地图是国家版图的主要表现形式，其规范性表达直接关系到国家主权与领土完整。然而，现有R语言制图程序包多基于国际地理数据集，在中国版图的完整表达、符号样式控制与投影参数设置等方面存在一定局限，难以满足科研制图的合规性要求。针对上述问题，“ggmapcn”程序包基于“ggplot2”图形语法框架构建，整合国家地理信息公共服务平台的行政区划数据，采用分层可视化架构实现中国和世界地图的合规绘制，并支持灵活的投影变换以及矢量与栅格数据的集成表达功能。本文系统介绍了“ggmapcn”包的功能架构与使用方法，并通过典型操作示例展示了其在制作符合国家规定的专题地图中的实际应用。结果表明，该程序包能够在R环境中实现符合中国和世界各国国界线画法标准的地图输出，为R语言空间制图工具体系提供了补充。最后，本文结合现有功能特点，对“ggmapcn”包未来的功能完善与应用拓展提出了展望。

植物物候是生态系统响应全球气候变化的关键指示器。尽管自动成像技术能够获取海量的时序物候图像数据，但物候期的自动识别技术仍然是该领域发展的关键技术瓶颈。为解决这一问题，本研究旨在探索基于深度学习的目标检测方法，以实现对植物关键物候期的高频、自动化识别。本研究以神农架常绿阔叶混交林优势种之一的粉白杜鹃(Rhododendron hypoglaucum)为研究对象，基于2022-2025年定点自动采集的4624张物候图像，利用目标检测领域的3种代表性算法Faster R-CNN、YOLOv11和RT-DETR，分别构建物候期自动识别模型，通过对比研究筛选最优模型。结果表明，三种算法均能够识别花芽、叶芽、新叶、花、果实和黄叶等6类物候特定器官特征与数量。其中，YOLOv11 模型表现最佳，其精度为0.785、召回率为0.745，mAP50和mAP50-95分别为0.788和0.501。基于该最优模型的识别结果，我们成功实现了对粉白杜鹃花芽生长、叶芽生长、开花、新叶、果实发育与黄叶持续时间的自动判定，判定结果与人工目视解译结果高度一致。本研究证实了基于深度学习的目标检测方法在长时序植物物候原位观测中的有效性，能够可靠地获取物候关键特征与数量信息，为植物个体物候的高频、精细化、自动识别提供了一种新方法。未来，通过多目标协同监测与模型优化，有望进一步提升该方法的适用性与鲁棒性。

【目的】本研究旨在构建一套基于大语言模型(LLMs)的植物性状自动提取方法框架，并系统评估模型类型、提示词设计及参数设置对任务性能的影响。【方法】以《中国植物志》为数据来源，构建包含27,922条人工标注记录的标准化评测数据集，设计统一的数据预处理流程与系统化提示词模板。在此基础上，选取DeepSeek-V3与DeepSeek-R1-0528-Qwen3-8B两类模型，结合不同温度参数及是否使用系统化提示词构建三因素实验设计，在植物生长型与生命周期识别任务中进行多轮重复实验。采用缺失率、幻觉率、准确率、精确率、召回率、特异性、F1分数及AUC值进行综合评价，并通过方差分析检验各因素及其交互作用的显著性。【主要结果】研究表明，不同模型在参数敏感性与错误类型控制上存在差异，其中DeepSeek-V3整体表现更稳定，DeepSeek-R1-0528-Qwen3-8B则对系统化提示词更加敏感；低温度设置总体有助于降低幻觉率和输出不稳定风险，而较高温度(0.6)在部分场景下可能提高召回能力；系统化提示词显著降低模型输出的缺失率和幻觉率，提高了输出完整性与类别合法性，并在部分任务和指标上改善了分类性能。相较于单一模型性能比较，参数配置与提示策略对大语言模型在植物学文本解析任务中的实际可用性具有更关键影响。本研究构建的方法框架可为生物多样性信息自动化提取提供可复用的技术路径。