叶绿素荧光成像技术下的柑橘黄龙病快速诊断

翁海勇，何城城，许金钗，刘 浪，青家兴，万 亮，叶大鹏※

（1. 福建农林大学机电工程学院，福州 350002；2. 现代农业装备福建省高校工程研究中心，福州 310002；3. 浙江大学生物系统工程与食品科学学院，杭州 310058）

0 引 言

柑橘黄龙病（Huanglongbing, HLB）是由一种仅限于韧皮部内寄生的候选韧皮部杆菌（CandidatusLiberibacter spp.）引起的细菌性病害，主要通过亚洲木虱或非洲木虱在田间传播，具有极强的传染力[1]。柑橘植株感染黄龙病后，一般经历从几个月到几年不等的潜伏期之后才会显现典型的黄龙病症状，如斑驳黄化和红鼻子果[2]。然而在潜伏期时，病原菌已经在寄主树体内增殖，而染病树会发展成新的传染源，进而引发黄龙病在果园中的扩散。通常柑橘黄龙病菌侵染会扰乱柑橘叶片正常的糖代谢功能，导致叶片的淀粉和可溶性糖含量异常累积[3-4]。Albrecht等[5]研究发现，柑橘黄龙病病原菌会影响宿主碳水化合物代谢相关基因表达，其中涉及淀粉合成的酶（AGPase）的基因表达量被上调，然而与淀粉分解酶（β-淀粉酶）相关基因的表达则被抑制。柑橘黄龙病目前尚不能被有效根治，常用控制的策略主要包括挖除感染黄龙病树体、减少果园木虱数量和及时喷洒农药等措施[6]。因此，及时、快速和准确诊断感染黄龙病柑橘树体，对果园疫情防控具有重要的意义。

目前，柑橘黄龙病诊断的方法主要包括人工经验法和聚合酶链式反应（Polymerase Chain Reaction, PCR）。由于人工经经验判断的方法主观性强，检测的准确率仅为59%左右[7]，而PCR技术虽然准确率高，但也存在检测效率低，成本高，以及对操作人员的专业水平要求高等缺点。光学成像技术作为一种先进的植物病害检测方法，具有快速、操作简单、无损等优点，在植物病害高通量检测中具有重要的应用前景。Hawkins等[8]采用傅里叶红外衰减全反射光谱仪采集了干燥柑橘叶片粉末信号，对染病叶片的识别正确率为95%。Weng等[9]采集健康和黄龙病叶片的可见/近红外高光谱反射图像，识别的正确率为92.6%。刘燕德等[10]利用高光谱成像技术结合机器学习算法，实现了柑橘叶片黄龙病准确率为94.4%的诊断。梅慧兰等[11]分析了 4种不同病状柑橘叶片高光谱反射图像并比较了不同数据预处理方法，结果表明，经平滑滤波（Savitzky Golay, SG）或一阶微分预处理后模型得到了96.4%的判别准确率。Deng等[12]利用无人机遥感高光谱成像技术分析了黄龙病病原菌对叶片光反射能力的影响，并采用支持向量机实现了柑橘黄龙病的快速诊断。Sankaran等[13]利用手持式荧光仪采集了健康和染病显症柑橘叶片的稳态荧光信号，利用决策树算法获得了97%的识别正确率，但对未显黄龙病症柑橘叶片的识别正确率仅为48.2%。Cen等[14]采用叶绿素荧光成像技术检测柑橘黄龙病，总体正确率为 97%。尽管上述研究获得了较好地识别效果，但仅针对的是显现黄龙病症柑橘叶片的识别。由于柑橘黄龙病致病性复杂，因此有必要从光吸收水平上探究病原菌对宿主光合作用过程中光能吸收、分配和利用的影响。

因此，本研究以感染黄龙病不同程度的柑橘叶片为研究对象，比较健康和染病叶片叶绿素荧光参数以及碳水化合物含量的差异，分析病原菌对宿主光能吸收和分配的影响及碳水化合物含量和叶绿素荧光参数关系，建立基于叶绿素荧光成像技术的柑橘黄龙病诊断模型，从而为实现柑橘黄龙病的快速诊断提供理论知识和技术支持。

