11, 4 (36): 57–67, 2011.
• [4] De’ath G., Fabricius K.E.: Classification and regression trees: a powerful yet simple, Ecology, 81(11): 3178–3192, 2000.
• [5] Feldesman M.R.: Classification Trees as an Alternative to Linear Discriminant Analysis, American Journal of Physical Anthropology, 2002, 119: 257–275.
• [6] Geherke J., Rmakrishnan R., Ganti V.: RainForest – A Framework for Fast Decision Tree Construction of Large Datasets, Data Mining and Knowledge Discovery, Kluwer Academic Publishers, 2000, 4: 127–162.
• [7] Gibbs M.J., Conneely D., Johnson D., Lasse K.R., Ulyatt M.J.: CH4 emissions from enteric fermentation, in IPCC, Background Papers: IPCC Expert Meetings on Good Practice Guidance and Uncertainty Management in National Greenhouse Gas Inventories. IPCC National Greenhouse Gas Inventories Programme, Technical Support Unit, 2002, 297–320.
• [8] Hand, D.J.: Construction and Assessment of Classification Rules. Chichester, England: JohnWiley & Sons, 1997.
• [9] Jun P., Gibbs M., Gaffney, K.: CH4 and N2O emissions from livestock manure in IPCC, Background Papers: IPCC Expert Meetings on Good Practice Guidance and Uncertainty Management in National Greenhouse Gas Inventories. IPCC National Greenhouse Gas Inventories Programme. Technical Support Unit, 2002, 321–338.
• [10] Kajungu D. K., Selemani M., Masanja I., Baraka A., Njozi M., Khatib R., Dodoo A., Binka F., Macq J., D’Alessandro U., Speybroeck N.: Using classification tree modelling to investigate drug prescription practices at health facilities in rural Tanzania, Malaria Journal, 2012, 11:311.
• [11] Kolasa-Więcek A.: Analiza zależności i siły związku między zużyciem nawozów azotowych a rodzajem upraw w Polsce, Journal of Research and Applications in Agricultural Engineering, 2011, 56(2): 87-89.
• [12] Koronacki J., Ćwik J.: Statystyczne systemy uczące się, WNT, 2005.
• [13] Kozłowski R.J, Weres J.: Komputerowe wspomaganie identyfikacji szkodników i chorób rzepaku ozimego, Inżynieria Rolnicza, 2007, 2(90): 109-117.
• [14] Marcinkowski T.: Emisja gazowych związków azotu z Rolnictwa, Woda-Środowisko-Obszary Wiejskie, 2010, 10, 3 (31): 175–189.
• [15] Monni S., Perälä P., Regina K.: Uncertainty in agricultural CH4 and N2O emissions from Finland – possibilities to increse accurancy in emission estimates, Mitigation and Adaptation Strategies for Global Change, 2007, 12, 4: 545-571.
• [16] Neal R.: Flexible Bayesian Models on Neural Networks, Gaussian Processes, and Mixtures v. 2004-11-10. University of Toronto, Toronto.
• [17] Olendrzyński K, Kargulewicz I, Skośkiewicz J, Dębski B, Cieślińska J, Olecka A, Kanafa M, Kania K, Sałek P. Krajowa inwentaryzacja emisji i pochłaniania gazów cieplarnianych za rok 2007. KASHUE, 2009.
• [18] Pasyniuk P.: Ograniczenie emisji gazów cieplarnianych przez zastąpienie oleju napędowego olejami roślinnymi, Problemy Inżynierii Rolniczej, 4: 79-89, 2010.
• [19] Pietrzak S., Sapek A., Onema O.: Ocena emisji podtlenku azotu (N2O) ze źródeł rolniczych w Polsce. Zeszyty Edukacyjne 8. IMUZ, 2002, 23–36.
• [20] Roszkowski A.: Technologie produkcji zwierzęcej a emisje gazów cieplarnianych, Problemy Inżynierii Rolniczej, 2: 83-97, 2011.
• [21] Sapek A., 2008. Emisja tlenków azotu (NOx) z gleb uprawnych i ekosystemów naturalnych do atmosfery. Woda Środowisko Obszary Wiejskie, 2008, 8, 1(22): 283–304.
• [22] Smith K., Bouwman L., Braatz B.: Good Practice Guidance and Uncertainty Management in National Greenhouse Gas Inventories N2O: Direct Emissions from Agricultural Soils, 361-380.
• [23] Strobl C. Malley J., Tutz G., An introduction to recursive partitioning: rationale, application, and characteristics of classification and regression trees, bagging, and random forests, Psychological Methods, 2009, 14(4): 323-48.
• [24] Velthof G.L, Oudendag D., Witzke H.P., Asman W.A.H., Klimont Z., Oenema O.: Integrated Assessment of Nitrogen Losses from Agriculture in EU-27 using MITERRAEUROPE, Journal of Environmental Quality, 2009, 38, 2: 402-417.
• [25] Wei-Yin L.: Improving the precision pf classification trees, The Annals of Applied Statistics, 2009, 3, 4: 1710–1737.
• [26] Wei-Yin L., Yu-Shan S.: Split Selection Methods for Classifcation Trees, Statistica Sinica, 1997, 7: 815-840.
• [27] Zaliwski A.: Emisja gazów cieplarnianych przez rolnictwo. Studia i Raporty, IUNG-PIB, 2007, 4: 35–46.
• [28] Zimroz R., Brzychczy E.: Zastosowanie drzew decyzyjnych do wspomagania rozpoznawania stanu technicznego wybranych elementów maszyn górniczych, Bezpieczeństwo Pracy i Ochrona Środowiska w Górnictwie, 2010, 9: 30-33.
• [29] FAO: http://faostat.fao.org/site/573/DesktopDefault.aspx? PageID=573#ancor, [accessed: 15.12.2012].
• [30] UNFCCC: http://unfccc.int/di/DetailedByGas/Event.do? event=go, [accessed: 15.12.2012]