2018年发布的盖亚DR 2目录提供了关于10亿多颗恒星的信息，包括它们不受大气影响的极其精确的位置，以及G、RP和BP通带中的星等。这些信息为地基天体测量的改进提供了巨大的潜力。基于Gaia DR 2，提出了一种简便的差色折射率（DCR）标定方法。这种方法只需要通过选定的滤波器对几十颗恒星进行观测。将该方法应用于云南天文台1米和2.4米望远镜不同滤波器的观测数据处理，结果表明，DCR改正后的观测位置与计算位置之间的残差（O-C）的平均值明显减小。对于我们通过N（零）滤波器进行的观测，暴露良好的恒星（约15 G等）的平均值（O-C）的中位数从19 mas降至3 mas，从而实现更好的精度，即平均值（O-C）。另一个相关的问题是当读出CCD帧时由差的电荷转移效率（CTE）引起的系统误差。这种系统误差对云南天文台1米望远镜的某些观测结果是很重要的。使用S形函数来拟合和校正平均值（O-C），可以消除高达30 mas的系统误差。
英文摘要：
The Gaia DR2 catalog released in 2018 gives information about more than one billion stars, including their extremely precise positions that are not affected by the atmosphere, as well as the magnitudes in the G, RP, and BP passbands. This information provides great potential for the improvement of the ground-based astrometry. Based on Gaia DR2, we present a convenient method to calibrate the differential color refraction (DCR). This method only requires observations with dozens of stars taken through a selected filter. Applying this method to the reduction of observations captured through different filters by the 1-m and 2.4-m telescopes at Yunnan Observatory, the results show that the mean of the residuals between observed and computed positions (O-C) after DCR correction is significantly reduced. For our observations taken through an N (null) filter, the median of the mean (O-C) for well-exposed stars (about 15 G-mag) decreases from 19 mas to 3 mas, thus achieving better accuracy, i.e. mean (O-C). Another issue correlated is a systematic error caused by the poor charge transfer efficiency (CTE) when a CCD frame is read out. This systematic error is significant for some of the observations captured by the 1-m telescope at Yunnan Observatory. Using a sigmoidal function to fit and correct the mean (O-C), a systematic error up to 30 mas can be eliminated.
Correction to the photometric colors of the Gaia Data Release 2 with the stellar color regression method
第二次盖亚数据发布（DR 2）提供了整个天空的精确和均匀的测光数据，达到了G，GRP和GBP通带前所未有的毫量级（mmag）水平。然而，在10 mmag水平上存在的星等依赖系统效应限制了其在科学开发中的力量。在这项工作中，使用大约50万颗与LAMOST DR 5相同的恒星，我们应用基于光谱的恒星颜色回归方法来校准Gaia G-GRP和GBP-GRP的颜色。以前所未有的精度约1毫等，系统的趋势与G星等揭示了两种颜色的非常详细，反映了仪器配置的变化。对GBP-GRP和亮度大于G~11.5等的恒星，发现了颜色依赖的趋势，刻度一般可达20 mmag，变化范围为几mmag/mag，给出了Gaia DR 2的修正色图，并简要讨论了一些应用。
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。
Conversion of Tycho-2 to Johnson-Cousins Magnitudes in the Gaia Era
我们利用Gaia Data Release 2中的精确视差数据以及机器学习来开发一组将Tycho-2（VT，BT）星等转换为Johnson-Brachins（J-C）系统的方程。从558颗视星等高于11.0的标准星的数据开始，我们采用了一步监督学习与权重衰减正则化和10倍交叉验证来产生一组从Tycho-2到J-C的转换方程，这些方程反过来又用于推导Tycho-2标准差到J-C系统的转换。聚合的交叉验证数据集和来自最终训练的样本内结果基本上是无偏的（B和V中的平均误差<< 1毫微克），并且具有与输入数据相当的误差标准偏差。样本内和样本外的误差比较表明，适度的泛化误差增长。此外，测试的归一化误差的分布表明，预测的标准偏差是准确的，使他们能够可靠地采用比较明星候选人的适合性排名。因此，这些结果使利用的250万颗恒星Tycho-2数据集的相当大的一部分作为比较明星的双色亮星合奏光度。
