INTRODUCCIÓN

El empleo de técnicas y métodos de macrodatos a la agricultura constituyen una gran oportunidad para el uso de tecnologías en función de la inversión y de la percepción del valor adicional de estas dentro del sector agroalimentario (11. Sun J, Zhou Z, Bu Y, Zhuo J, Chen Y, Li D. Research and development for potted flowers automated grading system based on internet of things. Journal of Shenyang Agricultural University [Internet]. 2013;44(5):687-91. Available from: https://www.cabdirect.org/cabdirect/abstract/20133406244 ,22. Yang C. Big Data and its potential applications on agricultural production. Crop, Environment & Bioinformatics [Internet]. 2014;11(1):51-6. Available from: https://www.cabdirect.org/cabdirect/abstract/20143190953 ). El paradigma de macrodatos, datos masivos o big data es bastante reciente y desempeña un papel importante en la mejora de la eficiencia de toda la cadena de suministro y en la mitigación de los problemas de seguridad alimentaria (33. Chen M, Mao S, Liu Y. Big data: A survey. Mobile networks and applications [Internet]. 2014;19(2):171-209. Available from: https://dl.acm.org/doi/10.1007/s11036-013-0489-0 ).

Las aplicaciones de macrodatos en la agricultura no se refieren estrictamente a la producción primaria de grandes conjuntos de datos, sino que basan las tareas de gestión en la interconexión de formas automatizadas de recopilación y almacenamiento con funciones de reconocimiento de patrones (44. Mazzocchi F, Lapointe FJ. Sobre el ‘big data’:¿ Cómo podríamos dar sentido a los macrodatos? Mètode: Revista de difusión de la Investigación [Internet]. 2020;1(104):34-41. Available from: https://dialnet.unirioja.es/servlet/articulo?codigo=7391781 ). Si bien el enfoque big data tiene en cuenta la variabilidad en el campo, necesita herramientas de reconfiguración en tiempo real para agilizar la toma de decisiones, y generalmente incluyen asistencia inteligente en la implementación, mantenimiento y uso de la tecnología (55. Wolfert S, Ge L, Verdouw C, Bogaardt M-J. Big data in smart farming-a review. Agricultural systems [Internet]. 2017;153:69-80. Available from: https://www.sciencedirect.com/science/article/pii/S0308521X16303754 ).

Los programas de mejoramiento genético de la caña de azúcar siguen cuatro pasos claves: (i) la generación de una gran población de progenie a partir de cruces específicos, (ii) la evaluación de esa descendencia en diferentes etapas, (iii) la selección de clones con características superiores, y (iv) recombinación de los clones seleccionados para cerrar el ciclo, o para iniciar uno nuevo. Este es un proceso relativamente largo (nunca inferior a los 10 años), que consume recursos y genera gran cantidad de información que debe ser resumida en diferentes formas (66. Park S, Jackson P, Berding N, Inman-Bamber G. Conventional breeding practices within the Australian sugarcane breeding program. In: Proceedings of the Australian Society of Sugar Cane Technologists [Internet]. 2007. p. 113-21. Available from: https://www.researchgate.net/profile/Nils-Berding/publication/305390103_Conventional_breeding_practices_within_the_Australian_sugarcane_breeding_program/links/578c603608ae5c86c9a14e99/Conventional-breeding-practices-within-the-Australian-sugarcane-breeding-program.pdf ,77. Yadav S, Jackson P, Wei X, Ross EM, Aitken K, Deomano E, et al. Accelerating genetic gain in sugarcane breeding using genomic selection. Agronomy [Internet]. 2020;10(4):585. Available from: https://www.mdpi.com/2073-4395/10/4/585 ).

El Instituto de Investigaciones de la Caña de Azúcar de Cuba (INICA) desarrolla un programa de mejoramiento genético para dar respuesta a la obtención de cultivares (88. González R. Variedades de caña de azúcar cultivadas en Cuba. Cronología, legislación, metodologías y conceptos relacionados. Instituto Cubano de Investigaciones de Derivados de La Caña de Azúcar; 2019.). Esto implica que anualmente maneja un extenso volumen de datos provenientes de una población grande de clones y cultivares en diferentes etapas de selección.

Para capturar, almacenar y procesar la información obtenida en el Programa de Mejora de la caña de azúcar en Cuba se dispone de un programa informático (SASEL) que permite mejorar la eficiencia de todo el proceso (99. Rodríguez R, Puchades Y, Abiche W, Rill S, García H. SASEL: software for data management generated in the Cuban sugarcane-breeding program. In: Proceedings of the International Society of Sugar Cane Technologists. 2016. p. 63-6.). Sumado a lo anterior existe información proveniente de la respuesta de los cultivares en condiciones de producción, tanto de rendimiento como de reacción frente a las plagas, que no se toma en consideración, de manera dinámica, para corregir el programa de cruzamiento de la caña de azúcar.

