library(gt)
library(asreml)Online License checked out Tue Nov 18 21:16:24 2025library(sf)
library(rnaturalearth)
library(rnaturalearthdata)
library(rnaturalearthhires)
library(tidyverse)
library(ggspatial)
library(geobr)
library(ggplot2)
library(dplyr)data.local <- read.csv("data_final.csv", header = T)
data.local$lon <- as.numeric(sub(",", ".", data.local$lon))
data.local$lat <- as.numeric(sub(",", ".", data.local$lat))
data <- read.csv("data_final.csv", header = T)
data <- transform(data,
gen = factor(gen),
block = factor(block),
rep = factor(rep),
env = factor(env),
GY = as.numeric(sub(",", ".", yield)))A análise dos dados foi feita com base em experimentos distribuidos pelas cinco regiões do Brasil, os únicos biomas que não foram abrangidos foi o pantanal e o pampa. Devido a isso, os híbridos foram avaliados em uma ampla variedade de condições edafoclimáticas. Desta forma, faz-se necessario utilizar modelos que consigam captar a interação do genotipo por ambitene (GEI) para seleção.
mapa_locais <- data.frame(
Env = c("E01","E02","E03","E04","E05","E06","E07","E08","E09","E10",
"E11","E12","E13","E14","E15","E16","E17","E18","E19","E20",
"E21","E22","E23","E24","E25","E26","E27","E28","E29","E30",
"E31","E32","E33","E34","E35","E36","E37","E38","E39","E40",
"E41","E42","E43","E44","E45","E46","E47"),
Local = c("Altamira","Altamira","Belterra","Belterra","Belterra",
"Birigui","Birigui","Birigui","Boa Vista","Campo Mourão",
"Campo Mourão","Campo Mourão","Campo Mourão","Conquista",
"Goiania","Goiania","Ipangassu","Londrina","Londrina","Manaus",
"Mata Roma","Mata Roma","Mata Roma","Mata Roma","Paragominas",
"Paragominas","Paragominas","Patos","Patos","Planaltina",
"Planaltina","Planaltina","Ponta Grossa","Rio Branco",
"São Raimundo","São Raimundo","São Raimundo","São Raimundo",
"São Sebastião Paraíso","Sete Lagoas","Sete Lagoas","Sete Lagoas",
"Sete Lagoas","Sinop","Sobral","Teresina","Vilhena"),
stringsAsFactors = FALSE)
data.local$env <- as.character(data.local$env)
data.local2 <- left_join(data.local, mapa_locais, by = c("env" = "Env"))
ordem_locais <- unique(mapa_locais$Local)
data.local2$Local <- factor(data.local2$Local, levels = ordem_locais)
if(!("lon" %in% names(data.local2) && "lat" %in% names(data.local2))){
stop("As colunas 'lon' e 'lat' não foram encontradas em data.local2.")
}
pts_sf <- st_as_sf(data.local2, coords = c("lon","lat"), crs = 4326, remove = FALSE)
br <- ne_countries(country = "Brazil", scale = "medium", returnclass = "sf")
estados <- ne_states(country = "Brazil", returnclass = "sf")
biomas <- geobr::read_biomes(year = 2019)
if ("name_biome" %in% names(biomas)) {
biomas$bioma_nome <- biomas$name_biome
} else if ("name_bioma" %in% names(biomas)) {
biomas$bioma_nome <- biomas$name_bioma
} else if ("biome" %in% names(biomas)) {
biomas$bioma_nome <- biomas$biome
} else {
stop("Não encontrei a coluna com o nome do bioma em 'biomas'.")