1 材料与方法

1.1 试验样本

为探究感染黄龙病不同程度的柑橘叶片对病原菌在光合作用水平上的响应差异，以及建立柑橘黄龙病判别模型，本试验于2016年8月从浙江临海前岙村柑橘园中选择经实时荧光定量多聚核苷酸链式反应（Real-time Quantitative Polymerase Chain Reaction, qPCR）鉴定过的健康和染病植株各3株，并于同年的11月再次采集已经标记过树体的叶片。采样时，从每棵植株的东南西北 4个方位分别剪下 3条枝条，并立即用蘸水的棉花包住枝条的切口，装入自封袋后放入保鲜盒，减缓枝条上的水分散失。在采集叶绿素荧光图像之前，再从枝条下取下叶片。本次试验共收集了480片柑橘叶片（240片健康和240片染病）作为研究对象。其中，染病的柑橘叶片在7月和8月份均没有症状，9月到11月份叶片的斑驳黄化症状逐渐明显。

1.2 叶绿素荧光图像采集

本研究利用叶绿素荧光成像技术分析宿主在光合作用水平上对病原菌的响应。本次试验所采用的叶绿素荧光成像系统（FluorCam, Photon Systems Instruments, Brno,Czech Republic）主要包括分辨率为696×520 像素的CCD相机、焦距6 mm的镜头（VS Technology, Tokyo, Japan）、测量光和光化光1（620 nm），在距离光源20 cm位置，可均匀提供 0～306μmol/(m2·s)光强、饱和光（＞8 000 K），可提供 0～4 053μmol/(m2·s)光强、高度可调节的样品台、暗箱。叶绿素荧光图像采集前，首先对柑橘叶片进行25 min暗适应，以便使光合器官回到初始状态，确保能准确地测量到叶片的原初光化学反应。光化光的强度设置与果园中平均光照强度相当，约为100μmol/(m2·s)，饱和光强度则为1 500μmol/(m2·s)。本试验所用的柑橘叶绿素荧光测量程序由 PSI公司提供（https://fluorcams.psi.cz/）。图 1显示了本试验所用的柑橘叶绿素荧光测量程序，除了暗适应（t=5.56 s）和稳态时刻（Lss，t=92.24 s）分别施加1个饱和光外，在光适应过程中的L1时刻（t=32.24 s）、L2时刻（t=42.24 s）、L3时刻（t=52.24 s）和L4时刻（t= 72.24 s）和暗弛豫过程中D1时刻（t=122.24 s）、D2时刻（t=152.24 s）和D3时刻（t=182.24 s）也分别施加了1个饱和光，饱和光的施加时间点如图1所示。

图1 叶绿素荧光测量程序Fig.1 Measurement procedure of chlorophyll fluorescence

1.3 叶片碳水化合物含量和实时荧光定量聚合酶链式反应（PCR）分析

本试验选择美国戴安公司的离子色谱仪进行叶片可溶性糖含量的测量。色谱柱为Dionex CarboPACTM PA1分析柱（4 mm×250 mm）和（4 mm×50 mm）保护柱，柱温保持30 ℃；淋洗液选择流速为1.0 mL/min的NaOH，浓度为200 mmol/L；注入体积为10μL；检测模式为电化学检测。参考电极选择Ag/AgCl；最后通过标准曲线来计算叶片中葡萄糖、果糖和蔗糖的含量。淀粉的含量则采用碘-淀粉显色法。利用打孔器采集叶片对角4片面积为36.29 mm2的叶片小圆盘，去除叶绿素后，磨碎成悬浮液，煮沸，稀释20倍后，取200μL的均匀悬浮液与15μL的2%碘液反应，20 min后，测量595 nm的吸光度值，最后利用淀粉溶液标准曲线计算出叶片的淀粉含量。同时，采用qPCR技术对每个月份的叶片健康状态进行鉴定，引物为 OI1/OI2c（GCGCGTATGCAATACGAGCGGCA/GCCTCGCGACTTCGCAACCCAT）[15]。通过qPCR技术可以对没有显现黄龙病症状的柑橘叶片进行阴性或者阳性判断，从而为进一步分析黄龙病对柑橘宿主光合作用的影响提供参考。

