Climate change impacts on agricultural production: a machine learning approach for Greece

Abstract

In the present thesis, we investigate the impacts of climate change on agricultural production. The first part is to acknowledge the consequences of climate change on environment and the problems that harm the agriculture sector. The goal is to understand the relationships between climate variables and agricultural Total Factor Productivity (TFP), which can be further used in predictive analysis to avoid possible disaster. Our approach focuses on linear models and machine learning techniques. We deploy linear regression, fixed effects, breakpoints regression, time series models, regression trees and boosted regression trees. In this way, we try to explain the variability of agricultural TFP, provide breakpoints analysis and determine threshold values of important variables. The applied models are checked for explainability, interpretability and predictive power, in order to evaluate which one is the most robust and effective, using well defined metrics. At last, we conclude to policy advices and technical suggestions for an applied use of our findings, along with possible future improvements.Στην παρούσα διπλωματική εργασία διερευνούμε τις επιπτώσεις της κλιματικής αλλαγής στη γεωργική παραγωγή. Το πρώτο μέρος εστιάζει στην ανάδειξη των συνεπειών της κλιματικής αλλαγής στο περιβάλλον και των προβλημάτων που πλήττουν τον αγροτικό τομέα. Στόχος είναι η κατανόηση των σχέσεων μεταξύ των κλιματικών μεταβλητών και της Συνολικής Παραγωγικότητας των Συντελεστών (Total Factor Productivity – TFP) στη γεωργία, οι οποίες μπορούν να αξιοποιηθούν περαιτέρω σε προβλεπτικές αναλύσεις με σκοπό την αποφυγή πιθανών καταστροφών. Η μεθοδολογική προσέγγιση βασίζεται τόσο σε γραμμικά υποδείγματα όσο και σε τεχνικές μηχανικής μάθησης. Εφαρμόζουμε γραμμική παλινδρόμηση, υποδείγματα σταθερών επιδράσεων, παλινδρόμηση με σημεία καμπής (breakpoints regression), υποδείγματα χρονοσειρών, δέντρα παλινδρόμησης και ενισχυμένα δέντρα παλινδρόμησης (boosted regression trees). Με αυτόν τον τρόπο επιδιώκουμε να ερμηνεύσουμε τη μεταβλητότητα της γεωργικής TFP, να πραγματοποιήσουμε ανάλυση σημείων καμπής και να προσδιορίσουμε κατώφλια κρίσιμων μεταβλητών. Τα εφαρμοζόμενα υποδείγματα αξιολογούνται ως προς την επεξηγησιμότητα, την ερμηνευσιμότητα και την προβλεπτική τους ικανότητα, προκειμένου να εκτιμηθεί ποιο είναι το πιο ανθεκτικό και αποτελεσματικό, βάσει σαφώς ορισμένων μετρικών. Τέλος, καταλήγουμε σε προτάσεις πολιτικής και τεχνικές συστάσεις για την πρακτική αξιοποίηση των ευρημάτων μας, καθώς και σε πιθανές κατευθύνσεις για μελλοντικές βελτιώσεις.