}
biomas <- biomas[!grepl("COSTEIR", toupper(biomas$bioma_nome)), ]
biomas$bioma_padronizado <- NA
biomas$bioma_padronizado[grepl("AMAZON", toupper(biomas$bioma_nome))] <- "Amazônia"
biomas$bioma_padronizado[grepl("CERRAD", toupper(biomas$bioma_nome))] <- "Cerrado"
biomas$bioma_padronizado[grepl("PANTAN", toupper(biomas$bioma_nome))] <- "Pantanal"
biomas$bioma_padronizado[grepl("MATA", toupper(biomas$bioma_nome)) |
grepl("ATLANT", toupper(biomas$bioma_nome))] <- "Mata Atlântica"
biomas$bioma_padronizado[grepl("CAATIN", toupper(biomas$bioma_nome)) |
grepl("CAATINGA", toupper(biomas$bioma_nome))] <- "Caatinga"
biomas$bioma_padronizado[grepl("PAMPA", toupper(biomas$bioma_nome))] <- "Pampa"
biomas$bioma_padronizado[is.na(biomas$bioma_padronizado)] <- biomas$bioma_nome[is.na(biomas$bioma_padronizado)]
crs_target <- 4326
br <- st_transform(br, crs = crs_target)
estados <- st_transform(estados, crs = crs_target)
pts_sf <- st_transform(pts_sf, crs = crs_target)
biomas <- st_transform(biomas, crs = crs_target)
cores_biomas <- c(
"Amazônia" = "#2ca25f",
"Cerrado" = "#fb6a4a",
"Pantanal" = "#fdae6b",
"Mata Atlântica" = "#a1d99b",
"Caatinga" = "#2b8cbe",
"Pampa" = "#ffe066"
)
mapa <- ggplot() +
geom_sf(data = biomas, aes(fill = bioma_padronizado), color = NA, alpha = 0.9, inherit.aes = FALSE) +
geom_sf(data = br, inherit.aes = FALSE, fill = NA, color = "gray50", size = 0.2) +
geom_sf(data = estados, inherit.aes = FALSE, fill = NA, color = "gray70", size = 0.2) +
geom_sf(data = pts_sf, inherit.aes = FALSE, aes(color = Local), size = 3, alpha = 0.95) + # <- aqui
scale_fill_manual(name = "Biomas", values = cores_biomas, na.value = "grey80") +
scale_color_viridis_d(name = "Locais (municípios)") + # legenda já mostrará os nomes em 'Local'
labs(title = "Locais de Experimentação",
x = "Longitude", y = "Latitude") +
theme_minimal() +
theme(plot.title = element_text(hjust = 0.5),
legend.position = "right",
legend.title = element_text(size = 10),
legend.text = element_text(size = 8)) +
annotation_north_arrow(location = "bl", which_north = "true", style = north_arrow_nautical())
As análises de cada ambiente foram feitas no software R (R Core Team 2022), utilizando modelos lineares mistos (Henderson 1949, 1950) com o pacote ASRelm-R package (Butler 2021). Os componentes residuais foram estimados utilizando o teste de máxima verossimilhança (LRT-test) (Patterson e Thompson 1971).
Modelo utilizado:
\[ \mathbf{y} = \mathbf{X}\boldsymbol{\beta} + \mathbf{Zg} + \boldsymbol{\varepsilon} \] \(\mathbf{y}\) é o vetor fenotipico, \(\boldsymbol{\beta}\) é o vetor de efeitos fixos repetição e bloco com incidência na matriz \(\mathbf{X}\), \(\mathbf{g}\) é o vetor de efeito aleatorio de genotipo com incidência na matriz \(\mathbf{Z}\), \(\boldsymbol{\varepsilon}\) é o vetor residual.
O teste de significânia para efeitos aleatorios foi o LRT, expresso pela fórmula:
\[ LRT = 2 \ln(L_c) - 2 \ln(L_t) \] \(\ln(L_c)\) é o modelo log-verossimilhança do modelo completo, \(\ln(L_t)\) é o modelo log-verossimilhança do modelo reduzido. \(L\) é o ponto de máxima verossimilhança da função.
E10 <- droplevels(subset(data, env == "E10"))
str(E10)'data.frame': 72 obs. of 22 variables:
$ X.1 : int 649 650 651 652 653 654 655 656 657 658 ...
$ X : int 649 650 651 652 653 654 655 656 657 658 ...
$ ID : int 17537 17538 17539 17540 17541 17542 17543 17544 17545 17546 ...
$ Year : int 2010 2010 2010 2010 2010 2010 2010 2010 2010 2010 ...
$ plant : chr "2010-11-01" "2010-11-01" "2010-11-01" "2010-11-01" ...
$ harv : chr "2011-04-06" "2011-04-06" "2011-04-06" "2011-04-06" ...
$ Trial : logi FALSE FALSE FALSE FALSE FALSE FALSE ...
