Seleção de progênies de soja via técnicas de geoestatística e aerofotogrametria

Abstract

A soja [Glycine max (L.) Merril] é a principal commodity agrícola do Brasil, destacando se por sua importância econômica e ampla gama de aplicações industriais. Em resposta a essa relevância, os programas de melhoramento genético buscam continuamente desenvolver cultivares mais adaptadas e produtivas. No entanto, a seleção de linhagens superiores pode ser influenciada por diversos fatores, como a disponibilidade de nutrientes no solo. Este estudo teve como objetivo incorporar informações dos atributos químicos do solo e índices de vegetação como covariáveis para ajustar o ranqueamento das progênies de soja na geração F3:5. Os experimentos foram realizados em duas áreas da Universidade Federal de Viçosa durante a safra 2022/2023: o Ensaio-1, na UEPE-Vale da Agronomia, com 500 progênies, e o Ensaio-2, na UEPE-Horta Nova, com 264 progênies. Ambos os ensaios seguiram um delineamento em blocos aumentados, com parcelas compostas por três linhas de 1,5 m de comprimento, espaçadas em 0,50 m, e uma densidade de plantio de 17 sementes por metro. Foram coletadas 39 amostras de solo no Ensaio-1 e 30 no Ensaio-2 para análise química, além de realizar imageamento aéreo com VANT. A partir das imagens RGB e dos dados de fertilidade do solo, foram extraídos índices de vegetação e gerados mapas de fertilidade. Esses dados foram integrados como covariáveis nos modelos experimentais, cuja adequação foi avaliada pelo Logaritmo da Verossimilhança, Critério de Informação Akaike (AIC), Critério de Informação Bayesiano (BIC) e herdabilidade (h2). A inclusão dos atributos do solo e índices de vegetação como covariáveis impactou o ranqueamento das progênies, destacando sua relevância na seleção. No entanto, os teores de nutrientes mostraram-se mais influentes na seleção do que os índices de vegetação. Palavras-chave: glycine max (l.) merril; krigagem; delineamentos aumentados; análise de covariâncias; fertilidade do solo.

Soybean [Glycine max (L.) Merril] is the leading agricultural commodity in Brazil, standing out for its economic importance and wide range of industrial applications. In response to this significance, breeding programs continuously strive to develop more adaptable and productive cultivars. However, the selection of superior lines can be influenced by various factors, such as nutrient availability in the soil. This study aimed to incorporate soil chemical attributes and vegetation indices as covariates to adjust the ranking of soybean progenies in the F3:5 generation. The experiments were conducted in two areas of the Federal University of Viçosa during the 2022/2023 growing season: Experiment-1 at UEPE-Vale da Agronomia, with 500 progenies, and Experiment-2 at UEPE-Horta Nova, with 264 progenies. Both trials followed an augmented block design, with plots consisting of three rows, each 1.5 m long, spaced 0.50 m apart, and a planting density of 17 seeds per meter. A total of 39 soil samples were collected in Experiment-1 and 30 in Experiment-2 for chemical analysis, in addition to aerial imaging with UAV. From the RGB images and soil fertility data, vegetation indices were extracted, and fertility maps were generated. These data were integrated as covariates in the experimental models, whose fit was evaluated using the Logarithm of Likelihood, Akaike Information Criterion (AIC), Bayesian Information Criterion (BIC), and heritability (h2). The inclusion of soil attributes and vegetation indices as covariates impacted the ranking of f progenies, highlighting their relevance in selection. However, nutrient levels proved to be more influential in the selection process than the indices. Keywords: glycine max (l.) merril; kriging; augmented designs; covariance analysi; soil fertility.