Color classification of Earth-like planets with machine learning
Notice bibliographique
Résumé
ABSTRACT Atmospheric characterization of directly imaged exoplanets is currently limited to Giant planets and Mini-Neptunes. However, upcoming ground-based Extremely Large Telescopes (ELTs) and space-based concepts such as Origins, HabEx, and LUVOIR are designed to characterize rocky exoplanets. But spectroscopy of Earth-like planets is time-intensive even for upcoming telescopes; therefore, initial photometry has been discussed as a promising avenue to faster classify and prioritize exoplanets. Thus, in this article we explore whether photometric flux – using the standard Johnson filters – can identify the existence of surface-life by analysing a grid of 318 780 reflection spectra of nominal terrestrial planets with 1 Earth radius, 1 Earth mass, and modern Earth atmospheres for varying surface compositions and cloud coverage. Because different kinds of biota change the reflection spectra, we assess the sensitivity of our results to six diverse biota samples including vegetation, representative of modern Earth, a biofilm as a way for microbes to survive extreme environments, and UV radiation resistant biota. We test the performance of several supervised machine-learning algorithms in classifying planets with biota for different signal-to-noise ratios: Machine-learning methods can detect the existence of biota using only the photometric flux of Earth-like planets’ reflected light with a balanced accuracy between 50 per cent and up to 75 per cent. These results assess the possibility that photometric flux could be used to initially identify biota on Earth-like planets and the trade-off between two critical results when classifying biota: false-positive and false-negative rates. Our spectra library is available online and can easily be used to test different filter combinations for upcoming missions and mission designs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».