$ Set : chr "TC2" "TC2" "TC2" "TC2" ...
$ Region : chr "TR" "TR" "TR" "TR" ...
$ env : Factor w/ 1 level "E10": 1 1 1 1 1 1 1 1 1 1 ...
$ Location : chr "CAMPO_MOURAO" "CAMPO_MOURAO" "CAMPO_MOURAO" "CAMPO_MOURAO" ...
$ lat : chr "-24,0434" "-24,0434" "-24,0434" "-24,0434" ...
$ lon : chr "-52,2225" "-52,2225" "-52,2225" "-52,2225" ...
$ Season : chr "S1" "S1" "S1" "S1" ...
$ rep : Factor w/ 2 levels "1","2": 1 1 1 1 1 1 1 1 1 1 ...
$ block : Factor w/ 12 levels "1","2","3","4",..: 5 1 2 1 6 4 5 3 4 6 ...
$ gen : Factor w/ 36 levels "AG7088","F_16_23",..: 31 29 8 6 22 12 23 13 19 25 ...
$ Pedigree_NEW: chr "[ NB5318_4.2_1_1S5 ] X [ L3 ]" "[ (228_3x45611)x228_3)_2_4)x228_3)_1_1S2 ] X [ L3 ]" "[ (531636X521549) ] X [ (521237x521236) ]" "[ (542161X521237) ] X [ (530921x521280) ]" ...
$ yield : chr "9,4" "11,69" "12,83" "11,84" ...
$ Tester : chr "" "L3" "" "" ...
$ Type : chr "" "HS" "" "" ...
$ GY : num 9.4 11.7 12.8 11.8 11.6 ...mod10 <- asreml(fixed = GY ~ rep + block,
random = ~ gen,
data = E10)ASReml Version 4.2 18/11/2025 21:16:35
LogLik Sigma2 DF wall
1 -69.83209 2.404957 60 21:16:35
2 -64.99932 1.499783 60 21:16:35
3 -62.06769 0.9953132 60 21:16:35
4 -61.30309 0.8021010 60 21:16:35
5 -61.22522 0.7382731 60 21:16:35
6 -61.22517 0.7366210 60 21:16:35mod.red10 <- asreml(fixed = GY ~ rep + block,
data = E10)ASReml Version 4.2 18/11/2025 21:16:35
LogLik Sigma2 DF wall
1 -71.60645 2.796951 60 21:16:35test.lrt10 <- lrt.asreml(mod10,mod.red10)
tab.var10 <- summary(mod10)$varcomp
VarRe10 <- tab.var10["units!R", "component"]
VarG10 <- tab.var10["gen", "component"]
Des10 <- sqrt(VarRe10)
mean_010 <- mean(E10$GY, na.rm = TRUE)
CV10 <- (Des10/mean_010)*100
Her10 <- tab.var10["gen", "component"]/(VarG10 + VarRe10/2)
tabela_E10 <- data.frame(
Env = "E10",
VarG = VarG10,
VarRe = VarRe10,
GY = mean_010,
CV = CV10,
H2 = Her10) Env VarG VarRe GY CV H2
1 E10 1.974597 0.736621 11.11722 7.72015 0.8427977| Resultados por Ambiente | ||||||
|---|---|---|---|---|---|---|
| Env | VarG | VarRe | GY | CV | H2 | LRT.Test |
| E01 | 1.03 | 0.68 | 10.20 | 8.10 | 0.75 | * |
| E02 | 0.37 | 0.97 | 7.06 | 13.93 | 0.43 | N-sig |
| E03 | 1.71 | 0.86 | 7.70 | 12.04 | 0.80 | * |
| E04 | 2.19 | 1.39 | 7.06 | 16.74 | 0.76 | * |
| E05 | 0.47 | 0.72 | 6.11 | 13.88 | 0.57 | * |
| E06 | 1.00 | 1.33 | 7.92 | 14.58 | 0.60 | * |
| E07 | 1.34 | 1.02 | 5.47 | 18.50 | 0.72 | * |
