Для быстрой оценки всхожести семян сои в этом исследовании было собрано 350 образцов сои 16 различных видов. Среди них 14 сортов получили образцы с 8 различными градиентами активности методом искусственного старения, а оставшиеся 2 сорта — образцы естественного старения. После сбора спектральных данных были проведены пробы всхожести для получения данных по всхожести. Метод Монте-Карло кросс-валидации (MCCV) в сочетании с частичным наименьшим квадратным регрессом (PLSR) использовались для удаления аномальных образцов. Для предварительной обработки спектральных данных применялась свертка Савицкого-Голея с преобразованием стандартных нормальных переменных (SG+SNV). Затем методом удаления неинформативных переменных (UVE) выбирались характерные длины волн. Расширена область применения разреженного гауссовского процессного регрессирования (SGPR) на малые выборки с высокой размерностью, а также сравнивалось влияние различных ядер на производительность модели. Для подтверждения превосходства модели SGPR были построены три контрольные модели: гауссовский процесс регрессии (GPR), регрессия опорных векторов (SVR) и PLSR. Результаты показали, что оптимизированная модель SGPR-Matern32 показала высокую предсказательную способность на обучающей выборке (R²=0.9737, RMSE=0.0454), валидационной (R²=0.9498, RMSE=0.0650) и тестовой выборках (R²=0.9636, RMSE=0.0694), при этом эффективность моделирования значительно выше, чем у традиционной GPR. Исследование подтвердило, что метод моделирования SGPR-Matern32 в сочетании с спектроскопией ближнего инфракрасного диапазона может значительно повысить эффективность и точность оценки всхожести семян сои, предоставляя надежный технический подход для недеструктивного контроля жизнеспособности семян сои.

Семена сои; ближний инфракрасный спектр; разреженное гауссовское процессное регрессирование; всхожесть