| |
|
|
| Registros recuperados : 92 | |
| 81. |  | FIGUEIREDO, U. J. de; NUNES, J. A. R.; PARRELLA, R. A. da C.; SOUZA, E. D.; SILVA, A. R. da; EMYGDIO, B. M.; MACHADO, J. R. A.; TARDIN, F. D. Adaptability and stability of genotypes of sweet sorghum by GGEBiplot and Toler methods. Genetics and Molecular Research, Ribeirão Preto, v. 14, n. 3, p. 11211-11221, 2015.| Biblioteca(s): Embrapa Clima Temperado; Embrapa Milho e Sorgo; Embrapa Roraima. |
|    |
| 82. | | LOMBARDI, G. M. R.; BOTELHO, T. T.; NUNES, J. A. R.; TEIXEIRA, C. H.; FAGUNDES, T. G.; ORNELAS, D. O.; DELGADO, F. S. de A.; PARRELLA, R. A. da C. Análise biplot de dialelos parciais em sorgo sacarino. In: CONGRESSO NACIONAL DE MILHO E SORGO, 32., 2018, Lavras. Soluções integradas para os sistemas de produção de milho e sorgo no Brasil: resumos. Sete Lagoas: Associação Brasileira de Milho e Sorgo, 2018. p. 306.| Biblioteca(s): Embrapa Milho e Sorgo. |
| |
| 83. | | GOUVEIA, B. T.; BARRIOS, S. C. L.; VALLE, C. B. do; GOMES, R. da C.; MACHADO, W. K. R.; BUENO FILHO, J. S. de S.; NUNES, J. A. R. Selection strategies for increasing the yield of high nutritional value leaf mass in Urochloa hybrids. Euphytica, v. 216, n. 38, 2020.| Biblioteca(s): Embrapa Gado de Corte. |
| |
| 84. | | OLIVEIRA, L. A. de; SILVA, C. P. da; SILVA, A. Q. da; MENDES, C. T. E.; NUVUNGA, J. J.; NUNES, J. A. R.; PARRELLA, R. A. da C.; BALESTE, M.; BUENO FILHO, J. S. de S. Bayesian GGE model for heteroscedastic multienvironmental trials. Crop Science, v. 62, p. 982-996, 2022.| Biblioteca(s): Embrapa Milho e Sorgo. |
| |
| 85. | | FIGUEIREDO JÚNIOR, J. M. M. de; NUNES, J. A. R.; PARRELLA, R. A. da C.; OLIVEIRA, I. C. M.; CAVALLIN, I. C.; HOMEM, S. F. S. C.; ALMEIDA, W, G. C. de; RODRIGUES, B. K. A. Estimação de parâmetros genéticos e uso de índice de seleção em sorgo forrageiro. In: CONGRESSO NACIONAL DE MILHO E SORGO, 33., 2022, Sete Lagoas. Brasil: 200 anos de independência: sustentabilidade e desafios para a cadeia produtiva de grãos: resumos. Sete Lagoas: Associação Brasileira de Milho e Sorgo, 2022. Evento online.| Biblioteca(s): Embrapa Milho e Sorgo. |
| |
| 86. | | DURÃES, N. N. L.; NUNES, J. A. R.; BRUZI, A. T.; LOMBARDI, G. M. R.; FAGUNDES, T. G.; PARRELLA, N. N. L. D.; SCHAFFERT, R. E.; PARRELLA, R. A. da C. Heterosis for ethanol yield and yield components in sweet sorghum. Sugar Tech, v. 23, n. 2, p. 360-368, 2021.| Biblioteca(s): Embrapa Milho e Sorgo. |
|  |
| 87. | | LOMBARDI, G. M. R.; NAVEGANTES, P. C. A.; PEREIRA, C. H.; FONSECA, J. M. O.; PARRELLA, R. A. da C.; CASTRO, F. M. R.; ROCHA, M. J.; ORNELAS, D. O.; BRUZI, A. T.; NUNES, J. A. R. Heterosis in sweet sorghum. Pesquisa Agropecuária Brasileira, Brasília, DF, v. 53, n. 5, p. 593-601, maio 2018. Título em português: Heterose em sorgo-sacarino.| Biblioteca(s): Embrapa Milho e Sorgo; Embrapa Unidades Centrais. |
| |
| 88. | | DIAS, K. O. das G.; GONÇALVES, F. M. A.; SOUZA SOBRINHO, F. de; NUNES, J. A. R.; TEIXEIRA, D. H. L.; MORAES, B. F. X. de; BENITES, F. R. G. Tamanho de parcela e efeito de bordadura no melhoramento de Urochloa ruziziensis. Pesquisa Agropecuária Brasileira, v. 48, n. 11, p. 1426-1431, 2013.| Biblioteca(s): Embrapa Gado de Leite; Embrapa Unidades Centrais. |
