Analiza składowych głównych w ocenie zależności sposobu użytkowania gruntów z emisją gazów cieplarnianych z rolnictwa

W badaniach wykorzystano metodę analizy składowych głównych w celu wyodrębnienia istotnie skorelowanych zmiennych powiązanych z emisją głównych gazów cieplarnianych z rolnictwa względem sposobu użytkowania gruntów. Metoda daje sposobność zastąpienia wejściowego zbioru skorelowanych cech poprzez niewielką liczbę nieskorelowanych składowych głównych, które stanowią liniowe kombinacje zmiennych. Minimalizacja liczby zmiennych potrzebnych do wyjaśnienia danej zmiennej upraszcza interpretację wyników. Badania przeprowadzono z wykorzystaniem programu Statistica 9.0. Wyodrębniono dwie składowe główne, które w 96% wyjaśniają zmienności danych wejściowych. Pierwsza główna składowa wyjaśnia 75% zmienności zawartych głównie w zmiennych grunty orne wraz ze stałą powierzchnią upraw i pastwiska oraz ujemnie skorelowanych zmiennych tj. inne grunty rolne, powierzchnia lasów a także ilość maszyn rolniczych. Druga składowa wyjaśnia 21% zmienności danych poprzez zmienną ilość zużytej w gospodarstwach rolnych energii.

A method of principal components analysis was used in the research in order to separate significantly correlated variables related to emission of greenhouse gases from agriculture towards a method of using lands. The method gives opportunity to replace an input set of correlated features through a low number of non-correlated principal components, which constitute linear rearrangement of variables. Minimisation of the number of variables required to explain a particular variable simplifies interpretation of results. The research was carried out with the use of Statistica 9.0 programme. Two main components were separated, which in 96% explain variations of input data. The first main component explains 75% of variations included mainly in variables arable lands along with a constant surface area of crops and grazing lands as well as negatively correlated variables that is other arable lands, surface area of forests and number of agricultural machinery. The second component explains 21% of variations of data through a variable number of energy used in agricultural farms.