Follow the water: finding water, snow, and clouds on terrestrial exoplanets with photometry and machine learning
Notice bibliographique
Résumé
ABSTRACT All life on Earth needs water. NASA’s quest to follow the water links water to the search for life in the cosmos. Telescopes like the James Webb Space Telescope and mission concepts like HabEx, LUVOIR, and Origins are designed to characterize rocky exoplanets spectroscopically. However, spectroscopy remains time-intensive, and therefore, initial characterization is critical to prioritization of targets. Here, we study machine learning as a tool to assess water’s existence through broad-band filter reflected photometric flux on Earth-like exoplanets in three forms: seawater, water-clouds, and snow; based on 53 130 spectra of cold, Earth-like planets with six major surfaces. XGBoost, a well-known machine-learning algorithm, achieves over 90 per cent balanced accuracy in detecting the existence of snow or clouds for S/N ≳ 20, and 70 per cent for liquid seawater for S/N ≳ 30. Finally, we perform mock Bayesian analysis with Markov chain Monte Carlo with five filters identified to derive exact surface compositions to test for retrieval feasibility. The results show that the use of machine learning to identify water on the surface of exoplanets from broad-band filter photometry provides a promising initial characterization tool of water in different forms. Planned small and large telescope missions could use this to aid their prioritization of targets for time-intense follow-up observations.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 | 0,000 |
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 ».