Submitted by Reginaldo Soares de Freitas (reginaldo.freitas@ufv.br) on 2018-01-15T11:20:58Z No. of bitstreams: 1 texto completo.pdf: 887380 bytes, checksum: a251d2c41bef4579b1bd658d0f876b0d (MD5) / Made available in DSpace on 2018-01-15T11:20:58Z (GMT). No. of bitstreams: 1 texto completo.pdf: 887380 bytes, checksum: a251d2c41bef4579b1bd658d0f876b0d (MD5) Previous issue date: 2017-10-30 / Conselho Nacional de Desenvolvimento Científico e Tecnológico / O algodoeiro herbáceo (Gossypium hirsutum L.) fornece cerca de 90% da fibra têxtil mundial e é uma das culturas de maior relevância industrial. A cotonicultura brasileira se concentra no Cerrado, sobretudo nas regiões Centro-Oeste e Nordeste. Devido as características edafoclimáticas distintas destes locais, um importante fator deve ser considerado nas fases finais dos programas de melhoramento: interação genótipos x ambientes (GxE). Desse modo, esta tese teve como objetivo investigar as implicações da interação entre genótipos e ambientes no melhoramento do algodoeiro cultivado no Cerrado brasileiro. Seus objetivos específicos foram: (1) dividir os locais do Cerrado brasileiro em Mega-ambientes quanto a produtividade de fibras de genótipos de algodoeiro; (2) identificar locais essenciais para a condução de ensaios em cada Mega-ambiente; (3) recomendar genótipos de algodão para o Cerrado brasileiro com base na adaptabilidade e estabilidade produtiva; (4) identificar genótipos de algodão que reúnam alta adaptabilidade e estabilidade para qualidade da fibra; (5) realizar uma recomendação de genótipos que reúnam alta adaptabilidade e estabilidade para produtividade e qualidade de fibras. A produtividade de fibras foi avaliada em 19 ensaios de competição de cultivares de algodoeiro nas safras 2013/2014 e 2014/2015. O delineamento experimental utilizado foi o de blocos casualizados com 12 tratamentos e quatro repetições. Os caracteres avaliados foram: produtividade de fibras (PRODF), comprimento de fibras (CF), resistência de fibras (RF) e micronaire (MIC). A interação genótipos x ambientes foi significativa para todos os caracteres avaliados. A identificação dos Mega-ambientes e dos locais essenciais foi realizada pelo método GGE biplot com base na PRODF. Foram identificados dois Mega- ambientes, onde os locais de Primavera do Leste e São Desidério possuem maior capacidade de discriminação dos genótipos no Mega-ambiente 1; no Mega-ambiente 2, os locais que reúnem maior poder de discriminação e representatividade são Chapadão do Sul, Pedra Preta e Trindade. Posteriormente, para cada caráter, o método de Lin e Binns modificado foi utilizado para recomendação dos melhores genótipos para todos ambientes, ambientes favoráveis e desfavoráveis. Esse método também foi utilizado de forma multivariada, visando uma recomendação dos genótipos com base nos múltiplos caracteres avaliados. Foram identificados genótipos com alta adaptabilidade e estabilidade para cada caráter. O índice utilizado identificou que os genótipos IMA 08 WS e BRS 335 são aqueles que reúnem as principais características desejáveis. / The herbaceous cotton (Gossypium hirsutum L.) supplies about 90% of the world's textile fiber and is one of the most important industrial crops. The Brazilian cotton cultivation is concentrated in the Cerrado, especially in the Midwest and Northeast regions. Due to the distinct edaphoclimatic characteristics of these environments, an important factor should be considered in the final stages of breeding programs: genotypes x environments (GxE) interaction. Thus, this thesis aimed to investigate the implications of interaction between genotypes and environments on the breeding of cotton cultivated in the Brazilian Cerrado. Its specific objectives were: (1) to divide the Brazilian Cerrado in Mega-environments in terms of fiber yield of cotton genotypes; (2) identify sites essential to conducting trials in each Mega- environment; (3) recommend genotypes of cotton for the Brazilian Cerrado based on adaptability and stability for fiber yield; (4) identify cotton genotypes that meet high adaptability and stability for fiber quality; (5) make a recommendation of genotypes that meet high adaptability and stability for fiber yield and quality. The fiber yield was evaluated in 19 competition trials of cotton cultivars in the 2013/2014 and 2014/2015 seasons. The experimental design was a randomized block with 12 treatments and four replicates. The evaluated traits were: fiber yield (PRODF), fiber length (CF), fiber resistance (RF) and micronaire (MIC). The interaction genotypes x environments was significant for all evaluated traits. The identification of Mega-environments and essential environments was performed by the GGE biplot method based on PRODF. Two Mega-environments were identified, where the Primavera do Leste and São Desidério have a greater discrimination capacity of the genotypes in Mega-environment 1; in Mega-environment 2, the sites that have the greatest power of discrimination and representativeness are Chapadão do Sul, Pedra Preta and Trindade. Thereafter, for each trait, the method of Lins and Binns modified was used for recommendation of the best genotypes for all environments, favorable and unfavorable environments. This method was also used in a multivariate context, aiming at a recommendation of the genotypes based on the multiple traits evaluated. Genotypes with high adaptability and stability were identified for each traitr. The multivariate index used identified that the genotypes IMA 08 WS and BRS 335 are those that meet the main desirable traits.

