We developed a Deep Convolutional Neural Network (CNN), used as a classifier, to estimate photometric redshifts and associated probability distribution functions (PDF) for galaxies in the Main Galaxy Sample of the Sloan Digital Sky Survey at z < 0.4. Our method exploits all the information present in the images without any feature extraction. The input data consist of 64x64 pixel ugriz images centered on the spectroscopic targets, plus the galactic reddening value on the line-of-sight. For training sets of 100k objects or more ($\geq$ 20% of the database), we reach a dispersion $σ_{MAD}$<0.01, significantly lower than the current best one obtained from another machine learning technique on the same sample. The bias is lower than 0.0001, independent of photometric redshift. The PDFs are shown to have very good predictive power. We also find that the CNN redshifts are unbiased with respect to galaxy inclination, and that $σ_{MAD}$ decreases with the signal-to-noise ratio (SNR), achieving values below 0.007 for SNR >100, as in the deep stacked region of Stripe 82. We argue that for most galaxies the precision is limited by the SNR of SDSS images rather than by the method. The success of this experiment at low redshift opens promising perspectives for upcoming surveys.
Photometric Cross-Calibration of the SDSS Stripe 82 Standard Stars catalogue with Gaia EDR3, and Comparison with Pan-STARRS1, DES, CFIS and GALEX catalogues
我们用2007年后的SDSS成像数据扩展了SDSS Stripe 82标准星表。这个改进的版本列出了近100万颗比r~22等亮的恒星的平均SDSS ugriz测光。每颗恒星的测量值增加了2- 3倍，随机误差比原始星表小1.4- 1.7倍，比单个SDSS运行小约3倍。在新星表中，u、g、r、i和z波段亮度分别超过20.0、21.0、21.0、20.5和19.0等的恒星的随机误差< 0.01等。我们通过使用盖亚早期数据发布3（EDR 3）Gmag测光来获得灰度测光零点校正，作为R.A.和December，用于SDSS目录，并使用Gaia BP-RP颜色来导出ugiz波段相对于r波段的校正。经Pan-STARRS 1、DES、CFIS和GALEX巡天测试的重新校准的测光质量表明，测光零点的空间变化<=0.01 mag（RMS），在R.A.的典型值为3-7毫等，而在十倍方向上为1-2毫等，除了在u波段中<6毫等的散射。我们还报告了一些小的测光问题与其他调查考虑在这里，包括一个依赖于星等的~0.01 mag之间的偏差16 < G_盖亚< 20在盖亚EDR 3。我们新的公开目录提供了低于1%水平的ugriz测光的强大校准，并将在Vera C的调试期间提供帮助。Rubin Observatory Legacy Survey of Space and Time的照片
Photometric recalibration of the SDSS Stripe 82 to a few milimagnitude precision with the stellar color regression method and Gaia EDR3
通过结合LAMOST DR 7、SDSS DR 12的光谱数据和Gaia EDR 3的校正光度数据，我们应用恒星颜色回归（SCR; Yuan et al. 2015 a）方法重新校准了Ivezić et al.（2007）的SDSS Stripe 82标准星表。在总共约30，000颗光谱目标恒星的情况下，我们绘制出了星表中存在的相对较大和强相关的光度零点误差，在$u$波段中$\sim$为2.5%，在$griz$波段中$\sim$为1%。我们的研究还证实了一些小的，但重要的幅度依赖性的错误，在$z$带的一些电荷耦合器件。各种测试表明，我们已经实现了在$u$频带中约5 mmag和在$griz$频带中约2 mmag的内部精度，这比以前的结果好约5倍。我们还将该方法应用于最新版本的星表（V4.2; Thanjavur et al. 2021），并发现沿着R. A的适度系统校准误差高达$\sim$ 1%。方向和较小的误差沿十二月方向。结果表明，SCR方法的功率时，结合光谱数据和盖亚光度测量在突破1%的精度障碍的地面光度测量。我们的工作为整个SDSS光度测量的重新校准铺平了道路，并对未来测量的校准具有重要意义。最后讨论了SCR方法在不同情况下的应用和改进。
Recalibration of SDSS photometric zero-points based on the InfraRed Flux Method temperature scale
Yunnan Astronomical Observatories, Chinese Academy of Sciences（中国科学院云南天文台）；Research School of Astronomy and Astrophysics, Australian National University（澳大利亚国立大学天体物理与天文研究学院）；International Centre of Supernovae, Yunnan Key Laboratory（超新星国际中心，云南省重点实验室）；University of Chinese Academy of Sciences（中国科学院大学）；Key Laboratory for the Structure and Evolution of Celestial Objects, Chinese Academy of Sciences（中国科学院天体结构与演化重点实验室）；National Astronomical Observatories, Chinese Academy of Sciences（中国科学院国家天文台）
