IDENTIFICACIÓN DE RELACIONES ENTRE RENDIMIENTOS Y VARIABLES AMBIENTALES VÍA ÁRBOLES DE CLASIFICACIÓN Y REGRESIÓN (CART)

摘要

Multi-environmental trials (MET) are common in agricultural research. Meteorological and management covariates which potentially explain yield-environment relationships are recorded to characterize environments. The relative contribution of different covariates is usually done through univariate statistical techniques, oarticularly regression analysis and t test. However, classification and regression tree algorithms (CART) represent an alternative multivariate approach to identify environmental variables with the greatest impact on yield. The CART model has fewer restrictions to its implementation than classical techniques based on linear models. In this study, the relative performance of CART and traditional linear model-based procedures is evaluated. A database containing soybean yields across a wide environmental range, from a MET conducted in the Argentinean soybean crop region, is used. CART algorithms are a robust technique for identifying environmental covariates predicting yield variability. The study highlights the need to take into account multicolineallity when environmental covariates are used in linear models.%En investigaciones agrícolas son frecuentes los ensayos mul-tiambientales (EMA) para la comparación de rendimientos de varios genotipos en múltiples ambientes. Para caracterizar los ambientes es común registrar covariables meteorológicas y/o de manejo con potencialidad de explicar relaciones entre rendimientos y ambientes. La contribución relativa de las distintas covariables suele analizarse vía técnicas estadísticas univariadas, principalmente prueba t y análisis de regresión. No obstante, los árboles de clasificación y de regresión, algoritmos CART, constituyen una aproximación multivariada alternativa para identificar variables ambientales de más impacto en los rendimientos. Los CART presentan menos restricciones para su implementación que las técnicas de análisis basadas en los modelos lineales clásicos. En el presente trabajo se evalúa el desempeño de algoritmos CART comparado con los procedimientos clásicos de análisis en una base de datos de rendimientos de soja proveniente de un EMA inserto en la región sojera argentina a través de los ambientes. Los resultados muestran que los algoritmos CART constituyen, debido a su bajo error de predicción, una técnica robusta para predecir la variabilidad en los rendimientos como respuesta a variaciones ambientales. El estudio resalta la necesidad de contemplar la multicolinealidad al trabajar con covariables ambientales y modelos clásicos.