Key soybean maturity groups and mega-environment identification to soybean breeding and cultivation Brazil

Autor: Zdziarski, Andrei Daniel
Přispěvatelé: Benin, Giovani, Unfried, Jair Rogerio, Melo, Carlos Lásaro Pereira de, Woyann, Leomar Guilherme
Jazyk: portugalština
Rok vydání: 2018
Předmět:
Zdroj: Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))
Universidade Tecnológica Federal do Paraná (UTFPR)
instacron:UTFPR
Popis: Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) Ensaios multi-ambiente (MET) são conduzidos por empresas de melhoramento genético de soja com o intuito de testar e selecionar genótipos em uma região-alvo (TR). Dados provindos de MET são volumosos e precisam ser analisados com métodos estatísticos precisos. Um dos métodos amplamente utilizados para avaliar dados de MET é denominado GGE biplot. Análises GGE permitem avaliar genótipos, locais de teste e a formação de mega-ambientes (ME). Os objetivos deste trabalho foram: I) Avaliar o uso de análises GGE biplot para o melhoramento genético, indicando quais parâmetros em termos de singular value partitioning (SVP), data centering e data scaling methods são mais apropriados para cada análise; II) avaliar a formação de MEs para a região edafoclimática (REC) 402, no estado do Mato Grosso e, III) avaliar qual o melhor grupo de maturidade relativa (GMR) para cada REC nas macrorregiões (MR) 1, 2, 3 e 4 para cultivo da soja no Brasil. Todas as análises foram realizadas com o software GGEBiplot e plataforma R, com ensaios conduzidos entre as safras de 2012/13 a 2016/17. Para as análises GGE biplot, com o objetivo de avaliar locais de teste ou formação de MEs, deve ser utilizado o SVP com valor de f =0 e para genótipos f = 1. O data centering method com foco em G + GE é o mais adequando para todas as análises GGE de dados fenotípicos, independente da análise ter foco nos locais de teste (ambientes) ou genótipos. Quando o objetivo da análise é avaliar apenas a associações entre vetores (ambientes) ou formação de MEs, os scalings 1 e 2 são mais adequados. Quando o objetivo é avaliar apenas a discriminância, os scalings 0 e 4 são mais adequados. Uma avaliação conjunta pode ser realizada com o scaling 2. Para a avalição de genótipos, os scalings 1 e 2 são mais adequados, especialmente em conjuntos de dados desbalanceados. Todos os parâmetros devem sempre ser apresentados junto as análises para que interpretações corretas possam ser extraídas. A avaliação de ME foi realizada via análises que sumarizam os dados entre anos, com dados de três anos. Identificaram-se dois MEs na REC 402, onde o principal fator determinante dos MEs é a incidência de nematoides do gênero Heterodera glycines, altitude e nível de tecnologia dos agricultores. Assim, a seleção e recomendação de genótipos deve ser realizada em cada ME e não em toda a REC como um único ambiente. A seleção e recomendação em cada ME aumenta a eficiência de seleção de genótipos com adaptabilidade ampla e específica, melhorando a média produtiva em toda a TR. Dados de rendimento de grãos de 133 genótipos, com GMR variando entre 4.8 a 9.1, foram utilizados para definir quais os melhores GMR para o cultivo nas principais regiões produtoras de soja no Brasil. Os ensaios foram conduzidos em 83 locais nas quatro principais macrorregiões sojícolas do Brasil. Os melhores GMR foram identificados para cada REC. Em latitudes menores, GMR maiores devem ser utilizados para maiores rendimentos. Da mesma forma, em latitudes semelhantes, mas em altitudes diferentes, deve-se adequar o GMR para maiores produtividades. Para cada macrorregião os melhores GMRs foram: MR1, genótipos com GMR entre 5.3 e 5.9; MR2, genótipos com GMR 6.0 a 7.0; MR3, genótipos com GMR 7.1 a 7.9 e MR4, genótipos com GMR 7.7 a 8.4. Os melhores GMR para cada REC foram semelhantes aos das macrorregiões, variando de acordo com a altitude e outros fatores bióticos. Multi-environment trials (MET) are performed by soybean breeding companies to evaluate and select genotypes in a target region (TR). Data from MET are large and need be evaluated by accurate statistical methods. A widely used method to evaluate data from MET is called GGE biplot. GGE analyses allows the evaluation of genotypes, test locations and mega-environment (ME) formation. The aims of this work were: I) Evaluate the use of GGE analyses for plant breeding, indicating which parameters, in terms of singular value partitioning (SVP), data centering and data scaling methods, are appropriate for each analysis; II) Evaluate the formation of MEs for the edaphoclimatic region (ECR) 402 on Mato Grosso (MT) state; and, III) Evaluate and indicate the best maturity groups (MG) for each ECR on macroregions 1, 2, 3 and 4 of soybean cultivation in Brazil. All analyses were performed in GGEBiplot software and R platform, with trials performed between the 2012/13 to 2016/17 crop seasons. When the objective of GGE biplot analyses is to evaluate ME formation or test locations, the SVP with a f value = 0 should be used. When the focus is the evaluation of genotypes, f = 1 should be used. The data centering with focus in G + GE is appropriate to all GGE analyses from phenotypic data, independent if the focus of the analyses is to evaluate test locations or genotypes. When the objective of the analysis is to evaluate only the association between vectors (test location) or ME formation, the scalings 1 and 2 are the best options. When the objective is to evaluate only the discrimination power, scalings 0 and 4 are appropriate. Together analyses can be performed with scaling 2. To evaluate genotypes, the scalings 1 and 2 are more appropriate, especially when the dataset are unbalanced. All parameters should be present together with the analyses (biplots) for the correct interpretation of the biplots. The ME formation analysis were performed summarizing the results between years, with data from three years. Two MEs were identified on ECR 402, where the main factors that delimit ME are: presence of cist nematodes (Heterodera glycines), altitude and management level of farms. Thus, the selection and recommendation of genotypes should be realized within each ME and not in the whole ECR. The selection and recommendation in ME improve the selection efficiency of genotypes with widely and specific adaptation, improving the mean yield in all TR. Grain yield data from 133 genotypes with MG between 4.8 to 9.1 were used to define the best MG for cultivation in the macroregions of soybean production in Brazil. Trials were performed at 83 locations in the four main macroregions for soybean cultivation in Brazil. The best MG were identified for each ECR. With low latitude, higher MG need be used to improve grain yield. In the same way, in similar latitudes, but in different altitudes, the MG should be suitable, according the variations. For each macroregion (MR), the best MG were: MR1, genotypes with MG between 5.3 to 5.9; MR2, genotypes with MG 6.0 to 7.0; MR3, genotypes with MG 7.1 to 7.9, and MR4, genotypes with MG 7.7 to 8.4. The best MG for each ECR was similar of macroregions, varying according altitude and other biological factors.
Databáze: OpenAIRE
Externí odkaz: