孟幼青，翁海勇，岑海燕,*，李紅葉，何 勇

(1.浙江省植物保護(hù)檢疫局，浙江 杭州 310020； 2.浙江大學(xué) 生物系統(tǒng)工程與食品科學(xué)學(xué)院，浙江 杭州 310058； 3.農(nóng)業(yè)農(nóng)村部光譜檢測(cè)重點(diǎn)實(shí)驗(yàn)室，浙江 杭州310058； 4.浙江大學(xué) 農(nóng)業(yè)與生物技術(shù)學(xué)院，浙江 杭州 310058)

柑橘黃龍病(citrus Huanglongbing)由一種限于韌皮部?jī)?nèi)寄生的候選韌皮部桿菌(Candidatusliberibacterspp.)引起[1]，田間主要通過(guò)攜帶病菌的柑橘木虱(Asian citrus psyllid， ACP)取食進(jìn)行傳播，具有極強(qiáng)的傳染性，目前無(wú)徹底根治的辦法[2-3]。當(dāng)柑橘植株感染黃龍病時(shí)，首先會(huì)經(jīng)歷一段時(shí)間的潛伏期，在這期間，病原菌在宿主內(nèi)部增殖，并發(fā)展成為一個(gè)新傳染源。病原菌的侵染使柑橘葉片的韌皮部堵塞，新陳代謝紊亂，如淀粉的異常累積，最終造成宿主的生命力退化，呈現(xiàn)出果實(shí)著色不均勻，紅鼻子果及葉片斑駁黃化等癥狀[4-6]。目前，針對(duì)柑橘黃龍病的防控措施主要包括挖除病樹(shù)、消除傳染源和噴施農(nóng)藥，減少木虱種群數(shù)量，阻斷病害的傳播擴(kuò)散[7]。因此，及時(shí)診斷出染病植株并挖除，對(duì)于田間黃龍病疫情防控具有重要意義。

目前，對(duì)柑橘黃龍病的診斷方法主要通過(guò)經(jīng)驗(yàn)識(shí)別和聚合酶鏈?zhǔn)椒磻?yīng)(polymerase chain reaction，PCR)[8-9]?；诮?jīng)驗(yàn)知識(shí)的診斷方法存在主觀性大、準(zhǔn)確率低的問(wèn)題；而采用PCR技術(shù)雖然能得到高的識(shí)別率，但存在操作步驟繁瑣、耗時(shí)費(fèi)力的問(wèn)題。因此，尋找一種簡(jiǎn)便高效的柑橘黃龍病診斷方法迫在眉睫。近年來(lái)，光學(xué)技術(shù)在植物的生物脅迫和非生物脅迫檢測(cè)中表現(xiàn)出了極大的潛力[10-14]。翁海勇等[15]利用高光譜成像技術(shù)對(duì)柑橘潰瘍病進(jìn)行診斷，并實(shí)現(xiàn)了判別模型在不同儀器之間的傳遞，得到了86.2%的識(shí)別正確率。Cen等[16]利用葉綠素?zé)晒獬上窦夹g(shù)研究了柑橘黃龍病對(duì)宿主光合作用的影響，并用熒光參數(shù)來(lái)鑒別黃龍病，得到了97%的總體準(zhǔn)確率，但是需要對(duì)柑橘葉片進(jìn)行20 min暗適應(yīng)，以便獲取準(zhǔn)確的葉綠素?zé)晒庑盘?hào)，導(dǎo)致其檢測(cè)效率不高。梅慧蘭等[17]采集了感染黃龍病柑橘葉片的可見(jiàn)-近紅外(370～1 000 nm)高光譜圖像，利用全波長(zhǎng)光譜反射率建立了偏最小二乘判別分析(partial least square discriminant analysis，PLS-DA)模型，得到了96.4%的總體識(shí)別準(zhǔn)確率，對(duì)無(wú)明顯癥狀樣本的識(shí)別準(zhǔn)確率為94%。馬淏等[18]通過(guò)融合光譜和圖像特征，獲得了95.4%的平均識(shí)別正確率。劉燕德等[19]通過(guò)結(jié)合無(wú)信息變量消除法和連續(xù)投影法從256個(gè)高光譜變量中選擇了共線性最小的19個(gè)變量作為區(qū)分柑橘黃龍病的敏感波段，模型的識(shí)別率為100%。上述研究結(jié)果表明，基于高光譜成像技術(shù)對(duì)柑橘黃龍病的診斷可行性，識(shí)別效果大多針對(duì)顯癥的葉片，對(duì)潛伏期未顯癥的柑橘葉片的識(shí)別需要較多的光譜變量，并且普遍存在數(shù)據(jù)緯度較高的問(wèn)題，不利于便攜式儀器的開(kāi)發(fā)。由于處于潛伏期的染病植株充當(dāng)著黃龍病傳染源的角色，因此，及時(shí)診斷出潛伏期的染病植株并挖除對(duì)果園黃龍病疫情的防控具有重要意義。

