La agricultura representa un gran porcentaje de las emisiones de óxido nitroso, principalmente debido a la aplicación incorrecta de fertilizantes a base de nitrógeno, lo que lleva a un aumento en la huella de gases de efecto invernadero (GEI). Estas emisiones son de naturaleza directa, liberadas directamente a la atmósfera a través de la nitrificación y la desnitrificación, o de naturaleza indirecta, principalmente a través de la lixiviación de nitratos, escorrentía y procesos de volatilización. Las emisiones se atribuyen en gran medida al sector agrícola, que representa una amenaza para la sostenibilidad y la producción de alimentos, como consecuencia de la contribución radical al cambio climático. En este sentido, es crucial desvelar la relación entre el uso global de fertilizantes sintéticos de nitrógeno y las emisiones. Con este fin, trabajamos en un conjunto de datos extraído de un estudio reciente, que estima las emisiones directas e indirectas según cada país, siguiendo las directrices del Panel Intergubernamental sobre Cambio Climático (IPCC). Las herramientas de aprendizaje automático se consideran grandes técnicas explicativas al abordar problemas de calidad del aire. Por lo tanto, nuestro trabajo se centra en enfoques basados en la regresión de expectiles (ER) para predecir las emisiones en función del uso de fertilizantes. A diferencia de la regresión lineal clásica (LR), este método permite la heterocedasticidad y omite una especificación paramétrica de la distribución subyacente. La ER proporciona una imagen completa de la distribución de la variable objetivo, especialmente cuando los extremos son de interés, o al tratar con distribuciones de colas pesadas. En este trabajo, aplicamos la regresión de expectiles y el estimador de regresión de expectiles por kernel (KERE) para predecir las emisiones directas e indirectas. Los resultados destacan tanto la flexibilidad como la competitividad de las técnicas basadas en ER en comparación con los enfoques de regresión de vanguardia.