Submitted by Erika Demachki (erikademachki@gmail.com) on 2014-08-26T18:59:21Z No. of bitstreams: 2 license_rdf: 23148 bytes, checksum: 9da0b6dfac957114c6a7714714b86306 (MD5) Branquinho (2011).pdf: 1481959 bytes, checksum: ddf79d2fa9222fdebd9ddefc24d9cc18 (MD5) / Made available in DSpace on 2014-08-26T18:59:22Z (GMT). No. of bitstreams: 2 license_rdf: 23148 bytes, checksum: 9da0b6dfac957114c6a7714714b86306 (MD5) Branquinho (2011).pdf: 1481959 bytes, checksum: ddf79d2fa9222fdebd9ddefc24d9cc18 (MD5) Previous issue date: 2011-12-19 / Conselho Nacional de Pesquisa e Desenvolvimento Científico e Tecnológico - CNPq / The objective of this study was to establish a consistent environmental stratification for the region of soybean cropping in Central Brazil, based on genotype by environment (GE) interaction analysis. For this, yield data from variety trials conducted by Embrapa Cerrados in partnership with others Brazilian institutions, during seven growing seasons (2002/03 to 2008/09), were used. The study covered six experimental sets that were related to the genotypes of three maturity groups (early, medium and late), and two commercial groups (soybean conventional and transgenic RR), totaling 559 trials analyzed. The statistical treatment of data was performed in two stages: first, analyses of variance were performed for each experiment, from which the estimates of treatment mean (combination of genotype and environment) were obtained. In the second stage the joint and GE interaction analyses were performed. Thus, the yield mean of each genotype in each environment were submitted to the AMMI analysis (Additive Main effects and Multiplicative Interaction model), that led to choose a model with only one principal component (AMMI1). As result of this analysis, the genotypes and environments were jointly represented in a scatter plot called biplot (graph that display the rows and columns of a matrix; in this case, genotypes and environments are marginal in this table). To stratify the target region, the approach of winner genotypes (Gauch & Zobel, 1997; Crop Sci. 37: 311-326) was used. In this approach each stratum is composed by locations that shared a same winner genotype (one that is the higher yielding mean ranking of a location). In the AMMI1 biplot, the boundaries of each stratum were identified by horizontal lines drawn from the ordinate points (scores) corresponding to the environment of transition between two strata, which are characterized by their winner genotypes. With this information, the environmental strata were established for each growing year and experimental set. The maturity groups of assessed lines determined the environmental stratification obtained. Thus, the following locations were grouped to other localities, presenting a characteristic of redundancy: a) early maturity group (seven strata): (Campo Novo do Parecis, Maracajú, São Miguel do Araguaia, Tangará da Serra); (Conquista, Nuporanga, Sidrolândia, Sorriso); (Cristalina, Iraí, Sacramento); (Montividiu, Sonora, Tapurah); (Capinópolis, Senador Canedo); (Guaíra, Morro Agudo); and (Lucas do Rio Verde, Sapezal); b) medium maturity group (four strata): (Anápolis, Montividiu, Tangará da Serra); (Barreiras, Campo Novo do Parecis, Uberaba-Chapadões); (Chapadão do Sul, Conquista, Maracajú, Sonora); and (São Gabriel, Sorriso, Uberaba-Epamig); c) late maturity group (five strata): (Campo Novo do Parecis, Planaltina, Senador Canedo, Tapurah); (Iraí, Sacramento, Sonora); (Lucas do Rio Verde, Sorriso); (Goiatuba, Tangará da Serra); and (Barreiras, São Desidério). Were also identified key-locations to conduct the trials in the final stage of genotypic evaluation (advanced variety trials): a) early maturity group: Anápolis, Barretos, Campos de Júlio, Capinópolis, Chapadão do Céu, Chapadão do Sul, Goiatuba, Igarapava, Jataí, Luziânia, Morro Agudo, Planaltina, Primavera do Leste, Sacramento, São Gabriel do Oeste, São Miguel do Araguaia, Sapezal, Sidrolândia, Sonora, Uberaba-Chapadões, Uberaba-Epamig e Unaí;b) medium maturity group: Barreiras, Barretos, Campo Alegre, Campos de Júlio,Capinópolis, Chapadão do Céu, Chapadão do Sul, Cristalina, Goiatuba, Iraí, Jataí, Lucas do Rio Verde, Luziânia, Montividiu, Perolândia, Planaltina, Primavera do Leste, Rio Verde, Sacramento, São Desidério, Senador Canedo, Sorriso e Unaí; c) late maturity group: Anápolis, Campo Alegre, Campo Novo do Parecis, Campos de Júlio, Capinópolis, Chapadão do Céu, Chapadão do Sul, Cristalina, Goiatuba, Jataí, Luziânia, Montividiu, Primavera do Leste, Rio Verde, São Desidério, São Gabriel do Oeste, Sonora, Sorriso, Uberaba-Chapadões, Uberaba-Epamig e Unaí. Finally, among the locations recommended for the network of advanced trials, one was also appointed as key-location to conduct the initial stages of genotypes assessment in each maturity