鑒于上述研究對(duì)處于潛伏期的柑橘黃龍病研究較少。因此，本文以感染黃龍病未顯癥和健康的柑橘葉片為研究對(duì)象，首先獲取兩者的近紅外高光譜圖像，并比較兩者的近紅外光譜差異；分析潛伏期的宿主在糖代謝水平上對(duì)黃龍病病原菌侵染的響應(yīng)；最后篩選出最佳的敏感波段并構(gòu)建柑橘黃龍病判別模型，為田間黃龍病的高效普查提供參考。

1 材料與方法

1.1 實(shí)驗(yàn)樣本

于2017年12月11日從浙江臨海上百巖村的柑橘果園中選擇經(jīng)qPCR驗(yàn)證的健康和染病未顯癥的溫州蜜柑樹(shù)各3棵，選擇每棵柑橘植株上東南西北4個(gè)方位的樹(shù)梢，從每個(gè)方位剪下5條枝條，枝條的切口處立即用濕潤(rùn)的棉花包住，隨即將枝條裝進(jìn)自封袋，并放入保鮮盒，防止樹(shù)梢水分的散失。在高光譜圖像采集之前，分別從每個(gè)枝條上取下2片葉子，本次試驗(yàn)共收集240片(120片健康和120片感病未顯癥)作為研究對(duì)象。

1.2 近紅外高光譜圖像采集

為了獲取柑橘葉片的近紅外高光譜圖像，本次試驗(yàn)所采用的實(shí)驗(yàn)室高光譜成像系統(tǒng)主要包括分辨率為320×256 pixels的CCD相機(jī)(Xeva 992， Xenics Infrared Solutions， Leuven， Belgium)、波長(zhǎng)范圍為874～1733 nm、分辨率為3.36 nm光譜儀(ImSpector N17E; Spectral Imaging Ltd.， Oulu， Finland)、線光源(Fiber-Lite DC950， Dolan Jenner Industries Inc.， Boxborough， MA)、電控移動(dòng)平臺(tái)、暗箱和電腦。電控移動(dòng)平臺(tái)移動(dòng)速度為20 mm·s-1，工作距離為35 cm，曝光時(shí)間45 ms。高光譜圖像采集前，首先獲取暗電流和參考板的高光譜圖像數(shù)據(jù)，用于數(shù)據(jù)處理前對(duì)原始高光譜圖像的校正，校正公式為：

R=(Iraw-Idark)/(Iref-Idark)

(1)

式中：R為校正后的圖像；Iraw為原始圖像；Idark為暗電流圖像；Iref為參考板圖像。

1.3 實(shí)時(shí)熒光定量PCR分析和碳水化合物測(cè)量

為了確認(rèn)所采集葉片的健康狀態(tài)，在獲取高光譜圖像之后進(jìn)一步利用實(shí)時(shí)熒光定量PCR技術(shù)對(duì)葉片進(jìn)行鑒定。分別從每棵健康樹(shù)的每個(gè)方位各取2片葉片，病樹(shù)的每個(gè)方位各取6片(共96片)用于病原菌濃度測(cè)量。利用植物DNA提取試劑盒(Simgen， Hangzhou， China)提取葉脈的DNA。根據(jù)文獻(xiàn)提供的探針和引物序列合成試驗(yàn)所需的探針和引物(Tsingke， Hangzhou， China)[20]。反應(yīng)體系為20 μL，其中包括10 μL SYBR Premix Ex Taqman Ⅱ， 0.4 μL ROX Reference Dye(TaKaRa Biotech. Co， Dalian， China)，上下游引物(10 μmol·L-1)各0.5 μL，1 μL DNA模板(20 ng·μL-1)及7.6 μL ddH2O。在實(shí)時(shí)熒光定量核酸擴(kuò)增檢測(cè)系統(tǒng)(7300， Applied Biosystems， Foster， USA)中擴(kuò)增反應(yīng)程序設(shè)置為初始1個(gè)周期的95 ℃，30 s；95 ℃，5 s 和60 ℃，31 s，40個(gè)循環(huán)。

