لتحقيق الكشف السريع عن معدل إنبات بذور الصويا، جمعت هذه الدراسة 350 عينة من بذور الصويا من 16 نوعًا مختلفًا. من بينها، تم استخدام طريقة الشيخوخة الاصطناعية للحصول على 8 درجات نشاط مختلفة لـ 14 نوعًا، في حين كانت العينتان المتبقيتان من النوعين طبيعيتي الشيخوخة. بعد جمع بيانات الطيف، تم إجراء اختبار الإنبات للحصول على بيانات معدل الإنبات. تم استخدام طريقة التحقق المتقاطع مونت كارلو (MCCV) مع تحليل الانحدار بالحد الأدنى للمربعات الجزئية (PLSR) لاستبعاد العينات الاستثنائية، ثم تم اختيار طريقة سافيستسكي-جولاى للتنعيم المترافق مع تحويل المتغيرات العادية القياسية (SG+SNV) لمعالجة بيانات الطيف. بعد ذلك، تم اختيار الأطوال الموجية المميزة باستخدام طريقة الإزالة بدون معلومات المتغيرات (UVE). تم توسيع طريقة الانحدار عمليات غاوسية المتفرقة (SGPR) لتطبيقات البيانات الصغيرة قليلة الأبعاد، مع مقارنة تأثير وظائف النواة المختلفة على أداء النموذج. للتحقق من تفوق نموذج SGPR، تم أيضًا بناء نماذج مقارنة من نوع الانحدار عمليات غاوسية (GPR)، الانحدار بدعم المتجهات (SVR) وتحليل الانحدار بالحد الأدنى للمربعات الجزئية (PLSR). أظهرت النتائج أن نموذج SGPR-Matern32 المحسن أظهر أداءً تنبؤيًا ممتازًا في مجموعة التدريب (R²=0.9737، RMSE=0.0454)، ومجموعة التحقق (R²=0.9498، RMSE=0.0650) ومجموعة الاختبار (R²=0.9636، RMSE=0.0694)، كما أن كفاءة النمذجة زادت بشكل كبير مقارنة مع GPR التقليدي. وأكدت الدراسة أن تقنية الطيف القريب من الأشعة تحت الحمراء بالاقتران مع نموذج SGPR-Matern32 يمكن أن تحسن بشكل كبير كفاءة ودقة كشف معدل إنبات بذور الصويا، معتبرة إياها وسيلة تقنية موثوقة للكشف غير المدمر عن حيوية بذور الصويا.

بذور الصويا;الطيف القريب من الأشعة تحت الحمراء;الانحدار عمليات غاوسية المتفرقة;معدل الإنبات