1.4 数据分析方法

为了使不同叶绿素荧光参数具有相同尺度，采用式（1）对原始的叶绿素荧光参数进行变换。

式中F′为变换后的叶绿素荧光参数，F为原始的叶绿素荧光参数，Fm和Fo分别为充分暗适应后的最大荧光和最小荧光。

通过主成分分析（Principal Component Analysis,PCA）将变换后的原始叶绿素荧光数据投影到一个新的坐标，获取的前几个主成分能够反映大部分的原始信息，且相互独立。各个成分的载荷系数（component loading coefficient）可用于解释各个特征与对应因变量的关系，载荷系数绝对值越大，说明该特征对应变量越重要[16]。因此，成分的载荷可用于分析不同的叶绿素荧光参数对黄龙病病原菌侵染的响应。

叶绿素荧光信号与植物的光合作用能力密切相关，可以反映叶片的光化光淬灭和非光化光淬灭成分。因此，从叶绿素荧光图像中获取与健康叶片有区别的特征可作为判断柑橘是否感染黄龙病的“指纹”特征。判别模型通过决策这些特征向量的归属，从而实现柑橘黄龙病的快速诊断。本研究选择随机森林（random forest）作为叶片中淀粉、蔗糖、葡萄糖和果糖的反演模型以及柑橘黄龙病的判别模型。随机森林是由多个决策树的分类器构成，通过将特征变量输入每棵树中进行分类，最后将若干个弱分类器的分类结果进行投票选择[17]。为了使得随机森林模型具有更好的非线性拟合或者分割能力，模型中决策树的棵数节点处分类属性的个数 2个参数需要优化。本研究设置树的数量从 5～200，步长为 5，节点处分类属性的范围 2～98，步长为 2。采用 Kennard-Stone（KS）算法将数据集划分成建模集和预测集。将不同的决策树的棵数节点处分类属性的个数进行组合，用预测集的决定系数来评估模型的性能。本研究中所使用的数据预处理方法和随机森林模型在Matlab R2010a中完成。

2 结果与讨论

2.1 柑橘黄龙病对柑橘叶片淀粉、蔗糖、葡萄糖和果糖含量的影响

图 2显示了健康和黄龙病柑橘叶片中淀粉、蔗糖、葡萄糖和果糖的含量。分析图2a可知，感染黄龙病叶片中的淀粉含量（44.0±29.1）μg/mm2明显高于健康叶片（20.3±5.7）μg/mm2，达到显著性差异（P＜0.05）。染病叶片中的淀粉的异常累积与淀粉合成能力被上调，而分解能力被下调有关。文献表明，当柑橘感染黄龙病后，涉及淀粉合成酶（AGPase）的基因表达量被上调，淀粉分解酶（β-淀粉酶）的基因表达则被抑制[4]。叶片中淀粉的异常累积造成叶绿体类囊体膜裂解，影响叶绿体对光能的吸收、传递和转化，降低叶片的光合作用效率[18]。

蔗糖作为光合作用另一主要产物，通过韧皮部从源器官转运到库器官。分析图 2b，染病柑橘叶片的蔗糖变化趋势与淀粉的变化趋势一致，染病叶片（3.98±2.30 ）μg/mm2中的蔗糖含量是健康叶片（2.48±1.12）μg/mm2的 1.61倍，二者差异达到显著性水平（P＜0.05）。柑橘黄龙病病原菌的侵染引起的宿主叶片蔗糖的异常累积可能是由于韧皮部遭受损伤后，蔗糖无法顺利地从源器官转运到库器官。类似的现象也可以在仅限于韧皮部的病原菌（Phytoplasmas）侵染引起的椰子树黄化病中观察到[19]。进一步分析黄龙病病原菌侵染对宿主己糖（葡萄糖和果糖）代谢的影响可知（图2c和图2d），染病叶片中的葡萄糖（1.50±1.01）μg/mm2和果糖（0.72±0.65）μg/mm2含量明显高于健康叶片的葡萄糖（0.91±0.64）μg/mm2和果糖（0.38±0.30）μg/mm2，分别是健康的1.65和1.86倍。这说明蔗糖水解成己糖代谢过程已经也受到了病原菌（CandidatusLiberibacter spp.）的影响。有文献表明，微生物胁迫会使植物转化酶的活性增加，会促进更多的蔗糖水解成葡萄糖和果糖[20-21]。与淀粉和蔗糖相比，葡萄糖和果糖的含量在不同季节的叶片中波动性更大，但是葡萄糖和果糖之间的含量差在染病和健康柑橘叶片中却存在显著性差异（P＜0.05），说明了黄龙病病原菌对果糖和葡萄糖的选择性不同，这与韧皮部寄生的病原菌对果糖具有偏好性相一致[22]。