group. The locations Campos de Júlio (to early group), Rio Verde (medium and late groups) were in order indicated because resulted the best rankings of the winner genotypes through the target region. / O objetivo deste estudo foi estabelecer uma estratificação ambiental consistente para a região de cultivo comercial da soja, no Brasil Central, a partir de análise da interação entre genótipos e ambientes (GxA). Para isso, foram utilizados dados de produtividade de grãos, provenientes de ensaios de Valor de Cultivo e Uso (VCU) conduzidos pela Embrapa Cerrados, em parceria com outras instituições de pesquisa na região, durante sete anos agrícolas (2002/03 a 2008/09). O estudo envolveu seis conjuntos experimentais, correspondentes aos genótipos de três grupos de maturação (precoce, médio e tardio) e dois grupos comerciais (soja convencional e transgênica RR), totalizando 559 ensaios analisados. O tratamento estatístico dos dados foi feito em duas etapas: na primeira, foram realizadas análises de variância para cada experimento; e, a partir disto, estimaram-se as médias dos tratamentos (combinação entre genótipos e ambientes). A segunda etapa correspondeu às análises conjuntas da variação. Nessa etapa, as médias de produtividade de cada genótipo em cada ambiente foram submetidas à análise AMMI (Additive Main Effects and Multiplicative Interaction Model); e, neste caso, o modelo com apenas um eixo principal (AMMI1) foi o escolhido. Por último, os genótipos e os ambientes foram representados de forma conjunta em gráfico de dispersão denominado biplot (gráfico que representa as linhas e as colunas de uma matriz; neste caso, genótipos e ambientes estão nas marginais dessa tabela). Para a estratificação da região alvo, foi utilizada a abordagem de genótipos vencedores (Gauch & Zobel, 1997; Crop Sci. 37: 311- 326). Neste método, cada estrato é formado pelos locais que compartilham um mesmo genótipo vencedor (aquele que lidera a classificação de produtividades médias num dado local). No biplot AMMI1, os limites de cada estrato foram identificados por linhas horizontais, traçadas a partir dos pontos (escores) de ordenadas correspondentes aos ambientes de transição entre dois estratos, os quais são caracterizados pelos respectivos genótipos vencedores. De posse dessas informações, os estratos ambientais foram determinados para cada ano agrícola e conjunto experimental. O zoneamento ambiental ficou condicionado ao grupo de maturação das linhagens avaliadas. Assim, os seguintes locais agruparam-se a outras localidades, apresentando, portanto, característica de redundância: a) ciclo precoce (sete estratos): (Campo Novo do Parecis, Maracajú, São Miguel do Araguaia, Tangará da Serra); (Conquista, Nuporanga, Sidrolândia, Sorriso); (Cristalina, Irai, Sacramento); (Montividiu, Sonora, Tapurah); (Capinópolis, Senador Canedo); (Guaíra, Morro Agudo); e (Lucas do Rio Verde, Sapezal); b) ciclo médio (quatro estratos): (Anápolis, Montividiu, Tangará da Serra); (Barreiras, Campo Novo do Parecis, Uberaba-Chapadões); (Chapadão do Sul, Conquista, Maracajú, Sonora); e (São Gabriel, Sorriso, Uberaba-Epamig); c) ciclo tardio (cinco estratos): (Campo Novo do Parecis, Planaltina, Senador Canedo, Tapurah); (Iraí, Sacramento, Sonora); (Lucas do Rio Verde, Sorriso); (Goiatuba, Tangará da Serra); e (Barreiras, São Desidério). Foram, ainda, identificados os locais-chave para a condução dos ensaios na fase final da avaliação (ensaios de VCU): a) ciclo precoce: Anápolis, Barretos, Campos de Júlio, Capinópolis, Chapadão do Céu, Chapadão do Sul, Goiatuba, Igarapava, Jataí, Luziânia, Morro Agudo, Planaltina, Primavera do Leste, Sacramento, São Gabriel do Oeste, São Miguel do Araguaia, Sapezal, Sidrolândia, Sonora, Uberaba-Chapadões, Uberaba-Epamig e Unaí; b) ciclo médio: Barreiras, Barretos, Campo Alegre, Campos de Júlio, Capinópolis, Chapadão do Céu, Chapadão do Sul, Cristalina, Goiatuba, Iraí, Jataí, Lucas do Rio Verde, Luziânia, Montividiu, Perolândia, Planaltina, Primavera do Leste, Rio Verde, Sacramento, São Desidério, Senador Canedo, Sorriso e Unaí; c) ciclo tardio: Anápolis, Campo Alegre, Campo Novo do Parecis, Campos de Júlio, Capinópolis, Chapadão do Céu, Chapadão do Sul, Cristalina, Goiatuba, Jataí, Luziânia, Montividiu, Primavera do Leste, Rio Verde, São Desidério, São Gabriel do Oeste, Sonora, Sorriso, Uberaba-Chapadões, Uberaba-Epamig e Unaí. Por fim, entre os locais recomendados para a rede de ensaios de VCU, em cada grupo de maturação, indicou-se também um local-chave para a condução das fases iniciais do processo de avaliação. Os locais Campos de Júlio (para o grupo precoce) e Rio Verde (grupos médio e tardio) foram, então, indicados por resultarem nas melhores classificações dos genótipos vencedores ao longo da região alvo do estudo.

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.