Predição espacial fenotípica da interação GxA E usando normas de reação baseadas em SIG para o zoneamento de genótipos de Eucalyptus na escala da paisagem

Abstract

Garantir a adaptação de florestas plantadas depende da alocação precisa de genótipos em ambientes onde seu potencial de produtividade seja maximizado. Embora a enviromômica ofereça ferramentas poderosas para modelar a interação genótipo × ambiente (G×A), sua implementação operacional é frequentemente limitada pela necessidade de dados climáticos de alta resolução. Este estudo propõe uma abordagem para o zoneamento de genótipos de Eucalyptus no sul do Brasil utilizando um Índice Ambiental espacializado (EIspat) derivado da altura dominante (Hdom) como uma covariável sintética. Foram analisadas 7.728 parcelas de inventário abrangendo 53 genótipos em uma zona de transição climática (Cfa/Cfb) no Rio Grande do Sul. A produtividade volumétrica (IMA) foi a principal variável resposta, e a interação G×A foi modelada via normas de reação utilizando REML/BLUP. A robustez da predição foi verificada por meio de validação cruzada espacial do tipo Leave-One-Region-Out (LORO), com caracterização ambiental independente para cada dobra (fold) para eliminar o vazamento de informações (information leakage). A modelagem mista revelou uma herdabilidade de 0,27, indicando variabilidade genética significativa. A plasticidade fenotípica não foi uniforme, distinguindo genótipos de "alta responsividade" daqueles com "alta estabilidade". A espacialização reduziu a complexidade do manejo, com apenas dois genótipos de elite dominando o mapa de recomendação e maximizando a produtividade em 89% da paisagem. A validação cruzada espacial confirmou a robustez da abordagem, atingindo correlações de 𝑟 = 0,88 em regiões de alta densidade e uma capacidade preditiva global de 𝑟 = 0,61. Concluímos que indicadores biológicos integrados, refinados por variáveis geográficas, fornecem uma plataforma preditiva eficiente para a silvicultura de precisão, oferecendo uma alternativa de baixo custo em comparação a modelos baseados em dados climáticos de alta dimensão.