Blocagem a posteriori por similaridade de resíduos na seleção de clones de cana-de-açúcar

Abstract

O Brasil é referência mundial na produção de cana-de-açúcar e seus derivados, movimentando toda cadeia produtiva desde o plantio e colheita até a produção final de bens de consumo. Este excelente desempenho se deve a grande quantidade de novos materiais genéticos desenvolvidos nos programas de melhoramento. Nesta perspectiva os delineamentos em blocos aumentados (DBA) são uma excelente estratégia pois permitem avaliar um elevado número de indivíduos sem a necessidade de repeti-los. No entanto, o sucesso da implementação deste delineamento passa pela correta aplicação dos pressupostos experimentais, sobretudo com relação ao controle local e a formação de blocos homogêneos. A forma tradicional de blocagem é feita a priori de forma arbitrária mediante o conhecimento do pesquisador, o que pode acarretar a formação de blocos heterogêneos com prejuízo ao processo de seleção. Desta forma, com o intuito de contornar este problema, este trabalho tem por objetivo propor uma nova metodologia de blocagem a posteriori, denominada “blocagem colcha de retalhos”, para experimentos em DBA baseado no agrupamento de resíduos de variáveis agronômicas via algoritmos de aprendizado de máquina (k-means e KNN), permitindo a obtenção de blocos mais homogêneos, aumentando a precisão experimental e ainda possibilitando maiores ganhos genéticos. Foram utilizados dados de um experimento em DBA com 8 blocos, realizado no Centro de Pesquisa e Melhoramento de Cana-de-açúcar (CECA), com 2 variedades de testemunhas e 272 clones de cana-de-açúcar sendo avaliados. O processo metodológico consistiu na obtenção de resíduos de variáveis agronômicas de interesse via modelo DIC, considerando somente as observações das testemunhas. Os resíduos das análises foram padronizados e utilizados como variáveis caracterizadoras na formação de grupos via algoritmo k-means. A inclusão dos novos tratamentos (clones) nos grupos, se deu pela classificação via algoritmo KNN considerando a latitude e longitude de cada parcela como variáveis classificadoras, configurando assim o novo processo de blocagem a posteriori. Foram consideradas 7 configurações de blocagem a posteriori, com formações de 2, 3, 4, 5, 6, 7, e 8 blocos, sendo comparadas com a configuração de blocagem a priori. Foram avaliadas as métricas da precisão experimental, coeficiente de variação dos blocos e o ranqueamento dos clones. Os resultados obtidos evidenciaram que a metodologia proposta foi capaz de causar impacto no ranqueamento dos clones de cana-de-açúcar e ainda formar blocos com áreas mais homogêneas aumentando a precisão experimental. Palavras-chave: precisão experimental; DBA; controle local; k-means; KNNBrazil is a world leader in the production of sugarcane and its derivatives, controlling the entire production chain, from planting and harvesting to the final production of consumer goods. This excellent performance is due to the large number of new genetic materials developed in breeding programs. From this perspective, augmented block designs (ABD) represent an excellent strategy, as they allow the evaluation of a large number of individuals without the need for replication. However, the successful implementation of this project depends on the correct application of the experimental hypotheses, especially with regard to local control and the formation of homogeneous blocks. The traditional blocking method is performed a priori in an arbitrary manner, based on the researcher's knowledge, which can lead to the formation of heterogeneous blocks, making the selection process difficult. Therefore, to overcome this problem, this work aims to propose a new post-hoc blocking methodology, called "mosaic blocking," for ADB experiments based on the clustering of residuals of agronomic variables using machine learning algorithms (k-means and KNN), allowing for more homogeneous blocks, increasing experimental precision, and also enabling greater genetic gains. Data from an 8-block ADB experiment conducted at the Sugarcane Research and Improvement Center (CECA) were used, with 2 control varieties and 272 sugarcane clones being evaluated. The methodological process consisted of obtaining the residuals of the agronomic variables of interest through a completely randomized design (CRD), considering only the observations from the control plots. The residuals from the analyses were standardized and used as characterization variables in the formation of the groups, using the k-means algorithm. The inclusion of the new treatments (clones) in the groups was done through classification via the KNN algorithm, considering the latitude and longitude of each plot as classification variables, thus configuring the a new post-hoc blocking process. Seven post-hoc blocking configurations were considered, with formations of 2, 3, 4, 5, 6, 7, and 8 blocks, and compared with the pre-hoc blocking configuration. Metrics such as experimental precision, coefficient of variation of the blocks, and clone classification were evaluated. The results showed that the proposed methodology was able to impact the classification of sugarcane clones and also to form blocks with more homogeneous areas, increasing experimental precision. Keywords: experimental precision; ABD; local control; k-means; KNN