Predição da produtividade de grãos de bases genéticas de milho por meio de variáveis fenológicas e meteorológicas

Autores

DOI:

https://doi.org/10.5902/2179460X83990

Palavras-chave:

Zea mays, Árvore de regressão, Radiação solar global, Soma térmica

Resumo

O objetivo deste trabalho foi verificar se é possível predizer a produtividade de grãos de bases genéticas de milho por meio de variáveis fenológicas e meteorológicas. Foi conduzido um experimento com genótipos de milho em cinco datas de semeadura. Na primeira data de semeadura (21 de setembro de 2021) foram semeados 71 genótipos (46 híbridos simples, 14 híbridos triplo, 3 híbridos duplo e 8 variedades). Nas outras quatro datas de semeadura (20 de outubro de 2021, 20 de novembro de 2021, 20 de dezembro de 2021 e 30 de janeiro de 2022) foram semeados 78 genótipos (47 híbridos simples, 15 híbridos triplo, 8 híbridos duplo e 8 variedades). Para cada genótipo e data de semeadura, foram obtidas as variáveis fenológicas, a produtividade de grãos, a radiação solar global acumulada e a soma térmica nos estádios vegetativo e reprodutivo. Para cada base genética de milho, aplicou-se a análise de componentes principais e estimaram-se os parâmetros do algoritmo de árvore de regressão para a predição da produtividade de grãos em função das variáveis fenológicas e meteorológicas. A radiação solar global acumulada nos estádios vegetativo e reprodutivo é a principal variável que determina a produtividade de grãos de híbridos triplo e duplo; e híbridos simples e variedades de milho, respectivamente.

Downloads

Biografia do Autor

Murilo Vieira Loro, Universidade Federal de Santa Maria

Discente do doutorado em Agronomia na Universidade Federal de Santa Maria

Alberto Cargnelutti Filho, Universidade Federal de Santa Maria

Professor do departamento de Fitotecnia na Universidade Federal de Santa Maria

Vithória Morena Ortiz, Universidade Federal de Santa Maria

Discente do mestrado em Agronomia na Universidade Federal de Santa Maria

João Augusto Andretta, Universidade Federal de Santa Maria

Discente do curso de Agronomia na Universidade Federal de Santa Maria

Mikael Brum dos Reis, Universidade Federal de Santa Maria

Discente do curso de Agronomia na Universidade Federal de Santa Maria

Bruno Raul Schuller, Universidade Federal de Santa Maria

Discente do curso de Agronomia na Universidade Federal de Santa Maria

Referências

ALVARES, C. A.; STAPE, J. L.; SENTELHAS, P. C.; GONÇALVES, J. L. M.; SPAROVEK, G. Koppen’s climate classification map for Brazil. Meteorologische Zeitschrif, [S.l.], v. 22, n. 6, p. 711-728, 2013. DOI: https://doi.org/10.1127/0941-2948/2013/0507

ARNOLD, C. Y. Maximum-minimum temperatures as a basis for computing heat units. Journal of the American Society for Horticultural Sciences, v. 76, n. 1, p. 682-692, 1960.

BONELLI, L. E; MONZON, J. P; VERRUDO, A; RIZZALLI, R. H; ANDRADE, F. H. Maize grain yield components and source-sink relationship as affected by the delay in sowing date. Field Crops Research, v. 198, n. 1, p. 215-225, 2016. DOI: https://doi.org/10.1016/j.fcr.2016.09.003

CARPENTIERI-PÍPOLO, C; SOUZA, A; SILVA, D. A; BARRETO, T. P; GARBUGLIO, D. D; FERREIRA, J. M. Avaliação de cultivares de milho crioulo em sistema de baixo nível tecnológico. Acta Scientiarum. Agronomy, v. 32, n. 2, p. 229-233, 2010. DOI: https://doi.org/10.4025/actasciagron.v32i2.430

CEDRIC, L. S; ADONI, W. Y. H; AWORKA, R; ZOUEU, J. T; MUTOMBO, F. K; KRICHEN, M; KIMPOLO, C. L. M. Crops yield prediction based on machine learning models: case of west african countries. Smart Agricultural Technology, v. 2, 100049, p. 1-14, 2022. DOI: https://doi.org/10.1016/j.atech.2022.100049

COELHO, A. E; SANGOI, L; BALBINOT JUNIOR, A. A; KUNESKI, H. F; MARTINS JÚNIOR, M. C. Nitrogen use efficiency and grain yield of corn hybrids as affected by nitrogen rates and sowing dates in subtropical environment. Revista Brasileira de Ciência do Solo, v. 46, e0210087, p. 1-21, 2022. DOI: https://doi.org/10.36783/18069657rbcs20210087

EMYGDIO, B. M; IGNACZAK, J. C; CARGNELUTTI FILHO, A. Potencial de rendimento de grãos de híbridos comerciais simples, triplos e duplos de milho. Revista Brasileira de Milho e Sorgo, v. 6, n. 1, p. 95-103, 2007. DOI: https://doi.org/10.18512/1980-6477/rbms.v6n1p95-103

FANCELLI, A. L; DOURADO NETO, D. Milho: manejo e produtividade. Piracicaba: ESALQ/USP, 2009. 181 p.