图2 健康和染病柑橘叶片的淀粉、蔗糖、葡萄糖和果糖含量Fig.2 Starch, sucrose, glucose and fructose in healthy and citrus Huanglongbing infected leaves

2.2 叶绿素荧光参数对病原菌侵染的响应分析

采用主成分分析（Principal Component Analysis,PCA）计算得到的载荷系数矩阵可反映出不同的叶绿素荧光参数对主成分的贡献率，叶绿素荧光参数对应的载荷系数绝对值越大，贡献越大，说明该参数对黄龙病病原菌侵染的响应更为敏感。前5个主成分（PC1、PC2、PC3、PC4和 PC5）的贡献率分别为 41.80%、23.06%、11.92%、8.99%和4.5%，能够表达原始变量的90.27%的信息。由于第1主成分的贡献率最大，因此选择分析第1主成分的载荷系数。由图 3可知，充分暗适应后的最小荧光（Fo）、可变荧光与最小荧光的比值（Fv/Fo）、光适应和暗弛豫过程中的最小荧光（Fo_Ln/Dn），光系统II（Photosystem II, PSII）最大光量子效率QY_max（Fv/Fm）以及光适应和暗弛豫过程中的 PSII最大光量子效率（Fv/Fm_Ln/Dn）以及不可调制非光化光淬灭量子产额（ΦNO_Ln/Dn）对病原菌侵染的响应最为敏感。

图3 第1主成分的载荷系数Fig.3 Loading coefficient of first principle component

选择上述敏感叶绿素荧光参数进一步分析黄龙病病原菌对宿主光系统 II结构功能及原初化学反应的影响。图 4显示了健康和染病的柑橘叶片在暗适应、光适应、稳态和暗弛豫过程中不同时刻的叶绿素荧光参数。最小荧光（Fo）反映了叶绿体的光系统II反应中心的结构功能[23]。分析图4a中健康和染病叶片的最小荧光（Fo），黄龙病病原菌的侵染致使宿主叶片的Fo上升，说明了病原菌会损伤光系统 II反应中心结构，能够阻碍激发能向光反应中心转移。同样也可以发现染病叶片在光适应和暗弛豫的最小荧光（Fo_Ln和Fo_Dn）高于健康叶片，在L1、L2、L3、L4、Lss、D1、D2和D3时刻分别是健康叶片的1.28、1.27、1.26、1.26、1.26、1.27、1.28和1.28倍。病原菌致使宿主Fo上升同样可以在感染白粉病的黄瓜叶片中发现[24]。Fv/Fo反映了类囊体膜上光系统II中有活性的反应中心的数量和尺寸，染病叶片的Fv/Fo（3.69±0.93）显著低于健康叶片（4.51±0.88），说明黄龙病病原菌会显著减少宿主光系统II中有活性的光反应中心数量（数据未列出）。QY_max（Fv/Fm）值反映了PSII的最大光量子效率的大小，由于该参数对胁迫十分灵敏，所以被视为植物遭受胁迫的指示器，也常被用于分析胁迫引起的植物光合效率变化[25-27]。分析图4b可知，健康和染病叶片的QY_max存在差异，染病叶片的QY_max值（0.77±0.05）低于健康叶片（0.80±0.04），说明病原菌会降低PSII的最大光量子效率。同样也可以发现染病叶片在光适应和暗弛豫的最大光量子效率（Fv/Fm_Ln和Fv/Fm_Dn）低于健康叶片，说明病原菌的侵染降低了染病叶片的光化学淬灭能力。分析不可调制非光化光淬灭量子产额ΦNO_Ln/Dn可知（图 4c）。染病叶片的ΦNO_Ln/Dn显著大于健康叶片，表明染病叶片的PSII出现了不可逆的损伤，受到光抑制。由于叶片将吸收的光能转化成用于实际光合作用光量子产额（ΦPSII）、可调制非光化光淬灭量子产额（ΦNPQ）以及不可调制非光化光淬灭量子产额（ΦNO）。

图4 不同时刻健康和染病叶片的最小荧光、最大光量子效率和不可调式非光化光淬灭量子产额Fig.4 Minimum fluorescence, maximum quantum efficiency and quantum yield of non-regulated non-photochemical energy dissipation of healthy and infected leaves at different phases

