基于计算论证的芒属植物育种决策支持系统Miscanthus-AI开发与应用

这篇综述创新性地将计算论证（Computational Argumentation）与人工智能（AI）技术相结合，构建了芒草（Miscanthus）育种决策支持系统Miscanthus-AI。通过逻辑化建模育种专家的知识冲突与优先级，结合无人机（UAV）表型组学数据（如LiDAR三维重建），系统可生成可解释的育种目标排序及可视化基因型参考，为生物能源作物育种提供透明化决策框架。

　　

计算论证技术在植物育种中的创新应用

摘要

芒草（Miscanthus）作为C₄光合作用多年生草本植物，是极具潜力的净零生物能源作物。然而其育种过程涉及多目标冲突（如高产vs抗病性），传统决策缺乏透明化框架。研究团队开发了Miscanthus-AI系统，首次将计算论证（Computational Argumentation）这一基于逻辑的形式化推理方法引入植物育种领域，通过结构化论证解决证据冲突，并结合无人机（UAV）表型组学数据提供可视化决策支持。

计算论证方法论基础

抽象论证框架与ASPIC+模型

系统核心采用Dung抽象论证框架（AAF），将育种专家的观点建模为节点（如“威尔士潮湿气候下抗病性优先”），攻击关系则体现目标冲突（如高产论证攻击抗病论证）。通过计算可接受性语义（如grounded语义），系统输出无争议的论证集合。进一步采用ASPIC+框架实例化论证：知识库（KB）包含专家访谈提取的命题（如“株高与生物量强相关”），应用严格/可废止规则推导结论，并支持三种攻击类型——削弱前提、削弱规则或反驳结论。例如，林肯郡专家论证中，株高>2.5m作为高产证据的可信度可通过其他专家论证动态调整。

专家知识获取挑战

团队通过问卷和实地观察采集16位育种专家知识，但面临三大挑战：(1)仅3位专家掌握芒草特定场地知识；(2)自然语言回答需结构化处理为逻辑命题（如“早季高度预测产量”转为If-Then规则）；(3)论证偏好需量化（如“强烈相关”比“相关”权重更高）。最终构建的KB包含不同来源（专家/文献/ChatGPT）的论证，支持多源决策比较。

无人机表型组学技术整合

LiDAR点云与株高热图生成

采用大疆Matrice 300 RTK无人机搭载L1 LiDAR传感器，每月采集林肯郡试验田（80×180m，含7种基因型）三维点云。关键技术突破在于：(1)通过收割后基准扫描实现地形归一化，消除海拔差异干扰；(2)网格化处理（如0.5m×0.5m）计算平均高度，生成红-绿热图直观显示基因型差异（图6-8）。虽然YOLOv11模型实现了单株计数，但茎秆直径等精细性状仍需人工评分，体现当前自动表型技术的局限性。

“育种者之眼”的数字化延伸

研究发现，育种者依赖“总体印象”的定性评估难以量化。系统通过整合三维重建植株模型与论证结果（如优先选择株高2.4-3.1m基因型），将专家经验转化为可追溯的视觉-逻辑联合决策。例如，威尔士场地的抗病优先论证会关联高湿度区域的表型数据，而林肯高产论证则突出早季生长速率图像。

Miscanthus-AI系统原型

交互界面与多源论证对比

系统架构（图9）包含：(1)前端选择作物/场地/知识源（专家/文献/AI）；(2)论证引擎生成优先级列表（如Aberystwyth场地输出“抗病>产量>胁迫耐受”）；(3)可视化模块展示基因型热图与3D模型。图10对比显示：林肯专家侧重株高（目标2.8±0.3m），而Aberystwyth专家更关注气候适应性，论证差异反映区域育种策略分化。

未来方向

研究展望包括：(1)扩展论证库纳入用户反馈机制；(2)开发茎秆密度等新表型算法；(3)探索视觉特征本身作为论证要素。这项工作为作物育种提供了首个结合形式化逻辑与表型组学的可解释AI框架，其方法论可推广至其他经济作物育种决策场景。