| |
| 90. | | FAGUNDES, T. G.; LOMBARDI, G. M. R.; LOPES, A. C. A.; FERNANDES FILHO, C. C.; LOPES, L. S.; PARRELLA, R. A. da C.; DUARTE, W. F.; NUNES, J. A. R. Characterization of sweet sorghum genotypes based on agro-industrial performance and fermentation potential. Sugar Tech, v. 23, p. 881-890, 2021.| Biblioteca(s): Embrapa Milho e Sorgo. |
| |
| 91. | | ROCHA, M. J. da; NUNES, J. A. R.; PARRELLA, R. A. da C.; LEITE, P.; LOMBARDI, G. M. R.; MOURA, M. L. C.; SCHAFFERT, R. E.; BRUZI, A. T. General and specific combining ability in sweet sorghum. Crop Breeding and Applied Biotechnology, Londrina, v. 18, p. 365-372, 2018.| Biblioteca(s): Embrapa Milho e Sorgo. |
| |
| Registros recuperados : 92 | |
|
|
|
Registro Completo
|
Biblioteca(s): |
Embrapa Milho e Sorgo. |
|
Data corrente: |
02/05/2022 |
|
Data da última atualização: |
14/06/2022 |
|
Tipo da produção científica: |
Artigo em Periódico Indexado |
|
Circulação/Nível: |
A - 1 |
|
Autoria: |
OLIVEIRA, L. A. de; SILVA, C. P. da; SILVA, A. Q. da; MENDES, C. T. E.; NUVUNGA, J. J.; NUNES, J. A. R.; PARRELLA, R. A. da C.; BALESTE, M.; BUENO FILHO, J. S. de S. |
|
Afiliação: |
LUCIANO ANTONIO DE OLIVEIRA, Universidade Federal da Grande Dourados; CARLOS PEREIRA DA SILVA, Universidade Federal de Lavras; ALESSANDRA QUERINO DA SILVA, Universidade Federal da Grande Dourados; CRISTIAN TIAGO ERAZO MENDES, Universidade Federal de Lavras; JOEL JORGE NUVUNGA, Universidade Eduardo Mondlane; JOSÉ AIRTON RODRIGUES NUNES, Universidade Federal de Lavras; RAFAEL AUGUSTO DA COSTA PARRELLA, CNPMS; MARCIO BALESTE, Universidade Federal de Lavras; JÚLIO SÍLVIO DE SOUSA BUENO FILHO, Universidade Federal de Lavras. |
|
Título: |
Bayesian GGE model for heteroscedastic multienvironmental trials. |
|
Ano de publicação: |
2022 |
|
Fonte/Imprenta: |
Crop Science, v. 62, p. 982-996, 2022. |
|
DOI: |
https://doi.org/10.1002/csc2.20696 |
|
Idioma: |
Inglês |
|
Conteúdo: |
The dissection of genotype×environment interaction (GEI) is a crucial aspect ofthe final stages of plant breeding pipelines and recommendation of cultivars. Linear-bilinear models used to analyze this interaction, such as the additive main effectsand multiplicative interaction (AMMI) and genotype plus GEI (GGE), often assumehomogeneity of the residual variances across environments which affects the esti-mates and therefore, interpretations and conclusions. Our main objective was topropose a GGE model that considers heteroscedasticity across environments usingBayesian inference and to evaluate its implications in the interpretation of real andsimulated data. The GGE model assuming common variance was also fitted for com-parison purposes. The great flexibility of the Bayesian inference is transferred to thebiplots, allowing the construction of credible regions for genotypic and environmen-tal scores. The inference on the stability and adaptability of genotypes might changewhen heteroscedasticity is ignored. When real data are used, different patterns of cor-relations between environments also affect the representativeness and discriminationof the target environment. The modeling of heteroscedasticity allowed the clusteringof environments into subgroups, with similar effects for GEI. The proposed GGEmodel was more adequate and realistic to deal with scenarios of heterogeneous vari-ance in multienvironment trials, which can be useful for exploiting the GEI. |