ΦNPQ_Ln/Dn对病原菌侵染的响应敏感性低于ΦNO_Ln/Dn和ΦPSII_Ln/Dn。从三者的此消彼长的竞争关系可知，染病叶片光化学反应效率的降低主要由于宿主受到光抑制后，将吸收的光能转化成了不可调式非光化光淬灭量子产额（ΦNO），说明黄龙病病原菌能够改变宿主叶片对激发能的分配。染病叶片光合作用效率的降低可能与光合作用相关基因如 photosystem II 5-kDa蛋白、photosystem-I subunit O和chlorophyll A-B binding家族蛋白有关的基因表达被下调有关[28]。

2.3 叶绿素荧光参数与叶片的淀粉、蔗糖、葡萄糖和果糖含量的相关性分析

柑橘叶片的碳水化合物含量、叶绿素荧光特性与黄龙病病原菌的侵染明显相关，而叶片的碳水化合物含量又与叶片的光合作用有关，因此有必要进一步分析淀粉、蔗糖、葡萄糖和果糖与叶绿素荧光参数之间的相关性。图 5显示了淀粉、蔗糖、葡萄糖和果糖与叶绿素荧光参数之间的Pearson相关系数。淀粉和蔗糖与叶绿素荧光参数的相关性变化趋势较为一致，而葡萄糖和果糖与叶绿素荧光参数的相关性变化趋势则较为一致，造成这一现象源于淀粉和蔗糖均属光合作用同化物，而葡萄糖和果糖则均是蔗糖的水解产物。相较于蔗糖、葡萄糖和果糖，淀粉与叶绿素荧光参数的相关系数绝对值＞0.6以上的数量最多，且最高正相关系数可达 0.78，最高负相关系数可达−0.74。蔗糖、葡萄糖和果糖与叶绿素荧光参数的最高正相关系数分别可达 0.59、0.64和 0.52，最高负相关系数可达−0.56、−0.64和−0.56。相关性分析结果表明，叶绿素荧光参数与淀粉、蔗糖、葡萄糖和果糖具有明显相关性，具有定量反演柑橘叶片中淀粉、蔗糖、葡萄糖和果糖含量的能力。

图5 淀粉、蔗糖、葡萄糖和果糖与叶绿素荧光之间的Pearson相关系数Fig.5 Pearson correlation coefficient between chlorophyll fluorescence parameters and starch, sucrose, glucose and fructose concentration

2.4 柑橘叶片中淀粉、蔗糖、葡萄糖和果糖含量的反演

分析表 1可知，淀粉、蔗糖、葡萄糖和果糖样本中的建模集均包含了最大值和最小值，且建模集和预测集对应的含量值分布范围较广，建模集的含量范围覆盖预测集的含量范围，不同数据集的碳水化合物含量平均值和标准偏差较为相近。因此按照这种方法来划分建模集和预测集是合理的。

表1 各数据集中淀粉、蔗糖、葡萄糖和果糖含量的描述性统计Table 1 Statistical characteristics of starch, sucrose, glucose and fructose

为了使随机森林算法具有良好的分类或者回归能力，模型中决策树的棵数节点处分类属性的个数两个参数需要优化。图 6显示了不同组合的森林中决策树的棵数和节点处分类属性的个数建立的随机森林模型对淀粉、蔗糖、葡萄糖和果糖预测精度的影响。

图6 随机森林模型中决策树的棵数和节点处分类属性的个数对其预测能力的影响Fig.6 Effect of the number of trees and number for splitting at each node on the predicting performance of random forest model

从图 6可以看出，森林中决策树的棵数对模型预测能力的影响大于节点处分类属性的个数。模型中决策树的棵数从5增加至25时，淀粉、蔗糖、葡萄糖和果糖随机森林模型的预测能力均得到较大幅度的提升，当棵数＞25时，模型的预测能力逐渐趋于稳定。通过优化，淀粉随机森林预测模型的决策树的棵数和节点处分类属性的个数分别为56和5时，预测集的决定系数最高，为0.91。但是进一步分析可知，当节点处分类属性的个数出现微小变化时，模型的预测能力显著降低，稳健性不足，如决策树的棵数为5，节点处分类属性的个数分别55和57时，决定系数分别为0.81和0.83，下降了11.0%和8.4%（图6a）。因此，淀粉随机森林预测模型的决策树的棵数和节点处分类属性的个数分别为 38和70，为 0.90。同理，蔗糖、葡萄糖和果糖随机模型决策树的棵数分别为90，190和55，节点处分类属性的个数则分别为52、10和18（图6b、6c和6d）。

