Uma Aplicação do Modelo GGEbiplot na Avaliação da Produtividade de Diferentes Híbridos de Milho

     A obtenção de novas cultivares de milho é fundamental para aumentar a produtividade, melhorar a resistência a pragas e doenças e enfrentar desafios climáticos, como seca e altas temperaturas [1]. A presença da interação genótipo × ambiente (IGA) torna necessária a realização de ensaios multiambientes nas fases finais dos programas de melhoramento, permitindo avaliar o desempenho dos genótipos em diferentes locais e identificar materiais superiores [2].

     O presente estudo teve como objetivo avaliar a produtividade de 55 híbridos de milho em 15 ambientes distintos (E1 a E15), compostos por 10 híbridos simples comerciais (G1 a G10) e 45 híbridos duplos (G11 a G55) resultantes de um dialelo completo. Os experimentos foram conduzidos em propriedades de agricultores e estações experimentais durante o ano agrícola de 2005–2006, utilizando delineamento em blocos casualizados. A característica avaliada foi a produtividade de espigas despalhadas (kg/ha).

     A análise estatística foi realizada com o modelo GGE Biplot, que decompõe os efeitos de genótipo (G) e interação genótipo × ambiente (GE) após remover o efeito principal de ambiente [3]. Os dois primeiros componentes principais (PC1 e PC2) foram usados para representar o desempenho médio e a estabilidade dos genótipos, respectivamente. O primeiro componente (PC1) está associado à produtividade média, sendo que genótipos com maiores escores à direita são mais produtivos, enquanto o segundo componente (PC2) está relacionado à estabilidade, de modo que valores próximos de zero indicam maior estabilidade. Diferentes versões de biplots foram aplicadas para estudar as respostas dos cultivares entre os ambientes [4].

     A versão “discriminação versus representatividade” avalia os ambientes, em que o comprimento do vetor indica a capacidade de discriminar genótipos e o ângulo em relação ao eixo médio indica o quanto o ambiente é representativo. O gráfico de “média versus estabilidade” avalia os genótipos com base no eixo de coordenação do ambiente médio (ECA), no qual a posição ao longo do eixo indica produtividade e a distância perpendicular indica estabilidade. Já o biplot do tipo “quem ganhou onde” identifica a adaptação específica, mostrando quais genótipos apresentam melhor desempenho em determinados grupos de ambientes [4].

    Na análise “discriminação versus representatividade”, o ambiente E4 destacou-se como o mais representativo, seguido pelos ambientes E6 e E9, enquanto o E8 foi o menos representativo. Um ambiente ideal, com alta discriminação e completa estabilidade, foi aproximado pelo E4.

     Na análise genotípica “média versus estabilidade”, o híbrido simples G6 apresentou a maior produtividade e estabilidade. Outros genótipos de destaque foram G46, G2, G11, G15, G49, G36 e G20, incluindo híbridos duplos tão produtivos quanto os simples. Os híbridos G46, G15, G49 e G36 derivaram do cruzamento com G6, enquanto G11 e G20 resultaram do cruzamento com G2 e outros híbridos simples. Híbridos como G4, G21, G35 e G52 destacaram-se por contribuir significativamente para a IGA. Os genótipos G6, G46, G2, G11 e G4 aproximaram-se de um genótipo ideal, destacando a presença de híbridos duplos entre os mais produtivos.

   A configuração “quem ganhou onde” permitiu identificar subgrupos de ambientes que compartilham genótipos vencedores, possibilitando recomendações regionalizadas. Nessa versão, genótipos mais distantes da origem formaram um polígono, e setores foram traçados perpendicularmente aos lados do polígono para interpretação das relações entre genótipos e ambientes.

   Os resultados mostraram que híbridos duplos apresentaram maior estabilidade, sendo valiosos em ambientes variáveis. No entanto, alguns híbridos simples, como G6, também mostraram alta estabilidade e produtividade. Híbridos duplos como G46 e G11 mostraram-se tão produtivos quanto os simples, oferecendo alternativas promissoras em sistemas agrícolas de menor investimento. A análise pelo GGE Biplot facilitou a identificação de ambientes e genótipos superiores, contribuindo para recomendações regionalizadas.

Agradecimentos

Os autores agradecem a Universidade Federal da Grande Dourados (UFGD).

Referências

[1] M. S. Aswini, B. Lenka, Y. A. Shaniware, P. Pandey, A. P. Dash e S. W. Haokip. “The role of genetics and plant breeding for crop improvement: current progress and future prospects”. Em: International Journal of Plant & Soil Science 35 (2023), pp. 190–202. DOI: 10.9734/IJPSS/2023/v35i203798.

[2] E. V. P. Silva et al. “Assessing the stability and adaptability of maize hybrid yield with the Bayesian AMMI model”. Em: Euphytica 221 (2025), p. 43. DOI: 10.1007/s10681-025-03490-y.

[3] L. A. Oliveira et al. “Bayesian GGE model for heteroscedastic multienvironmental trials”. Em: Crop Science 62 (2022), pp. 982–996. DOI: 10.1002/csc2.20696.

[4] W. Yan. Crop Variety Trials: Data Management and Analysis. New York: John Wiley & Sons, 2014, p. 361. ISBN: 978-1-118-68864-9.