Redes neurais artificiais aplicadas na predição de valores genéticos e classificação de genótipos de soja de diferentes grupos de maturidade relativa

Detalhes bibliográficos
Ano de defesa: 2021
Autor(a) principal: Amaral, Lígia de Oliveira
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Tese
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Estadual Paulista (Unesp)
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Link de acesso: http://hdl.handle.net/11449/214447
Resumo: A soja [Glycine max (L.) Merrill] é uma espécie muito influenciada pelo fotoperíodo. Cultivares têm seu potencial produtivo maximizado quando cultivadas na faixa ótima de fotoperíodo. O contrário acontece quando os genótipos são submetidos a condições ambientais diferentes das ideais. A variabilidade genética gerada em uma população oriunda de cruzamentos divergentes deve ser estudada para que os genótipos sejam avaliados e selecionados em seus grupos de maturidade relativa corretos. Além da classificação e direcionamento dos genótipos, as metodologias eficientes de predição de valores genéticos podem promover o sucesso dos programas de melhoramento por auxiliarem no avanço de genótipos promissores para as características de interesse. Desta forma, os objetivos deste trabalho foram i) determinar a eficiência das redes neurais artificiais (RNA) em discriminar e classificar genótipos de soja pertencentes a diferentes grupos de maturidade relativa, ii) determinar a eficiência das RNAs em predizer valores genéticos relacionados à produtividade e à maturidade relativa de genótipos de soja pertencentes a populações de cruzamento amplo e restrito para grupo de maturidade relativa (GMR). Foram utilizados dados de três populações de soja coletados nos anos agrícolas 2017/2018, 2018/2019 e 2019/2020. Os dados foram submetidos às análises discriminantes linear de Fisher e quadrática de Anderson e tiveram seus resultados comparados aos obtidos por um modelo de RNA – MLP (Multi Layer Perceptron). Os dados de três populações, uma oriunda de cruzamento amplo e duas de cruzamentos restritos para GMR foram submetidos também à análise por modelos mistos para estimativa dos componentes de variância e valores genéticos. Posteriormente foi realizada a ordenação dos genótipos de acordo com o desempenho e, esta ordenação foi comparada àquela obtida pelas RNAs. Foram obtidas as porcentagens de coincidência na classificação dos melhores genótipos e o ganho esperado com a seleção (GS) para cada metodologia. As RNAs mostraram se eficientes em discriminar e classificar corretamente os genótipos em suas populações quando comparadas às análises discriminantes que apresentaram taxa de erro aparente (TEA) acima de 50%. A mesma metodologia se mostrou eficiente na predição de valores genéticos apresentando ganhos com a seleção de até 11.91% para produção de grãos e -5.42% para ciclo total da cultura.