图 7显示了采用各自最佳决策树的棵数和节点处分类属性的个数建立的淀粉、蔗糖、葡萄糖和果糖随机森林模型建模型和预测集的预测性能。分析采用98个叶绿素荧光参数构建的淀粉随机森林模型可知（图 7a），建模集和预测集的决定系数分别可达0.94和0.90，校正均方根误差（Root Mean Square Error of Calibration Set, RMSEC）和预测均方根误差（Root Mean Square Error of Prediction Set, RMSEP）分别为12.51和9.57μg/mm2，剩余预测偏差（Residual Predictive Deviation，RPD）可达3.43，说明模型可对柑橘叶片中淀粉含量具有极好的预测能力。分析蔗糖随机森林模型的实测值和估测值（图7b），建模集和预测集的决定系数和分别可达 0.96和0.84，均方根误差分别为0.56和0.86μg/mm2，RPD可达2.50，由此说明该模型可以精确的反演柑橘叶片中的蔗糖含量。同理，葡萄糖的随机森林模型预测结果为0.94、为 0.85、RMSEC 为 0.29μg/mm2、RMSEP 为 0.38μg/mm2和 RPD为 2.57（图 7c）。相较于淀粉、蔗糖和葡萄糖，采用叶绿素荧光技术构建的果糖随机森林模型预测性能预测略低，但也仍然具有较好的预测能力，模型的为 0.94、为 0.82、RMSEC 为 0.17μg/mm2、RMSEP为0.21μg/mm2和RPD为2.39（图7d）。上述结果表明，叶绿素荧光参数能够较好的表征叶片碳水化合物含量，进而说明叶绿素荧光技术具有快速诊断柑橘黄龙病的潜力。

图7 实测值与随机森林模型预测值分布Fig.7 Distribution of measured values versus predicted values using random forest model

2.5 柑橘黄龙病诊断模型的构建

黄龙病病原菌引起宿主碳水化合物代谢异常，导致淀粉、蔗糖、葡萄糖和果糖的过量累积，损伤了宿主PSII反应中心，破坏了叶绿体的类囊体膜结构，减少宿主光系统II中有活性的光反应中心数量，导致宿主的光合作用效率降低。表2分别显示了基于98个叶绿素荧光参数和碳水化合物代谢参数建立的随机森林模型总体识别正确率。基于叶绿素荧光参数建立的随机森林模型建模集和预测集的识别正确率分别为100%和97.5%。采用淀粉、蔗糖、葡萄糖和果糖建立的随机森林模型建模集和预测集的识别正确率则分别为100%和98.75%。两种参数建立的判别模型对柑橘黄龙病的总体识别正确率相当，说明叶绿素荧光成像技术可用于柑橘黄龙病的快速诊断。

表2 基于叶绿素荧光和碳水化合物代谢参数的随机森林模型总体识别正确率Table 2 Overall accuracies of random forest models based on chlorophyll fluorescence and carbohydrate metabolism%

3 结 论

本研究以不同染病程度柑橘叶片为研究对象，从碳水化合物代谢水平上分析探究宿主对病原菌侵染的响应，结合叶绿素荧光成像技术分析了黄龙病病原菌对宿主光合作用的影响，并建立柑橘黄龙病快速诊断模型。结果表明，病原菌致使宿主叶片淀粉、蔗糖、葡萄糖和果糖异常累积。病原菌损伤了宿主的光系统 II（Photosystem II, PSII）反应中心，改变了荧光动力学特性，减少宿主光系统II中有活性的光反应中心数量，导致宿主的光合作用效率降低，降低了宿主将吸收光能转化为光化学反应的能力。叶绿素荧光参数与叶片的淀粉、蔗糖、葡萄糖和果糖具有明显的相关性。最后，采用叶绿素参数建立了随机森林快速判别模型，实现了97.50%识别正确率。研究结果可为田间柑橘黄龙病的防治提供数据支撑和技术指导。