為了探索潛伏期柑橘宿主在糖代謝水平上對(duì)病原菌的響應(yīng)，本試驗(yàn)分別測(cè)量了未顯癥和健康柑橘葉片的淀粉、蔗糖、葡萄糖及果糖的含量。從每棵樹(shù)的每個(gè)方位取4片葉片(共96片)用于碳水化合物測(cè)量。利用打孔器從葉片的四周取下4個(gè)面積為36.3 mm2的小圓盤(pán)葉片組織，其中2個(gè)圓盤(pán)用于淀粉測(cè)定，另外2個(gè)圓盤(pán)用于可溶性糖測(cè)定。測(cè)量淀粉時(shí)，將葉片圓盤(pán)置于2 mL離心管中并加入1 mL 95%乙醇，24 h后，舍去上清液，烘干，去除葉綠素對(duì)淀粉含量測(cè)定的影響。經(jīng)研磨(160 s，60 Hz，2個(gè)周期)后，向離心管加入0.75 mL蒸餾水，沸水浴30 min。取200 μL的懸浮液(稀釋40倍)置于96孔板中，并加入15 μL 2%的碘液，待反應(yīng)20 min后，測(cè)定595 nm的吸光度值(Epoch2， BioTek Instruments， Inc， Vermont， USA)。最后根據(jù)大米淀粉(S-7260， Sigma， St. Louis， MO， USA)制作的標(biāo)準(zhǔn)曲線計(jì)算出淀粉濃度?？扇苄蕴菧y(cè)量時(shí)研磨參數(shù)與淀粉測(cè)量一致，沸水浴后，再經(jīng)10 000 r·min-1、1 min離心后，采用0.22 μm濾膜過(guò)濾上清液。取600 μL的稀釋液(稀釋40倍)用于蔗糖、葡萄糖和果糖測(cè)量，離子色譜儀(ICS3000， DIONEX， USA)的流動(dòng)相為200 mmol·L-1NaOH，流速設(shè)為1.0 mL·min-1。最后根據(jù)蔗糖、葡萄糖和果糖標(biāo)準(zhǔn)品(Sinopharm Chemical Reagent Co.， Ltd， Shanghai， China)制定的標(biāo)準(zhǔn)曲線計(jì)算出各自的濃度。

1.4 柑橘黃龍病檢測(cè)敏感波段選擇與建模方法

1.4.1 特征波段的選擇

將校正之后的近紅外高光譜圖像讀入計(jì)算機(jī)，把整個(gè)葉片視為感興趣區(qū)域(region of interest，ROI)，求出每個(gè)葉片在874～1 733 nm的平均光譜反射率。盡管高光譜圖像能夠提供豐富的有關(guān)柑橘葉片光譜信息，但是存在一些多余的信息。為了剔除無(wú)貢獻(xiàn)和冗余變量并篩選出與柑橘黃龍病最具有相關(guān)性的光譜特征，本研究選用Random Frog算法計(jì)算各個(gè)波段被選中用于柑橘黃龍病識(shí)別的概率。該算法是一種新型的特征選擇算法，通過(guò)少量變量的建模，輸出每個(gè)變量被選中的概率，概率越高，表明該波段越能反映病原菌對(duì)葉片組織光學(xué)特性的影響[21]。運(yùn)行過(guò)程主要包括以下3個(gè)步驟：1)初始化1個(gè)包含Q個(gè)變量的子集V0；2)在原始變量子集V0的基礎(chǔ)上，計(jì)算出1個(gè)包含Q*個(gè)變量的候選變量子集V*，接著選擇V*作為V1來(lái)代替原始的變量子集V0。迭代N次直到終止；3)輸出每個(gè)變量被選中的概率作為后續(xù)分析。

1.4.2 判別模型的建立

模型的性能直接影響著柑橘黃龍病的識(shí)別效果。本研究選擇Na?ve Bayes(NB)和linear discriminant analysis(LDA)兩種判別模型用于對(duì)柑橘黃龍病的識(shí)別，并比較兩者的識(shí)別效果。NB是一種基于概率統(tǒng)計(jì)知識(shí)進(jìn)行分類的算法[22]，假設(shè)每個(gè)特征之間相互獨(dú)立。主要思想是假設(shè)標(biāo)簽為C的樣本X包含了n個(gè)特征，即X=(x1，x2，…，xn)，根據(jù)貝葉斯理論，條件概率C為：

(2)