|
Palavras-Chave: |
Ensaio de cultivar; Ensaio de rendimento; Estabilidade; Interação meio ambiente; Modelo misto. |
|
Thesagro: |
Genótipo; Melhoramento Vegetal; Variedade. |
|
Categoria do assunto: |
G Melhoramento Genético |
|
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/item/236108/1/Bayesian-GGE-model-for-heteroscedastic.pdf
|
|
Marc: |
LEADER 02417naa a2200325 a 4500
001 2142572
005 2022-06-14
008 2022 bl uuuu u00u1 u #d
024 7 $ahttps://doi.org/10.1002/csc2.20696$2DOI
100 1 $aOLIVEIRA, L. A. de
245 $aBayesian GGE model for heteroscedastic multienvironmental trials.$h[electronic resource]
260 $c2022
520 $aThe dissection of genotype×environment interaction (GEI) is a crucial aspect ofthe final stages of plant breeding pipelines and recommendation of cultivars. Linear-bilinear models used to analyze this interaction, such as the additive main effectsand multiplicative interaction (AMMI) and genotype plus GEI (GGE), often assumehomogeneity of the residual variances across environments which affects the esti-mates and therefore, interpretations and conclusions. Our main objective was topropose a GGE model that considers heteroscedasticity across environments usingBayesian inference and to evaluate its implications in the interpretation of real andsimulated data. The GGE model assuming common variance was also fitted for com-parison purposes. The great flexibility of the Bayesian inference is transferred to thebiplots, allowing the construction of credible regions for genotypic and environmen-tal scores. The inference on the stability and adaptability of genotypes might changewhen heteroscedasticity is ignored. When real data are used, different patterns of cor-relations between environments also affect the representativeness and discriminationof the target environment. The modeling of heteroscedasticity allowed the clusteringof environments into subgroups, with similar effects for GEI. The proposed GGEmodel was more adequate and realistic to deal with scenarios of heterogeneous vari-ance in multienvironment trials, which can be useful for exploiting the GEI.
650 $aGenótipo
650 $aMelhoramento Vegetal
650 $aVariedade
653 $aEnsaio de cultivar
653 $aEnsaio de rendimento
653 $aEstabilidade
653 $aInteração meio ambiente
653 $aModelo misto
700 1 $aSILVA, C. P. da
700 1 $aSILVA, A. Q. da
700 1 $aMENDES, C. T. E.
700 1 $aNUVUNGA, J. J.
700 1 $aNUNES, J. A. R.
700 1 $aPARRELLA, R. A. da C.
700 1 $aBALESTE, M.
700 1 $aBUENO FILHO, J. S. de S.
773 $tCrop Science$gv. 62, p. 982-996, 2022.
Download
Esconder MarcMostrar Marc Completo |
|
Registro original: |
Embrapa Milho e Sorgo (CNPMS) |
|
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
Fechar
|
| Nenhum registro encontrado para a expressão de busca informada. |
|
|
