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.
| Identifer | oai:union.ndltd.org:usp.br/oai:teses.usp.br:tde-04052015-172304 |
| Date | 09 April 2015 |
| Creators | Hongyu, Kuang |
| Contributors | Dias, Carlos Tadeu dos Santos |
| Publisher | Biblioteca Digitais de Teses e Dissertações da USP |
| Source Sets | Universidade de São Paulo |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | Tese de Doutorado |
| Format | application/pdf |
| Rights | Liberar o conteúdo para acesso público. |
Page generated in 0.0027 seconds