Submitted by Marco Antônio de Ramos Chagas (mchagas@ufv.br) on 2015-12-02T09:20:31Z No. of bitstreams: 1 texto completo.pdf: 1577551 bytes, checksum: 961f648025b4056d30162a4ef5515c13 (MD5) / Made available in DSpace on 2015-12-02T09:20:31Z (GMT). No. of bitstreams: 1 texto completo.pdf: 1577551 bytes, checksum: 961f648025b4056d30162a4ef5515c13 (MD5) Previous issue date: 2015-07-28 / Conselho Nacional de Desenvolvimento Científico e Tecnológico / Os ensaios foram conduzidos nas áreas da empresa CMPC Celulose Riograndense, em quatro diferentes ambientes. Em cada sítio, um experimento no delineamento de blocos ao acaso foi estabelecido, com parcela de arvore única e 30 repetições. Aos três anos de idade, foram mensurados o diâmetro a altura do peito (DAP), altura total das arvores (Ht) e a profundidade de penetração do Pilodyn (Db), para obtenção do volume (Vol) e estimação indireta da densidade básica da madeira, respectivamente. Para o estudo da interação G x A, dois índices de peso de madeira (DAPxDb e VolxDb) foram criados. Com os valores genotípicos de cada variável analisada, índices de pesos de madeira foram propostos utilizando-se como ponderadores as correlações genéticas entre as variáveis, acurácias de predição, herdabilidades, correlações parciais e os efeitos diretos da análise de trilha. O índice DAPxDb (hºg = 0,23) apresentou interação G x A significativa e, a partir da análise de interação dos ambientes par a par, duas “zonas de melhoramento” foram definidas para DAPxDb. Na análise de critérios de seleção, três índices foram os mais eficientes, em virtude de suas acurácias elevadas. O índice l2, baseado na correlação parcial do caráter objetivo peso de madeira e os caracteres auxiliares DAP e Db, l1 (conceito de blup multivariado) e o índice IVR DAPxDb baseado no conceito de variável relacional, com acurácias de 1,00, 0,97 e 0,96, respectivamente. Dessa forma, constatou-se que e possível efetuar a seleção multicaracterística para peso de madeira em Eucalyptus, com alta eficiência, sem a necessidade de estabelecer procedimentos complexos para modelos multivariados mistos. A medição precisa do DAP juntamente com a Db no índice DAPxDb foi fundamental na obtenção de apenas duas “zonas de melhoramento”. / The tests were conducted in the areas of CMPC Celulose Riograndense company in four different environments. At each site, an experiment in a randomized block design was established, with single-tree-plot and 30 repetitions. At three years old, the diameter at breast height (DBH), total height (Th) and the depth Pilodyn penetration were measured in each tree of the experiments, to obtain the volume (Vol) and the indirect estimation of the wood basic density (Bd), respectively. To study the G x E interaction, two wood weight index (DBHde and Voled) were created. With the genotypic values of each variable, wood weight indexes were proposed using as weights the genetic correlations between variables, heritability, prediction accuracies, partial correlations and the direct effects of path analysis. The DBHde index (hºg 0.23) showed significant G x E interaction and, from the interaction analysis of environments in pairs, two "improvement areas" have been set to DBHde. In the analysis of selection criteria, three indexes were the most effective, due to their high accuracies. The I2 index based on the partial correlation of the objective character wood weight and auxiliary characters DBH and Bd, the l1 index (concept of multivariate blup) and IVR DBHde index based on the concept of relational variable, with accuracies of 1.00, 0.97 and 0.96, respectively. Thus, it was found that it is possible to make the wood weight multi-trait selection in Eucalyptus, with high efficiency without the need for complex procedures of mixed multivariate models. The accurate measurement of the DBH with the Bd on the DHBde index was crucial to obtain only two improvement areas".

