Estratégias e seleção de cultivares de soja em estádios iniciais para tolerância ao déficit hídrico

Abstract

A soja é uma importante oleaginosa em todo o mundo e apresenta sensibilidade ao deficit hídrico, especialmente na fase inicial de desenvolvimento. Por isso, avaliar diferentes estratégias buscando selecionar cultivares de soja no início do desenvolvimento é extremamente necessário. Nesse sentido, são objetivos deste estudo: i) selecionar cultivares de soja tolerantes ao deficit hídrico utilizando os índices de seleção FAI-BLUP (Factor analysis and ideotype- design - Best Linear Unbiased Prediction) e o MGIDI (multi-trait genotype–ideotype distance index), além de indicar cultivares tolerantes ao deficit hídrico na fase inicial de desenvolvimento; ii) predizer o conteúdo de água nas folhas de soja e classificá-las quanto a condição hídrica, por meio de dados de espectroscopia NIR (near infrared) e diferentes modelos de machine learning. Dois experimentos foram avaliados envolvendo duas formas de imposição de estresse por deficit hídrico (em solo e em areia) em dois estádios diferentes (germinação e V1) e repetidos por duas épocas. Os experimentos envolveram 100 cultivares de soja, as quais foram submetidas a duas condições de disponibilidade hídrica (condição controle e condição estresse). Em ambos os experimentos, o estresse permaneceu por 20 dias. Os índices de seleção FAI-BLUP e MGIDI possibilitaram a seleção de 15 cultivares de soja. Foram selecionadas 12 cultivares comuns aos dois índices. As cultivares M 9144 RR, BMX TITAN RR foram as que mais se aproximaram do ideótipo. Em relação aos modelos de machine learning, todos os quatro modelos utilizados apresentaram boas performances ao realizar as tarefas de classificação e regressão. Os modelos PLS (Partial Least Squares) e SVM (Support Vector Machine) apresentaram os melhores resultados para classificar folhas de soja quanto à condição hídrica. Já para a tarefa de regressão, os modelos PLS e PCR (principal component regression) apresentaram os melhores desempenhos. Palavras-chave: Índices de seleção. Machine learning. Espectroscopia NIR. Seca.

Soybean is an important oilseed in Brazil and in the world and is sensitive to water deficit, especially in the initial stage of development. For this reason, this thesis evaluates different strategies seeking to mitigate the effects of water deficit in the soybean crop in the initial stage of development. In this sense, the objectives of this study are: i) to select soybean cultivars tolerant to water deficit using the selection indices FAI-BLUP (Factor analysis and ideotype- design - Best Linear Unbiased Prediction) and MGIDI (multi-trait genotype–ideotype distance index), in addition to indicate cultivars tolerant to water deficit in the initial stage of development; ii) predict the water content in soybean leaves and classify them according to their water condition using NIR (near infrared) spectroscopy data and different machine learning models. Two experiments were carried out involving two forms of water deficit stress imposition (in soil and in sand) in two different stages (germination and V1) and they were repeated for two seasons. The experiments involved 100 soybean cultivars, which were subjected to two conditions of water availability (control condition and stress condition). In both experiments, the stress remained for 20 days. The selection indices FAI-BLUP and MGIDI allowed the selection of 15 soybean cultivars. Twelve cultivars common to both indices were selected. Cultivars M 9144 RR, BMX TITAN RR were the closest to the ideotype. Regarding the machine learning models, all the four models showed good results when performing the classification and regression tasks. The PLS (Partial Least Squares) and SVM (Support Vector Machine) models presented the best results to classify soybean leaves regarding their hydric condition. For the regression task, the PLS and PCR (principal component regression) models showed the best performances. Keywords: Selection indices. Machine learning. NIR spectroscopy. Drought.