式中：p(C)，據(jù)訓(xùn)練模型算出的先驗(yàn)概率；p(X|C)/p(X)，測(cè)試過(guò)程中調(diào)整，使得p(X|C)近真實(shí)值。

LDA算法的思想則是將高維的樣本映射到一個(gè)低維空間，實(shí)現(xiàn)提取有用的分類信息并數(shù)據(jù)降維，同時(shí)保證映射到低維空間的樣本擁有最大的類間距離和最小的類內(nèi)距離，具有最佳的可分離性[23]。在分類過(guò)程中，把染病和健康葉片的標(biāo)簽分別設(shè)置成“1”和“2”，并采用Kennard-Stone(KS)算法將柑橘葉片按照2∶1的比例分成建模集和預(yù)測(cè)集[24]。

1.4.3 模型識(shí)別效果的評(píng)判標(biāo)準(zhǔn)及數(shù)據(jù)分析軟件

本研究采用單因素方差分析(one-way analysis of variance，ANOVA)來(lái)檢驗(yàn)黃龍病病原菌是否對(duì)宿主糖代謝有顯著的影響。模型對(duì)柑橘黃龍病的識(shí)別效果通過(guò)混淆矩陣來(lái)計(jì)算總體準(zhǔn)確率、漏檢率和誤判率，并作為評(píng)價(jià)標(biāo)準(zhǔn)。本次數(shù)據(jù)分析的軟件平臺(tái)為MATLAB R2014a(MathWorks， Inc.， Natick， MA， USA)和IBM SPSS Statistics(Version 20.0， IBM Corporation， Armonk， New York， USA)。

2 結(jié)果與分析

2.1 潛伏期柑橘RGB圖像及體內(nèi)病原菌濃度

柑橘?gòu)氖状胃腥军S龍病到癥狀的顯現(xiàn)會(huì)經(jīng)歷一段時(shí)間的潛伏期，在這期間，病原菌在宿主體內(nèi)遷移、增殖，種群數(shù)量得以擴(kuò)增，使其發(fā)展為新傳染源。因此，研究潛伏期柑橘葉片的糖代謝有助于了解潛伏期時(shí)植株對(duì)黃龍病的生理響應(yīng)。圖1-A展示了本實(shí)驗(yàn)采集的典型健康和潛伏期的柑橘葉片，但是無(wú)法根據(jù)肉眼進(jìn)行區(qū)分，因此，有必要采用qPCR技術(shù)測(cè)量2類葉片和對(duì)照組(ddH2O)的循環(huán)閾值(cycle threshold， Ct)，診斷所采集葉片的真實(shí)健康狀態(tài)。如圖1-B所示，對(duì)照組的Ct值為34.9±0.43，健康葉片的Ct值為34.0±0.23，兩者十分接近，可認(rèn)為所采集的健康葉片均為陰性。與對(duì)照組和健康組相比，染病葉片的Ct值為19.2±2.71，顯著低于對(duì)照組，診斷為陽(yáng)性。進(jìn)一步分析圖1-B可知，qPCR技術(shù)能夠有效地診斷出柑橘黃龍病，因此可作為光學(xué)檢測(cè)方法的參考標(biāo)準(zhǔn)。

數(shù)據(jù)以平均值±標(biāo)準(zhǔn)差表示，健康、染病及對(duì)照組葉片數(shù)量分別為24、72和5。柱子上無(wú)相同小寫(xiě)字母代表差異顯著(P<0.05)。Data were presented as mean± standard deviation for healthy (n=24) and asymptomatic HLB infected (n=72) leaves， as well as (n=5) for the control. Data on the bars marked without the same lowercase letter indicated significant differences at P<0.05.圖1 健康和未顯癥柑橘RGB照片和兩類樣本及對(duì)照組(蒸餾水)的Ct值Fig.1 RGB images of healthy and asymptomatic HLB infected leaves and their Ct values as well as control (ddH2O) measured by qPCR

2.2 潛伏期宿主對(duì)病原菌侵染的糖代謝響應(yīng)

分析潛伏期柑橘葉片的糖代謝變化，有助于了解宿主對(duì)病原菌的響應(yīng)。圖2顯示了未顯癥和健康柑橘葉片的淀粉、蔗糖、葡萄糖及果糖的含量。如圖2-A所示，處于潛伏期染病的柑橘葉片淀粉含量為(128.5±53.9) μg·mm-2，是健康葉片[(35.9±10.6) μg·mm-2]的3.58倍，這說(shuō)明淀粉相關(guān)代謝基因的表達(dá)在潛伏期時(shí)已經(jīng)遭受影響。前人研究表明，感染黃龍病后，淀粉合成酶(如AGPase)的活性會(huì)被上調(diào)，而淀粉水解酶(如α-amylase)的活性會(huì)被下調(diào)[25-26]，最終導(dǎo)致淀粉的異常累積。

