Recursive Partitioning application in the assessment of the climatic conditions impact of non- CO2 GHGs on agricultural emissions

Agricultural practices contribute to emissions of the greenhouse gases (GHGs) such a methan (CH4) and nitrous oxide (N2O). Their estimated share from agricultural sources is assessed at around 50% of CH4 and 60% of N2O emissions. The efforts made by the agricultural sector aim to limit and reduce emissions. Due to their significant share, all the complementary knowledge information concerning their reduction are highly precious. The paper proposes the use of neural modeling techniques and the summary of results by modeling based on a decision tree (Recursive Partitioning) to estimate the levels of methane and nitrous oxide emissions from agriculture under varying weather conditions in Poland. The obtained results support the hypothesis that neural model describing the effect of meteorological conditions on the CH4and N2O emissions is an appropriate tool for the assessment of the projected emission level.

Praktyki rolnicze przyczyniają się do emisji gazów cieplarnianych (GGC), takich jak metan (CH4) i podtlenku azotu (N2O). Ich szacunkowy udział ze źródeł rolniczych oceniany jest na około 50% emisji CH4 i 60% emisji N2O. Wysiłki podejmowane przez sektor rolny mają na celu ograniczenie i redukcję ich emisji. Ze względu na ich znaczący udział, wszelkie informacje dopełniające wiedzę na temat możliwości ich redukcji są niezwykle cenne. W pracy zaproponowano wykorzystanie technik neuronowego modelowania oraz posumowania wyników z wykorzystaniem modelowania w oparciu o drzewo decyzyjne (Recursive Partitioning) do estymacji poziomu metanu i podtlenku azotu emitowanych z rolnictwa przy zmiennych warunkach meteorologicznych w Polsce. Uzyskane wyniki badań potwierdzają hipotezę, że model neuronowy, opisujący wpływ warunków meteorologicznych na emisję CH4 i N2O, jest właściwym instrumentem dla dokonania oceny prognozowania poziomu tej emisji.