Please use this identifier to cite or link to this item: http://repositorio.ufla.br/jspui/handle/1/38496
metadata.teses.dc.title: New insights on genotypes by environments interaction using geographical coordinates
metadata.teses.dc.title.alternative: Novas ideias em interação genótipos por ambientes usando coordenadas geográficas
metadata.teses.dc.creator: Bernardo Júnior , Luiz Antonio Yanes
metadata.teses.dc.creator.Lattes: http://lattes.cnpq.br/3340754118938187
metadata.teses.dc.contributor.advisor1: Von Pinho, Renzo Garcia
metadata.teses.dc.contributor.advisor-co1: Balestre, Márcio
metadata.teses.dc.contributor.referee1: Nunes, José Airton Rodrigues
metadata.teses.dc.contributor.referee2: Pádua, José Maria Villela
metadata.teses.dc.contributor.referee3: Cantelmo, Narjara Fonseca
metadata.teses.dc.subject: Melhoramento de plantas
Plant breeding
Interação genótipos X ambientes
Genotype X environment interaction
Additive Main Effects and Multiplicative Interaction (AMMI)
metadata.teses.dc.date.issued: 10-Jan-2020
metadata.teses.dc.description.sponsorship: Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)
metadata.teses.dc.identifier.citation: BERNARDO JÚNIOR, L. A. Y. New insights on genotypes by environments interaction using geographical coordinates. 2019. 108 p. Tese (Doutorado em Genética e Melhoramento de Plantas) - Universidade Federal de Lavras, Lavras, 2019.
metadata.teses.dc.description.resumo: Ensaios multiambientais estão entre os experimentos mais comumente conduzidos na área de ciências agrárias. Devido à aplicabilidade do método AMMI (Additive Main Effects and Multiplicative Interaction) e a forma como tem sido estudado e aplicado, o presente trabalho explorou novas alternativas de estudo da interação genótipos x ambientes (GEI) por meio deste modelo. O primeiro trabalho foi conduzido com o objetivo de propor um modelo de predição das capacidades geral e específica de combinação, e suas interações com ambientes, associado ao uso de regiões de credibilidade em biplots obtidas por meio do modelo AMMI-Bayesiano. Em geral, para a análise de dados simulados, as predições obtidas tiveram alta correlação com os valores reais. Para os efeitos das capacidades geral e específica de combinação (GCA e SCA, respectivamente), as predições mantiveram o padrão de sinais e ranqueamento. Além disso, o modelo foi eficiente em fornecer intervalos de credibilidade que cobriam os valores simulados. Para a análise de dados reais, as estimativas de GCA e SCA para todos os genótipos avaliados não diferiram de zero. Os biplots para as interações GCA x Ambientes e SCA x Ambientes permitiram determinar quais genótipos apresentam efeitos de GCA e SCA estáveis de forma mais precisa. As elipses nos biplots demonstraram a incerteza em torno das estimativas da interação. O modelo mostra-se como ferramenta promissora para auxiliar na tomada de decisão do melhorista na seleção e recomendação de genótipos. O segundo trabalho foi conduzido com o objetivo de estudar GEI por meio do uso de variáveis ambientais no modelo AMMI sob abordagem funcional com diferentes volumes de dados e níveis de desbalanceamento. Para isso, visou-se avaliar o comportamento da análise de componentes principais de dados funcionais (FPCA) em cenários de desbalanceamento de dados e integrá-la ao método EM-AMMI (Expectation-Maximization Additive Main Effects and Multiplicative Interaction) para realizar a predição genotípica sob uma perspectiva funcional. Por meio da análise de dados funcionais, é possível captar informações que vão além de dados discretos que representam genótipos e ambientes, o que permite captar o padrão de interação e o comportamento dos genótipos ao longo dos ambientes. A integração do método smooth SVD (Singular Value Decomposition) ou SSVD ao método EM-AMMI para realizar a imputação de dados e lidar com o desbalanceamento pode alterar a perspectiva de estudo de GEI. A identificação de padrões de efeitos da interação por meio do método EM-AMMI Funcional representa uma nova forma de entender a interação, e abre diversas possibilidades para aplicação no melhoramento de plantas.
metadata.teses.dc.description.abstract: Multi-environmental trials are among the most commonly conducted experiments in the field of agricultural science. Due to the applicability of the AMMI method (Additive Main Effects and Multiplicative Interaction) and the way it has been studied and applied, this work explored new alternatives for the study of genotype x environment interaction (GEI) through this model. The first work was conducted with the objective of proposing a model of prediction of general and specific combining abilities, and their interactions with environments, associated with the use of credible regions in biplots obtained by the AMMI-Bayesian model. In general, for the analysis of simulated data, the predictions obtained had a high correlation with the real values. For the general and specific combining capabilities effects (GCA and SCA, respectively), the predictions maintained the signal pattern and ranking. In addition, the model was efficient in providing credible intervals that covered the simulated values. For real data analysis, GCA and SCA estimates for all evaluated genotypes did not differ from zero. The biplots for the GCA x Environments and SCA x Environments interactions allowed us to determine which genotypes have stable GCA and SCA effects in a more accurate way. Ellipses in the biplots demonstrated the uncertainty around the interaction estimates. The model is a promising tool to help the breeder's decision making in selecting and recommending genotypes. The second work was conducted with the objective of studying GEI through the use of environmental variables in the AMMI model under functional approach with different data volumes and unbalance levels. To this end, it was aimed to evaluate the behavior of the principal component analysis of functional data (FPCA) in data imbalance scenarios and integrate it with the EM-AMMI (Expectation- Maximization Additive Main Effects and Multiplicative Interaction) method to perform the genotypic prediction from a functional perspective. Through functional data analysis, it is possible to capture information that goes beyond discrete data representing genotypes and environments, which allows to capture the pattern of interaction and behavior of genotypes across environments. Integrating the smooth SVD (Singular Value Decomposition) or SSVD method with the EM-AMMI method to perform data imputation and deal with imbalance can change the perspective of GEI study. The identification of interaction effect patterns through the EM-AMMI Functional method represents a new way of understanding interaction, and opens up several possibilities for application in plant breeding.
metadata.teses.dc.description: Arquivo retido, a pedido do autor, até janeiro de 2021.
metadata.teses.dc.identifier.uri: http://repositorio.ufla.br/jspui/handle/1/38496
metadata.teses.dc.publisher: Universidade Federal de Lavras
metadata.teses.dc.language: por
Appears in Collections:DBI - Genética e Melhoramento de Plantas - Doutorado (Teses)

Files in This Item:
There are no files associated with this item.


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.