蔗糖作為柑橘葉片葉綠體光合作用的主要產(chǎn)物，能通過(guò)韌皮部從源器官運(yùn)輸至庫(kù)器官。如圖2-B所示，染病葉片[(8.22±1.80) μg·mm-2]的蔗糖含量是健康葉片[(3.81±0.86) μg·mm-2]的2.16倍，說(shuō)明染病葉片蔗糖無(wú)法被有效地消耗和轉(zhuǎn)運(yùn)，表明韌皮部功能在未顯癥時(shí)已經(jīng)受損。進(jìn)一步分析己糖(葡萄糖和果糖)，染病葉片中的己糖含量同樣顯著高于健康葉片(圖2-C和2-D)，分別是健康葉片的3.41和1.70倍，說(shuō)明病原菌侵染會(huì)導(dǎo)致己糖無(wú)法被植物細(xì)胞充分利用，另一方面，逆轉(zhuǎn)錄酶的活性增加會(huì)促進(jìn)蔗糖水解成己糖，加劇了己糖的累積[27]?？傊幱跐摲谌静∥达@癥柑橘葉片中的淀粉、蔗糖、葡萄糖及果糖的異常累積，可間接作為柑橘感染黃龍病的一種標(biāo)志。

2.3 病原菌對(duì)光譜葉片近紅外光譜特性的影響

圖2結(jié)果表明，處于潛伏期染病未顯癥柑橘葉片中的碳水化合物(淀粉、蔗糖、葡萄糖及果糖)已經(jīng)出現(xiàn)異常累積，而近紅外區(qū)域的光譜特征能夠有效地反映出葉片內(nèi)部的生化組分變化。分析圖3所示的健康和未顯癥柑橘葉片的平均光譜曲線可知，染病葉片的近紅外光譜反射率大于健康葉片，其中，在940～1380 nm兩者的反射率差異大于其他區(qū)域，這與葉片中水分子O—H鍵的彎曲振動(dòng)及化學(xué)物質(zhì)C—H鍵的2級(jí)和3級(jí)倍頻伸縮振動(dòng)有關(guān)[28-29]。因此，可推測(cè)染病葉片的碳水化合物累積可能是導(dǎo)致這個(gè)波長(zhǎng)范圍內(nèi)的光譜特征變化的主要原因。病原菌侵染引發(fā)宿主葉片近紅外區(qū)域的光譜特征的變化，說(shuō)明光學(xué)技術(shù)具有檢測(cè)柑橘黃龍病的潛力。

2.4 敏感波段的篩選

為了能在潛伏期有效地識(shí)別出染病的柑橘植株，并簡(jiǎn)化數(shù)據(jù)緯度，優(yōu)化判別模型，需要從原始的256個(gè)變量中篩選出最佳數(shù)量的敏感波段。圖4顯示了基于Random Frog算法計(jì)算的各個(gè)波段被選中用于柑橘黃龍病識(shí)別的概率。可以看出，選中概率較高的波段大部分集中在940～1 380 nm，這與圖3的分析結(jié)果一致。合適的特征波段數(shù)量有利于減少數(shù)據(jù)緯度和簡(jiǎn)化模型，縮小后期硬件的開(kāi)發(fā)成本，因此，需要根據(jù)最終模型識(shí)別效果來(lái)設(shè)定最佳選中概率的閾值，以便獲取最適合的輸入變量。初步選擇選中概率為前10的敏感波段(1 015、1 331、1 065、1 334、1 022、951、1 146、1 028、1 524、1 126 nm)作為后續(xù)分析。

數(shù)據(jù)以平均值±標(biāo)準(zhǔn)差表示，健康、染病葉片的數(shù)量均為48。柱子上無(wú)相同小寫(xiě)字母代表差異顯著(P<0.05)。Data were presented as mean (n=48) ± standard deviation for each column. Data on the bars marked without the same lowercase letter indicated significant differences at P<0.05.圖2 健康和未顯癥柑橘葉片的淀粉、蔗糖、葡萄糖及果糖的含量Fig.2 Comparisons of carbohydrate metabolism (starch， glucose， fructose and sucrose) of healthy and asymptomatic HLB infected leaves

