Publicação: Redes neurais artificiais aplicadas na predição de valores genéticos e classificação de genótipos de soja de diferentes grupos de maturidade relativa
Carregando...
Data
Autores
Orientador
Unêda Trevisoli, Sandra Helena 
Coorientador
Pós-graduação
Agronomia (Genética e Melhoramento de Plantas) - FCAV
Curso de graduação
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Estadual Paulista (Unesp)
Tipo
Tese de doutorado
Direito de acesso
Acesso aberto
Resumo
Resumo (português)
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.
Resumo (inglês)
The soybean [Glycine max (L.) Merril] is a species highly influenced by the photoperiod. Cultivars have their productive potential maximized when grown in the optimal photoperiod range. The opposite happens when genotypes are considered different from ideal environmental conditions. In addition to the classification and targeting of genotypes, efficient methodologies for predicting genetic values can promote the success of breeding programs to assist in the advancement of promising genotypes for the traits of interest. Thus, the main objectives were i) to determine the efficiency of artificial neural networks (ANN) in discriminating and classifying soybean genotypes belonging to different groups of relative maturity, ii) to determine the efficiency of ANNs in predicting genetic values related to grain yield and to relative maturity of genotypes belonging to populations of broad and narrow crossing for relative maturity group (RMG). Data from three soybean collected in the agricultural years 2017/2018, 2018/2019 and 2019/2020 were used. The data were submitted to multivariate analysis of principal components (APC), Fisher 's linear discriminant and Anderson' s quadratic and their results were compared to those obtained by an ANN - MLP (Multi Layer Perceptron) model. Data from three populations, one from broad cross and two from narrow crossings for RMG were also subjected to analysis by mixed models to estimate the components of variance and genetic values. Subsequently, the genotypes were ordered according to performance, and this order was compared to that obtained by the ANNs. The percentages of coincidence were obtained in the classification of the best genotypes and the expected gain with the selection (GS) for each methodology. The ANNs proved to be efficient in discriminating and correctly classifying the genotypes in their populations when compared to multivariate analyzes that showed an apparent error rate (AER) above 50%. The same methodology proved to be efficient in predicting genetic values, showing gains with the selection of up to 11.91% for grain yield and - 5.42% for the total crop cycle.
Descrição
Palavras-chave
Soja, Maturidade, Mineração de dados (Computação), Redes neurais (Computação)
Idioma
Português