| E08 | 0.80 | 1.15 | 5.27 | 20.32 | 0.58 | * |
| E09 | 0.54 | 0.33 | 3.72 | 15.53 | 0.77 | * |
| E10 | 1.97 | 0.74 | 11.12 | 7.72 | 0.84 | * |
| E11 | 0.00 | 1.65 | 10.76 | 11.95 | 0.00 | N-sig |
| E12 | 0.00 | 2.14 | 11.25 | 12.99 | 0.00 | N-sig |
| E13 | 0.70 | 0.54 | 11.79 | 6.23 | 0.72 | * |
| E14 | 2.10 | 2.05 | 11.83 | 12.09 | 0.67 | * |
| E15 | 0.55 | 0.82 | 8.81 | 10.31 | 0.57 | * |
| E16 | 0.25 | 1.20 | 6.51 | 16.83 | 0.29 | N-sig |
| E17 | 0.97 | 1.15 | 8.08 | 13.28 | 0.63 | * |
| E18 | 1.81 | 1.71 | 8.98 | 14.57 | 0.68 | * |
| E19 | 1.00 | 1.01 | 8.26 | 12.18 | 0.66 | * |
| E20 | 1.22 | 0.77 | 5.91 | 14.83 | 0.76 | * |
| E21 | 0.20 | 0.69 | 9.21 | 9.00 | 0.37 | N-sig |
| E22 | 0.47 | 0.40 | 7.29 | 8.71 | 0.70 | * |
| E23 | 0.64 | 0.13 | 6.73 | 5.41 | 0.91 | * |
| E24 | 0.55 | 0.30 | 8.24 | 6.59 | 0.79 | * |
| E25 | 0.94 | 0.62 | 5.30 | 14.88 | 0.75 | * |
| E26 | 2.08 | 0.95 | 5.17 | 18.89 | 0.81 | * |
| E27 | 0.39 | 0.53 | 6.52 | 11.18 | 0.60 | * |
| E28 | 0.25 | 1.07 | 11.02 | 9.38 | 0.32 | N-sig |
| E29 | 0.43 | 0.64 | 12.40 | 6.45 | 0.57 | * |
| E30 | 2.23 | 0.41 | 11.19 | 5.69 | 0.92 | * |
| E31 | 0.55 | 0.95 | 12.26 | 7.95 | 0.54 | * |
| E32 | 1.04 | 1.14 | 13.23 | 8.08 | 0.64 | * |
| E33 | 3.76 | 1.86 | 11.52 | 11.84 | 0.80 | * |
| E34 | 0.50 | 0.44 | 6.89 | 9.60 | 0.70 | * |
| E35 | 0.35 | 0.93 | 9.21 | 10.48 | 0.43 | N-sig |
| E36 | 0.90 | 0.19 | 8.91 | 4.84 | 0.91 | * |
| E37 | 0.78 | 0.74 | 8.11 | 10.64 | 0.68 | * |
| E38 | 0.41 | 0.74 | 9.13 | 9.45 | 0.53 | * |
| E39 | 3.11 | 0.88 | 11.05 | 8.50 | 0.88 | * |
| E40 | 1.77 | 0.51 | 9.13 | 7.86 | 0.87 | * |
| E41 | 0.64 | 2.52 | 10.30 | 15.40 | 0.34 | N-sig |
| E42 | 1.04 | 0.99 | 11.24 | 8.84 | 0.68 | * |
| E43 | 0.79 | 1.58 | 9.38 | 13.39 | 0.50 | * |
| E44 | 0.82 | 0.96 | 8.36 | 11.69 | 0.63 | * |
| E45 | 0.03 | 0.89 | 4.43 | 21.33 | 0.06 | N-sig |
| E46 | 1.42 | 1.39 | 10.90 | 10.80 | 0.67 | * |
| E47 | 0.54 | 0.26 | 7.31 | 6.99 | 0.81 | * |
O ambiente 32 teve a maior média de produtividade (GY) 13.230 kg/ha, o ambiente 09 teve a menor média de produtividade 3.720 kg/ha. O coeficiente de variação (CV) foi entre 4,48% e 21,33%. A herdabilidade (H2) nos ambientes significativos foi entre 0,5 e 0,92. “VarG” é a variância genotipica, “VarRe” é a variância residual, ambas calculadas pelo modelo descrito acima.
Estes locais foram mantidos para aumentar o número de locais em que os híbridos foram avaliados.