GE, J; XU, Y; ZHAO, M; ZHAN, M; CAO, C; CHEN, C; ZHOU, B. Effect of climatic conditions caused by seasons on maize yield, kernel filling and weight in entral China. Agronomy, v. 12, n. 8, p. 1-19, 2022. DOI: https://doi.org/10.3390/agronomy12081816

GUO, D; CHEN, C; LI, X; WANG, R; DING, Z; MA, W; WNAG, X; LI, C; ZHAO, M; LI, M; ZHOU, B. Adjusting sowing date improves the photosynthetic capacity and grain yield by optimizing temperature condition around flowering of summer maize in the North China Plain. Frontiers in Plant Science, v. 13, n. 1, p. 1-16, 2022. DOI: https://doi.org/10.3389/fpls.2022.934618

GUTTMAN, L. Some necessary conditions for common factor analysis. Psychometrika, [S.l.], v. 19, n. 2, p. 149-162, 1954. DOI: https://doi.org/10.1007/BF02289162

JEONG, J. H; RESOP, J. P; MUELLER, N. D; FLEISHER, D. H; YUN, K; BUTLER, E. E; TIMLIN, D. J; SHIM, K. M; GERBER, J. S; REDDY, V. R; KIM, S. H. Random forests for global and regional crop yield predictions. PloS One, v. 11, n. 6, e0156571, 2016. DOI: https://doi.org/10.1371/journal.pone.0156571

JOLLIFFE, I. T.; CADIMA, J. Principal component analysis: a review and recent developments. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, [S.l.], v. 374, p. 20150202, 2016. DOI: https://doi.org/10.1098/rsta.2015.0202

KAISER, H. F. The varimax criterion for analytic rotation in factor analysis. Psychometrika, [S.l.], v. 23, n. 3, p. 187-200. 1958. DOI: https://doi.org/10.1007/BF02289233

LIMA, R; BORÉM, A. Melhoramento de Milho. Minas Gerais: UFV, 2018, 396p.

MAURO, G. di; CIPRIOTTI, P. A; GALLO, S; ROTUNDO, J. L. Environmental and management variables explain soybean yield gap variability in Central Argentina. European Journal of Agronomy, [S.l.], v. 99, p. 186-194, 2018. DOI: https://doi.org/10.1016/j.eja.2018.04.012

MELO, A. V; SANTOS, V. M; VARANDA, M. A. F; CARDOSO, D. P; DIAS, M. A. R. Desempenho agronômico de genótipos de milho submetidos ao estresse hídrico no Sul do estado do Tocantins. Revista Brasileira de Sorgo e Milho, v. 17, n. 2, p. 177-189, 2018. DOI: https://doi.org/10.18512/1980-6477/rbms.v17n2p177-189

MILBORROW, S. _rpart.plot: Plot 'rpart' Models: an Enhanced Version of 'plot.rpart'_. R package version 3.1.1, 2022. <https://CRAN.R-project.org/package=rpart.plot>. Acesso em: 25/04/2023.

R CORE TEAM. R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, 2023.

SAH, R. P; PRASAD, M; PANDIT, M; TUDU, V. K; CHAKRAVARTY, M. K; NARAYAN, S. C; RANA, M; MOHARANA, D. Impact of water deficit stress in maize: Phenology and yield components. Scientific Reports, v. 10, n. 2944, p. 1-15, 2020. DOI: https://doi.org/10.1038/s41598-020-59689-7

SANTOS, H. G; HACOMINE, P. K. T; ANJOS, L. H. C; OLIVEIRA, V. A; LUMBRERAS, J. F; COELHO, M. R; ALMEIDA, J. A; ARAUJO FILHO, J. C; OLIVEIRA, J. B; CUNHA, T. J. F. Sistema brasileiro de classificação de solos. 5. ed. Rio de Janeiro: Embrapa, 2018.

TAIZ, L.; ZEIGER, E.; MOLLER, I.M.; MURPHY, A. Fisiologia e desenvolvimento vegetal. 6ª ed., Porto Alegre: Artmed Editora, 2017. 858p.

THERNEAU, T.; ATKINSON, B. _rpart: Recursive Partitioning and Regression Trees_. R package version 4.1.19, 2022. <https://CRAN.R-project.org/package=rpart>.

VEENSTRA, R. L.; MESSINA, C. D.; BERNING, D.; HAAG, L. A.; CARTER, P.; HEFLEY, T. J.; PRASAD, P. V. V.; CIAMPITTI, I. A. Effect of tillers on corn yield: Exploring trait plasticity potential in unpredictable environments. Crop Science, [S.l.], v. 61, n. 1, p. 3660-3674, 2021. DOI: https://doi.org/10.1002/csc2.20576

ZHOU, B; YUE, Y; SUN, X; WANG, X; WANG, Z; MA, W; ZHAO, M. Maize Grain Yield and Dry Matter Production Responses to Variations in Weather Conditions. Agronomy Journal, v. 108, n. 1, p. 196-204, 2016. DOI: https://doi.org/10.2134/agronj2015.0196

Downloads

Publicado

2025-03-14

Como Citar

Loro, M. V., Cargnelutti Filho, A., Ortiz, V. M., Andretta, J. A., Reis, M. B. dos, & Schuller, B. R. (2025). Predição da produtividade de grãos de bases genéticas de milho por meio de variáveis fenológicas e meteorológicas. Ciência E Natura, 47, e83990. https://doi.org/10.5902/2179460X83990

Edição

Seção

Estatística

Artigos mais lidos pelo mesmo(s) autor(es)