USO DE REDES NEURAIS ARTIFICIAIS PARA CLASSIFICAÇÃO DA ADAPTABILIDADE E ESTABILIDADE DE GENÓTIPOS DE FEIJÃO

A produção de espécies vegetais apresenta elevada variabilidade, principalmente devido às alterações ambientais projetadas pelas mudanças climáticas. A produtividade, uma expressão fenotípica, é influenciada por efeitos genotípicos (G), fatores ambientais (A) e pelas interações genótipo × ambiente (G × A). A presença do efeito adicional de G × A pode mascarar o real potencial produtivo dos genótipos, resultando em bom desempenho em determinados ambientes e desempenho inferior em outros. As interações G × A podem ser caracterizadas por estudos de adaptabilidade e estabilidade, conduzidos por meio de diversas metodologias baseadas em regressão linear simples. Embora esses métodos sejam bem estabelecidos, apresentam limitações quando a distribuição dos resíduos não segue a normalidade, quando os dados são desbalanceados ou quando há necessidade de avaliar grandes conjuntos de dados. Nesse contexto, ferramentas de inteligência artificial, como as Redes Neurais Artificiais (RNAs), surgem como alternativas promissoras, por não dependerem de pressupostos estatísticos e por apresentarem maior flexibilidade na captura das interações. O presente trabalho teve como objetivo comparar os resultados obtidos pelos métodos de Eberhart e Russell (1966) e pelas Redes Neurais Artificiais quanto à classificação de genótipos de feijão-comum (Phaseolus vulgaris L.) em termos de adaptabilidade e estabilidade. Para isso, foram utilizadas produtividades provenientes de 11 genótipos avaliados em 32 ambientes, além de dados simulados representativos das seis classes de adaptabilidade e estabilidade. A partir desses dados, realizou-se o treinamento e a validação de uma rede neural no ambiente de programação R. Na configuração da rede, foram definidos os seguintes parâmetros: taxa de decaimento = 5,0 × 10⁻⁴, número máximo de iterações = 5000, peso inicial das conexões dos neurônios = 2,207295 × 10⁻⁴ e tamanho da amostra para treinamento = 500. Paralelamente, foi conduzida a regressão linear simples segundo o modelo de Eberhart e Russell (1966). A partir dos resultados obtidos pela rede neural, observou-se que, dentre os onze genótipos avaliados, dez foram classificados como de adaptabilidade geral, enquanto apenas um apresentou adaptabilidade favorável. Com relação à estabilidade, dez genótipos foram enquadrados na categoria de previsibilidade alta e um na de previsibilidade baixa. O índice de concordância entre os métodos, considerando adaptabilidade e estabilidade, foi de 100% e 81,82%, respectivamente, em relação aos resultados obtidos pela metodologia de Eberhart e Russell (1966). O menor percentual de concordância para estabilidade pode ser explicado pelo conceito adotado pela rede neural, baseado em Finlay e Wilkinson (1963), que diferem de Eberhart e Russell (1966) ao considerarem estabilidade como invariância e não como previsibilidade. Dessa forma, em função das altas taxas de concordância observadas, a metodologia baseada em Redes Neurais Artificiais demonstrou ser uma alternativa eficiente e promissora para a classificação de genótipos quanto à adaptabilidade e estabilidade.