El objetivo de este trabajo fue diseñar y establecer un modelo de gestión con un enfoque de macrodatos asistido por la interface SASEL para facilitar la toma de decisiones en el programa de mejoramiento de la caña de azúcar en Cuba e incrementar la eficiencia de este.

MATERIALES Y MÉTODOS

Para la realización del modelo de gestión de los macro datos del programa de mejora de la caña de azúcar se tuvo en cuenta el desarrollo de sus componentes como son:

Infraestructura y seguridad digital: El Programa de Mejora con una red de ambientes de prueba (once), que son representativos de las principales condiciones en las que se cultiva la caña de azúcar en el país (Figura 1). La misma es atendida y mantenida por siete estaciones experimentales provinciales y seis grupos de extensión y servicios agrícolas, todos dotados del personal (investigadores, técnicos y especialistas) y del equipamiento necesario (invernaderos, laboratorios de biología molecular, diagnóstico, semilla, fisiología y análisis azucarero). Posee además un centro exclusivamente para generar variabilidad a través de la hibridación. Esta infraestructura asegura la colección de datos tantos de los nuevos estudios de cultivares como los plantados en áreas de producción de caña de azúcar.

Validación de la información: Todo el proceso de mejora genética (incluye generación de variabilidad, selección, pruebas de resistencia a plagas, extensión en áreas comerciales) se rige por Normas y Procedimientos (1010. Jorge H, González R, Casas M, Jorge I. Normas y procedimientos del programa de mejoramiento genético de la caña de azúcar en Cuba. PUBLINICA, La Habana. 2011;), que permiten estandarizar los procederes y estructurar las bases de datos de la información generada, auditable por la dirección del programa, al mismo tiempo que es validada.

Colección, almacenamiento y organización de los datos: Los datos tienen un registro físico en el expediente o protocolo de cada ensayo. Para facilitar su digitalización y manejo se dispone de una aplicación informática denominada SASEL (99. Rodríguez R, Puchades Y, Abiche W, Rill S, García H. SASEL: software for data management generated in the Cuban sugarcane-breeding program. In: Proceedings of the International Society of Sugar Cane Technologists. 2016. p. 63-6.). La misma a nivel de provincia estratifica la información por año de selección o serie, combinación, etapa y cepa y para el análisis nacional adiciona a la provincia.

Herramientas para el análisis, modelación y visualización: A las bases de datos de selección ya sea de una serie en particular o compilación en tiempo y espacio (varias series, etapas y localidades) se le determinan parámetros genéticos-estadísticos como la media, desviación estándar, varianza y diferencial de selección.

Adicionalmente a los parámetros genéticos-estadísticos, se utilizaron los datos individuales de los cruces de una serie o compilados de varias series para determinar un índice de selección simultánea en el estimado del valor genético (EVG) de cruces y progenitores (1111. Rodríguez-Gross R, Puchades-Isaguirre Y, Aiche-Maceo W, Cornide-Hernández MT. Modelo matemático para estimar el valor genético de progenitores y cruces en caña de azúcar. Cultivos Tropicales [Internet]. 2018;39(2):81-8. Available from: http://scielo.sld.cu/scielo.php?pid=S0258-59362018000200011&script=sci_arttext&tlng=en ). Con los valores del EVG se confeccionó una metodología de evaluación de cruces para clasificar los mismos desde muy comprobados a muy descartado (1212. Rodríguez-Gross R, Puchades-Isaguirre Y, Aiche-Maceo W. Metodología de validación y manejo de cruces en la mejora genética en caña de azúcar. Cultivos Tropicales [Internet]. 2020;41(1). Available from: http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S0258-59362020000100002 ). Estas herramientas matemáticas de análisis multivariados fueron utilizadas en su conjunto para el procesamiento de la cadena de macrodatos generados en el proceso de mejora genética.

Para la visualización de los datos y sus análisis se contó con los informes predeterminados de la interface SASEL, además de las consultas personalizadas que se pueden realizar. Por otra parte, se reestructuró el modelo de relaciones de bases de datos de la plataforma informática SASEL a un nuevo enfoque de big data que incluyó las bases de datos relacionales, semi relacionales y no relacionales:

RESULTADOS Y DISCUSIÓN

El esquema de gestión de macrodatos para el programa de mejora genética de la caña de azúcar en Cuba tiene en cuenta la información que se genera en el proceso de selección de nuevos cultivares, así como las evaluaciones realizadas en áreas de producción comercial (Figura 2). Este diseño se basó en la integración de bases de datos relacionales, semirelacionales y no relaciones.