Interação genótipo × ambiente (GEI) é uma questão extremamente importante no melhoramento genético de plantas e produção. A seleção e recomendação de genótipos superiores são dificultadas devido à ocorrência de GEI e representa um grande desafio para os pesquisadores. Nesse contexto, as análises biplot têm sido cada vez mais utilizadas na análise de dados agronômicos, em que os dados são representados por uma tabela de dupla entradas de médias de GEI. Entretanto, as particularidades existentes no gráfico biplot dificultam sua interpretação, podendo induzir o pesquisador a erros. Existem vários modelos na literatura para análise de DGE (dados de GEI), entre eles, os mais utilizados são os modelos AMMI (Additive Main effects and Multiplicative Interaction) e GGE biplot (Genotype main effects + Genotype environment interaction). O modelo AMMI é um método estatístico para compreender a estrutura de interações entre genótipos e ambientes, que combina a análise de variância e a análise de componentes principais, para ajustar, respectivamente, os efeitos principais (G e E) e os efeitos da GEI. O GGE Biplot agrupa o efeito aditivo de genótipo com o efeito multiplicativo da GEI, e submete estes à análise de componentes principais. Existem dois problemas na utilização destes modelos: i) só pode ser utilizado para analisar dados MET (multi-ambientes), que tenha uma única característica e ii) cujos ambientes são heterogêneos. O presente trabalho tem como objetivos propor novos modelos W-GGE biplot (Weighted Genotype main effects + Genotype environment interaction) e AMMI-ponderado para análise de dados multi-ambientes, além de fazer uma comparação entre os modelos existentes como AMMI e GGE biplot; análise de mega-ambiente; avaliação de genótipos, ambiente de teste dentro de cada mega-ambiente e compreender as causas da GEI. / Genotype × environment interaction (GEI) is an extremely important issue in plant breeding and production. The selection and recommendation of superior genotypes are hampered due to the occurrence of GEI and represents a major challenge for researchers. In this context, biplot analyzes have been increasingly used in analyzing agronomic data, in which data are represented by a table of two entries of means of GEI. However, the particularities in the biplot graphic hamper its interpretation, and could lead the researcher to errors. There are several models in the literature for DGE analysis (GEI data), among them, the most used are the AMMI model (Additive Main effects and Multiplicative Interaction Models) and GGE biplot (Genotype main effects + Genotype environment interaction). The AMMI model is a statistical method to understand the structure of interactions between genotypes and environments, combining the analysis of variance and principal component analysis, to adjust, respectively, the main effects (G and E) and the effects of GEI. The GGE Biplot groups genotype of additive effect with multiplicative effect of GEI, and submit these to the principal component analysis. There are two problems in using these models: i) can only be used to analyze MET data (multi-environments), which has a unique feature and ii) whose environments are heterogeneous. This paper aims to propose new W-GGE biplot models (Weighted Genotype main efffects + Genotype environment interaction) and AMMI-weighted multi-environments for data analysis, and make a comparison between the existing models as AMMI and GGE biplot; mega-environment analysis; genotype evaluation, test environment within each mega-environment and understand the causes of GEI.

Interação genótipo × ambiente (GEI) é uma questão extremamente importante no melhoramento genético de plantas e produção. A seleção e recomendação de genótipos superiores são dificultadas devido à ocorrência de GEI e representa um grande desafio para os pesquisadores. Nesse contexto, as análises biplot têm sido cada vez mais utilizadas na análise de dados agronômicos, em que os dados são representados por uma tabela de dupla entradas de médias de GEI. Entretanto, as particularidades existentes no gráfico biplot dificultam sua interpretação, podendo induzir o pesquisador a erros. Existem vários modelos na literatura para análise de DGE (dados de GEI), entre eles, os mais utilizados são os modelos AMMI (Additive Main effects and Multiplicative Interaction) e GGE biplot (Genotype main effects + Genotype environment interaction). O modelo AMMI é um método estatístico para compreender a estrutura de interações entre genótipos e ambientes, que combina a análise de variância e a análise de componentes principais, para ajustar, respectivamente, os efeitos principais (G e E) e os efeitos da GEI. O GGE Biplot agrupa o efeito aditivo de genótipo com o efeito multiplicativo da GEI, e submete estes à análise de componentes principais. Existem dois problemas na utilização destes modelos: i) só pode ser utilizado para analisar dados MET (multi-ambientes), que tenha uma única característica e ii) cujos ambientes são heterogêneos. O presente trabalho tem como objetivos propor novos modelos W-GGE biplot (Weighted Genotype main effects + Genotype environment interaction) e AMMI-ponderado para análise de dados multi-ambientes, além de fazer uma comparação entre os modelos existentes como AMMI e GGE biplot; análise de mega-ambiente; avaliação de genótipos, ambiente de teste dentro de cada mega-ambiente e compreender as causas da GEI. / Genotype × environment interaction (GEI) is an extremely important issue in plant breeding and production. The selection and recommendation of superior genotypes are hampered due to the occurrence of GEI and represents a major challenge for researchers. In this context, biplot analyzes have been increasingly used in analyzing agronomic data, in which data are represented by a table of two entries of means of GEI. However, the particularities in the biplot graphic hamper its interpretation, and could lead the researcher to errors. There are several models in the literature for DGE analysis (GEI data), among them, the most used are the AMMI model (Additive Main effects and Multiplicative Interaction Models) and GGE biplot (Genotype main effects + Genotype environment interaction). The AMMI model is a statistical method to understand the structure of interactions between genotypes and environments, combining the analysis of variance and principal component analysis, to adjust, respectively, the main effects (G and E) and the effects of GEI. The GGE Biplot groups genotype of additive effect with multiplicative effect of GEI, and submit these to the principal component analysis. There are two problems in using these models: i) can only be used to analyze MET data (multi-environments), which has a unique feature and ii) whose environments are heterogeneous. This paper aims to propose new W-GGE biplot models (Weighted Genotype main efffects + Genotype environment interaction) and AMMI-weighted multi-environments for data analysis, and make a comparison between the existing models as AMMI and GGE biplot; mega-environment analysis; genotype evaluation, test environment within each mega-environment and understand the causes of GEI.