循水而行：利用测光与机器学习在类地系外行星上寻找水、雪与云

地球上所有生命都需要水。NASA 循水而行的探索将水与宇宙中生命搜寻联系起来。诸如 JWST 以及 HabEx、LUVOIR 和 Origins 等任务概念被设计用于以光谱学表征岩质系外行星。然而，光谱学仍耗时密集，因此初始表征对于目标优先级排序至关重要。在此，我们将机器学习作为工具，基于 53,130 条具有 6 种主要表面的冷类地行星光谱，通过宽带滤光片反射测光通量评估以三种形式存在的水：海水、水云与雪。知名机器学习算法 XGBoost 在 S/N$\gtrsim 20$ 时检测雪或云存在的平衡准确率超过 90%，在 S/N $\gtrsim 30$ 时液态海水检测率达 70%。最后，我们用经马尔可夫链蒙特卡洛识别出的五种滤光片进行模拟贝叶斯分析以推导精确表面成分来检验反演可行性。结果表明，利用机器学习从宽带滤光片测光识别系外行星表面水，为不同形态水的初始表征提供了有前景的工具。规划中的小型与大型望远镜任务可利用此来辅助其耗时密集后续观测的目标优先级排序。