Seleção simultânea de genótipos de soja de diferentes grupos de maturidade baseada em características agronômicas e de curva de senescência | Simultaneous selection of soybean genotypes from different maturity groups based on agronomic traits and senescence curves

A soja desempenha um papel crucial na agricultura global, sendo o Brasil o maior produtor mundial. O melhoramento genético tem suma importância para alavancar a produtividade desta cultura, para atender a demanda do mercado mundial que vem aumentando ao longo dos anos. Este estudo buscou identificar os ideótipos de soja de diferentes grupos de maturação ao incluir o estudo de características agronômicas e de curvas de senescência em progênies de soja, e selecionar os genótipos mais produtivos em cada grupo de maturação utilizando o índice MGIDI (Multitrait Genotype Ideotype Distance Index), a partir do ideótipo desenhado para cada grupo. Durante a safra 2022/23, dois ensaios de teste de progênies F 3:5 foram realizados na Universidade Federal de Viçosa, adotando o delineamento de blocos aumentados (DBA). As parcelas experimentais foram constituídas por três linhas com 1,5 m de comprimento, espaçadas em 0,50 m, com densidade populacional de 16 plantas por metro. Foram avaliados: produção, data de florescimento, data de maturação, peso de 100 sementes, altura de planta na maturação e acamamento. A curva de maturação foi traçada utilizando valores de reflectância do índice GLI ao longo dos dias após o plantio (DAP), ajustados por regressão LOESS. As variáveis extraídas da curva foram: área total abaixo da curva (AUC 1), o ponto de máximo GLI (GLIMáx), o número de dias até o ponto de máximo GLI (DAMáx), o número de dias do ponto de máximo GLI até a maturação (DDMáx) e a área em baixo da curva obtida a partir do ponto de máximo GLI até a maturação completa (AUC 2) e verde acumulado, calculado pela diferença o GLIMáx e o valor inicial do índice GLI. A correlação de Pearson entre as variáveis da curva de maturação. Foi utilizando o índice MGIDI, com diferentes combinações de variáveis agronômicas e da curva de maturação, além da seleção direta através do BLUP de produtividade, comparando- se sete estratégias de seleções. O índice MGIDI mostrou eficácia nas seleções 2 a 6, enquanto a seleção 2 foi menos eficiente na população 1. Na população 2, a seleção 3 foi menos eficaz. A coincidência entre os 10 melhores genótipos das seleções variou significativamente, destacando a importância de considerar a data de maturação ao conduzir a seleção. Estudar o comportamento dos genótipos dentro dos grupos de maturação revelou-se promissor, possibilitando uma seleção mais precisa e eficiente. A análise de imagem demonstrou eficiência na extração de variáveis da curva de maturação, através da utilização do índice de vegetação GLI (Green Leaf Index), embora seja necessário realizar mais estudos para correlacionar as fases fenológicas da soja com essas variáveis de maneira mais precisa. A análise das diferenças médias entre grupos reforçou a importância de conduzir a seleção considerando a data de maturação, evitando beneficiar genótipos de um grupo específico. Em conclusão, a associação das características agronômicas e características da curva de maturação foram eficientes para definir o ideótipo de cada grupo em cada população e selecionar genótipos superiores em cada grupo a partir do ideótipo definido, nas diferentes estratégias de seleção. Palavras-chave: Glycine max, Melhoramento da soja, Ideótipo, Fenotipagem via drone, Seleção multivariada, MGIDI

Soybean plays a crucial role in global agriculture, with Brazil being the world's largest producer. Genetic improvement is of paramount importance to boost the productivity of this crop, to meet the increasing demand of the global market over the years. This study aimed to identify soybean ideotypes of different maturity groups by including the study of agronomic characteristics and senescence curves in soybean progenies, and selecting the most productive genotypes in each maturity group using the MGIDI index (Multitrait Genotype Ideotype Distance Index), based on the ideotype designed for each group. During the 2022/23 growing season, two F 3:5 progeny trials were conducted at the Federal University of Viçosa, adopting the augmented block design (ABD). The experimental plots consisted of three rows 1.5 m long, spaced at 0.50 m, with a population density of 16 plants per meter. The following were evaluated: yield, flowering date, maturity date, 100-seed weight, plant height at maturity, and lodging. The maturity curve was plotted using reflectance values of the GLI index over days after planting (DAP), adjusted by LOESS regression. Variables extracted from the curve included: total area under the curve (AUC 1), the point of maximum GLI (GLIMax), the number of days to the point of maximum GLI (DAMax), the number of days from the point of maximum GLI to maturity (DDMax), and the area under the curve from the point of maximum GLI to complete maturity (AUC 2), and accumulated green, calculated by the difference between GLIMax and the initial value of the GLI index. Pearson correlation between maturity curve variables was performed. The MGIDI index, with different combinations of agronomic and maturity curve variables, was used along with direct selection through BLUP of productivity, comparing seven selection strategies. The MGIDI index showed efficacy in selections 2 through 6, while selection 2 was less efficient in population 1. In population 2, selection 3 was less effective. The coincidence among the top 10 genotypes of selections varied significantly, highlighting the importance of considering maturity date when conducting selection. Studying the behavior of genotypes within maturity groups proved promising, enabling more precise and efficient selection. Image analysis demonstrated efficiency in extracting variables from the maturity curve using the GLI (Green Leaf Index), although further studies are needed to correlate soybean phenological stages with these variables more accurately. Analysis of mean differences between groups reinforced the importance of conducting selection considering maturity date, avoiding favoring genotypes from a specific group. In conclusion, the association of agronomic characteristics and maturity curve characteristics were effective in defining the ideotype of each group in each population and selecting superior genotypes in each group based on the defined ideotype, in different selection strategies. Keywords: Glycine max, Soybean breeding, Ideotype, Drone-based phenotyping, Multivariate selection, MGIDI.

Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)