Szacowanie wielkości emisji CH4 produkcji zwierząt gospodarskich w Polsce z wykorzystaniem sieci neuronowej

• Autorzy: Kolasa-Więcek A.

Warianty tytułu

EN

Estimating emissions of CH4 from the manufacture of livestock in Poland using neural networks

• Języki publikacji: PL

Abstrakty

PL

Celem podjętych i przeprowadzonych badań była predykacja wielkości emisji CH4 z sektora rolniczego w Polsce na podstawie wielkości produkcji zwierząt gospodarskich. Prognozy prowadzono z wykorzystaniem sieci Flexible Bayesian Models. Poziom istotności analizowanych parametrów rozpatrzono w oparciu o testy Kendalla i Spearmana.

EN

The aim of the study was the prediction of CH4 emissions from the agricultural sector in Poland on the basis of livestock production. Projections were carried out using the Bayesian Flexible Models network. The level of significance of the analyzed parameters were considered based on the Kendall and Spearman tests.

Słowa kluczowe

PL

metan; gazy cieplarniane; sieci neuronowe; Flexible Bayesian Models; prognozowanie; R-project

• Wydawca: Wyższa Szkoła Menadżerska
• Czasopismo: Postępy Techniki Przetwórstwa Spożywczego
• Rocznik: 2011
• Tom: nr 1
• Strony: 117--120
• Opis fizyczny: Bibliogr. 13 poz., rys., tab.

Twórcy

autor

Kolasa-Więcek A.

• Katedra Ekonomii i Badań Regionalnych Wydział Zarządzania, Politechnika Opolska,

Bibliografia

• [1] COMPASSION IN WORLD FARMING. 2006. Global Warming: climate change and farm Animal welfare. ISBN 978-83-61608-12-7, Surrey. www.ciwf.org.uk/includes/ documents/cm_docs/2008/g/global_warning_summary. pdf
• [2] GLOBALNE OSTRZEŻENIE: ZMIANY KLIMATYCZNE A DOBROSTAN ZWIERZĄT HODOLANYCH. 2009. Raport stowarzyszenia Compassion in World Farming. Przełożył Jerzy Paweł Listwan, Klub Gaja, ISBN 978-83-61608- 12-7.
• [3] GŁÓWNY URZĄD STATYSTYCZNY. 2011. www.stat.gov.pl.
• [4] JARVIS S. C., PAIN B. F. Greenhouse Gas Emissions from Intensive livestock Systems: Their Estimation and Technologies for Reduction. Climatic Change, vol. 17, no 1, 27-38. http://www.springerlink.com/content/n01t- 53vj465g2l71/fulltext.pdf
• [5] KLIMONT Z., BRINK C., 2004, Modelling of Emissions of Air Pollutants and Greenhouse Gases from Agricultural Sources in Europe. Interim Report IR-04-048, International Institute for Applied Systems Analysis, Laxenburg.
• [6] LI CH., FROLKING S., XIAO X., MOORE III B., BOLES S., QIU J., HUANG Y., SALAS W., SASS R., 2005. Modeling impacts of farming management alternatives on CO2, CH4, and N2O emissions: A case study for water management of rice agriculture of China. Global Biogeochemical Cycles, vol. 19, GB3010, 10 PP., doi:10.1029/2004GB002341.
• [7] NEAL R; 1996. Bayesian Learning for Neural Networks. Springer-Verlag, New York, ISBN 0387947248.
• [8] PATHAK H., LI C., WASSMANN R. 2005. Greenhouse gas emissions from Indian rice fi elds: calibration and upscaling using the DNDC model. Biogeosciences, 2, 113-123.
• [9] POLITYKA KLIMATYCZNA POLSKI. 2003. Strategie redukcji emisji gazów cieplarnianych w Polsce do roku 2020. Ministerstwo Środowiska, Warszawa.
• [10] ROCZNIK STATYSTYCZNY. 2009. ISSN 0867-3217, Ochrona Środowiska, Informacje i opracowania statystyczne. GUS Warszawa,
• [11] SHIH J.-S., BURTRAW D., PALMER K., SIIKAMAKI J. 2008. Air Emissions of Ammonia and Methane from Livestock Operations: Valuation and Policy Options. Air & Waste Management Association, ISSN:1047- 3289, Washington.
• [12] SMITH P., BERTAGLIA M., 2007. Greenhouse gas mitigation in agriculture. Encyclopedia of Earth, Cutler J. Cleveland, Washington. www.eoearth.org/article/ Greenhouse_gas_mitigation_in_agriculture.
• [13] STEINFELD, H.; GERBER, P., WASSENAAR, T. ET AL. 2006. Livestock Long Shadow Ennvironmental Issues and Options. Food and Agriculture Orgaznization of the United Nations, ISBN 978-92-5-105571-7, Rome.