Published in

Científic@ - Multidisciplinary Journal, 1(7), p. 1-13, 2020

DOI: 10.37951/2358-260x.2020v7i1.4529

Links

Tools

Export citation

Search in Google Scholar

Análise Multivariada Em Características Vegetativas E Reprodutivas Em Progênies De Açaizeiros

This paper was not found in any repository; the policy of its publisher is unknown or unclear.
This paper was not found in any repository; the policy of its publisher is unknown or unclear.

Full text: Unavailable

Question mark in circle
Preprint: policy unknown
Question mark in circle
Postprint: policy unknown
Question mark in circle
Published version: policy unknown

Abstract

O fruto do açaizeiro tem seu consumo em expansão no Brasil e no exterior, sendo utilizados descritores em quantidade que dificulta a avaliação no campo e a seleção, sendo que a análise multivariada facilitaria este processo, portanto o objetivo deste trabalho foi analisar o comportamento das características visando determinar quais apresentam maior contribuição nas manifestações fenotípicas e também aquelas com maior potencial a serem utilizados para seleção. O delineamento experimental adotado foi de blocos ao acaso com duas repetições, cinco plantas por parcela e 175 progênies. Foram avaliadas as características: Lançamento Foliar (FLF); Folhas Maduras Abertas (FAB); Folhas Senescentes (FSE); Número de Facões ou Espatas Emitidas (FC); Cacho com Inflorescência em Floração (FL); Formação de Cacho Verde (FV); Cachos com Formação de Frutos Verdes (FF); Cacho com Frutos Maduros (FM); Tamanho do Cacho (TM); número de perfilhos presentes na estipe (NE); número cachos sem frutos (VS). As conclusões obtidas foram de que a análise inicial indica o uso de duas características para seleção (FAB e outra dentre as demais); ao ampliar o número de características pelo dendrograma deve utilizar FAB, escolher NE ou TM e optar por uma entre as demais; o Biplot refinou a escolha das caraterísticas, permitindo selecionar FAB, TM, FV e FF, com contribuições positivas; o uso de metodologias combinadas, principalmente com o Biplot permite corrigir erros de escolha de características dentro de uma ampla quantidade de características para uso em seleção.