Análise da dependência espacial em experimentos com cana-de-açúcar da RIDESA

Abstract

A cana-de-açúcar é uma das culturas agrícolas mais importantes para a economia brasileira, sendo a principal matéria-prima para a produção de açúcar e etanol. Dada sua relevância, o melhoramento genético da cana-de-açúcar é essencial para aumentar a produtividade e a sustentabilidade do setor sucroenergético. A análise de variância tradicional, que assume a independência dos erros, frequentemente confia ao princípio da casualização a tarefa de neutralizar a correlação entre os erros. No entanto, quando a casualização não é realizada corretamente ou a dependência espacial entre parcelas é ignorada, os resultados podem ser comprometidos, reduzindo a eficácia da análise para a seleção de genótipos realmente superiores. Neste estudo, realizou-se uma análise estatística espacial em dois experimentos conduzidos pela Rede Interuniversitária para o Desenvolvimento do Setor Sucroenergético (RIDESA) com o objetivo de avaliar a dependência espacial dos erros aleatórios e verificar se a análise espacial melhora a precisão experimental. A análise inicial dos resíduos empregou o índice de Moran e semivariogramas para identificar a autocorrelação espacial e modelar a estrutura de dependência espacial. Essa estrutura foi posteriormente incorporada aos modelos por meio da matriz de variância e covariância residual (R), possibilitando a comparação entre modelos com erros independentes, modelos com erros dependentes que consideram o controle local do experimento, e modelos com erros dependentes que desconsideram o controle local do delineamento em blocos casualizados. O modelo que desconsiderou o controle local e incorporou a dependência espacial dos erros mostrou o melhor ajuste em um dos experimentos, evidenciando que, em certas condições, a consideração da estrutura espacial pode ser mais eficaz do que o controle local no delineamento. Palavras-chave: autocorrelação espacial; melhoramento correlacionados; geoestatística; precisão experimental. genético; errosSugarcane is one of the most important agricultural crops for the Brazilian economy, being the main raw material for the production of sugar and ethanol. Given its relevance, the genetic improvement of sugarcane is essential for increasing productivity and sustainability in the sugar-energy sector. Traditional analysis of variance, which assumes the independence of errors, often relies on the principle of randomization to neutralize error correlation. However, when randomization is not properly carried out or spatial dependence between plots is ignored, results can be compromised, reducing the effectiveness of the analysis for selecting truly superior genotypes. In this study, a spatial statistical analysis was conducted on two experiments carried out by Rede Interuniversitária para o Desenvolvimento do Setor Sucroenergético (RIDESA) to assess the spatial dependence of random errors and determine whether spatial analysis enhances experimental precision. The initial analysis of residuals employed Moran's index and semivariograms to identify spatial autocorrelation and model the spatial dependence structure. This structure was then incorporated into the models through the residual variance-covariance matrix (R), enabling a comparison between models with independent errors, models with dependent errors that consider local control of the experiment, and models with dependent errors that disregard local control in randomized block design. The model that disregarded local control and incorporated spatial error dependence showed the best fit in one of the experiments, demonstrating that, under certain conditions, considering spatial structure can be more effective than local control in design. Keywords: spatial autocorrelation; geostatistics; experimental precision. genetic improvement; correlated erros;