所示的曲線分別為健康和染病葉片的平均值(n=120)。Data were presented as mean (n=120) for each class.圖3 健康和未顯癥柑橘葉片的平均光譜曲線Fig.3 Mean spectra of healthy and HLB infected asymptomatic leaves

2.5 柑橘黃龍病的識(shí)別效果分析

圖5展示了不同輸入變量下Na?ve Bayes(NB)和linear discriminant analysis(LDA)判別模型對(duì)柑橘黃龍病的識(shí)別效果。隨著輸入變量的增加，2個(gè)判別模型的識(shí)別準(zhǔn)確率逐漸上升，說(shuō)明敏感波段的數(shù)量對(duì)柑橘黃龍病的識(shí)別至關(guān)重要。當(dāng)輸入變量數(shù)量≤5時(shí)，2個(gè)模型的識(shí)別效果相當(dāng)。但是，當(dāng)敏感波段數(shù)量增加至6個(gè)時(shí)，NB模型對(duì)潛伏期未顯癥柑橘黃龍病的總體識(shí)別準(zhǔn)確率為97.5%，明顯優(yōu)于LDA模型(92.5%)。隨著輸入變量的逐漸增加，NB模型的總體識(shí)別準(zhǔn)確率保持平穩(wěn)，說(shuō)明增加的敏感波段與前6個(gè)敏感波段的相關(guān)性較高，并沒(méi)有增加對(duì)樣本的描述性信息。相比之下，LDA模型的識(shí)別效果在敏感波段數(shù)量為9時(shí)達(dá)到最優(yōu)，為97.5%，LDA模型的輸入變量多于NB模型(6個(gè))。

圖4 各個(gè)波段被選中用于柑橘黃龍病識(shí)別的概率Fig.4 Selection probability of each wavelength for citrus HLB disease detection in asymptomatic period

圖5 不同輸入變量下Na?ve Bayes和linear discriminant analysis判別模型預(yù)測(cè)的效果Fig.5 Prediction performance of Na?ve Bayes and linear discriminant analysis based on different number of selected wavelengths

僅根據(jù)總體識(shí)別準(zhǔn)確率和輸入變量數(shù)量的多少評(píng)判NB和LDA模型的優(yōu)劣勢(shì)還不夠，需要進(jìn)一步分析2個(gè)判別模型對(duì)每一類樣本的識(shí)別效果。輸入變量數(shù)量為6(1 015、1 331、1 065、1 334、1 022、951 nm)時(shí)，NB模型可以正確識(shí)別所有染病葉片，模型的漏檢率為0，而2片健康柑橘葉片被誤判成染病葉片，NB模型的誤判率為4.1%。相比之下，輸入變量數(shù)量為9時(shí)(1 015、1 331、1 065、1 334、1 022、951、1 146、1 028、1 524 nm)，雖然LDA能夠達(dá)到和NB判別模型相同的總體識(shí)別準(zhǔn)確率，并且健康柑橘葉片能被100%正確識(shí)別，但是，有2片染病的葉片被漏檢成健康葉片，LDA模型的漏檢率為6.25%。通常情況下，判別模型擁有較低的漏檢率有助于提高對(duì)陽(yáng)性樣本(染病葉片)的檢出率，這對(duì)于防控黃龍病在果園的擴(kuò)散更具意義。鑒于NB判別模型所需更少的輸入變量和擁有更低漏檢率，其更適用于柑橘黃龍病的檢測(cè)。

3 結(jié)論

由于柑橘黃龍病因具有極強(qiáng)的傳染力，因此及時(shí)發(fā)現(xiàn)并挖除病樹(shù)對(duì)果園病害的防治具有重要意義。本研究結(jié)果表明，黃龍病病原菌的侵染導(dǎo)致宿主在未顯癥時(shí)期就出現(xiàn)了糖代謝異常，表現(xiàn)為感病葉片的淀粉、蔗糖、葡萄糖及果糖的大量累積，進(jìn)而引起葉片組織的光學(xué)特性發(fā)生變化，導(dǎo)致近紅外光譜的反射率大于健康葉片。利用Random Frog算法選擇的前6個(gè)敏感波段結(jié)合Na?ve Bayes(NB)判別模型能有效地實(shí)現(xiàn)對(duì)潛伏期柑橘黃龍病的檢測(cè)，模型的正確率為97.5%，對(duì)陽(yáng)性樣本的漏檢率為0，說(shuō)明應(yīng)用近紅外高光譜技術(shù)能夠?qū)崿F(xiàn)對(duì)未顯癥柑橘黃龍病的檢測(cè)。