A Machine Learning Barotropic Emulator

L'utilizzo di tecniche di machine learning (ML) in applicazioni che coinvolgono serie temporali sta diventando sempre più comune. Infatti queste tecniche stanno raggiungendo ottimi risultati in questo campo, in particolare nelle previsioni del tempo. Se queste rimpiazzeranno completamente le previsioni numeriche oppure no è una domanda a cui numerosi scienziati in tutto il mondo stanno cercando di rispondere. In questa tesi utilizzeremo una simulazione numerica di un semplice modello di atmosfera, costituito dall'equazione barotropica non-divergente, per investigare la predicibilità del sistema utilizzando tecniche di ML nell'ambito di un approccio "perfect model" dove utilizzeremo una simulazione come riferimento. In questo lavoro, saranno sviluppati quattro algoritmi diversi di machine learning per investigare la loro capacità di prevedere l'evoluzione del fluido rispetto alla simulazione di riferimento. I risultati mostrano che le tecniche di machine learning, in particolare quelle basate su Transformers, mostrano ottime capacità predittive. Machine Learning (ML) techniques are gaining popularity in time series forecasting tasks. Indeed they are achieving state-of-the-art performance in this field, in particular in climate and weather forecasting. Whether these techniques will completely replace numerical weather prediction or not is a question which many scientists are trying to answer nowadays. In this thesis we combine ML techniques with numerical models, by employing four different machine learning models to emulate a dataset made of the outputs of a non-divergent barotropic model. In particular, we will study the forecasting abilities of ML models over time in such a controlled system. The integration of physics-based models with machine learning algorithms embodies a multi-disciplinary approach currently known as Scientific Machine Learning.