La información primaria está almacenada en diferentes bases de datos como son: programa de cruzamientos, evaluaciones, selección en campo y pruebas de resistencia. Todas estas determinaciones se obtienen por series o años, sitio de mejoramiento y etapas del esquema de selección.

Las evaluaciones de la respuesta agroproductiva de los cultivares en áreas de producción y porcentajes de áreas ocupadas, pruebas de validación comercial de nuevos cultivares y encuestas fitosanitarias también forman parte del esquema big data. Estas bases de datos poseen entre ellas y el programa de mejora una relación no siempre relacional o estructurada; es decir, que pueden proveerse en diferentes formatos y de diferentes fuentes.

La gestión de macrodatos permite el almacenamiento, organización y validación de los datos, para luego analizarlos, modelarlos y visualizarlos. El núcleo de análisis y procesamiento (Figura 2), está sostenido por la aplicación de análisis estadísticos, análisis de series en tiempo y espacio, modelos matemáticos y estimado del valor genético (1111. Rodríguez-Gross R, Puchades-Isaguirre Y, Aiche-Maceo W, Cornide-Hernández MT. Modelo matemático para estimar el valor genético de progenitores y cruces en caña de azúcar. Cultivos Tropicales [Internet]. 2018;39(2):81-8. Available from: http://scielo.sld.cu/scielo.php?pid=S0258-59362018000200011&script=sci_arttext&tlng=en ), así como metodologías de clasificación de cruces y progenitores (1212. Rodríguez-Gross R, Puchades-Isaguirre Y, Aiche-Maceo W. Metodología de validación y manejo de cruces en la mejora genética en caña de azúcar. Cultivos Tropicales [Internet]. 2020;41(1). Available from: http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S0258-59362020000100002 ). Con los resultados obtenidos en estos análisis se facilita la toma de decisiones en el programa de mejoramiento de la caña de azúcar en Cuba, lo que trae consigo un incremento en la eficiencia de este y en las recomendaciones de la composición de cultivares en áreas de producción comercial.

Por otra parte, se obtuvo una nueva opción de la interface SASEL para el manejo y visualización de los datos en entorno big data (Figura 3). Es importante destacar los cuatro elementos fundamentales que la integran. El recuadro a1 lo componen las bases de datos con el registro de progenitores y cruces a procesar. Esta información puede provenir del listado de cruce o hibridación, fichero de la serie en uso o datos introducidos manualmente.

El recuadro a2 y a3 se distingue la fuente o base datos de donde se obtiene la información de los progenitores y cruces seleccionados, y si esta información es primaria o procesada previamente con la aplicación análisis estadísticos y modelos matemáticos. Las bases de datos que se encuentran integradas en esta opción son: (i) etapa de posturas; (ii) etapa de lotes clonal 1 y 2; (iii) estudios replicados; (iv) valor genético de los cruces; (v) variedades comerciales y (vii) pruebas de resistencia que incluye las encuestas fitosanitarias.

El recuadro a4 revela el tipo de salida y el alcance de la información consultada. Es posible realizar análisis individuales por progenitores, serie, territorio o etapa y también se pueden obtener resúmenes integrales. Es en esos últimos donde mejor se aprecia el enfoque big data pues la información se visualiza resumida lo que facilita su comprensión y con ello la toma de decisiones.

Esta interconexión de bases de datos ha permitido obtener una compilación de resultados sobre la cantidad de cruzamientos evaluados por el programa de mejoramiento genético, su frecuencia y sus resultados. También se obtuvo un modelo matemático para estimar el valor genético de progenitores y cruces (1111. Rodríguez-Gross R, Puchades-Isaguirre Y, Aiche-Maceo W, Cornide-Hernández MT. Modelo matemático para estimar el valor genético de progenitores y cruces en caña de azúcar. Cultivos Tropicales [Internet]. 2018;39(2):81-8. Available from: http://scielo.sld.cu/scielo.php?pid=S0258-59362018000200011&script=sci_arttext&tlng=en ), y el mismo constituye la base de la metodología para la clasificación de los cruzamientos (1212. Rodríguez-Gross R, Puchades-Isaguirre Y, Aiche-Maceo W. Metodología de validación y manejo de cruces en la mejora genética en caña de azúcar. Cultivos Tropicales [Internet]. 2020;41(1). Available from: http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S0258-59362020000100002 ). Este último resultado tiene en consideración la interacción genotipo ambiente, lo que sin dudas constituye una valiosa herramienta para incrementar la eficiencia del programa de mejora.

La incorporación de nuevas bases de datos provenientes de evaluaciones en áreas de producción comercial brinda la posibilidad de nuevas salidas en función de mejorar las recomendaciones de la composición de cultivares y su manejo.

CONCLUSIONES

RECOMENDACIONES

Extender el uso del enfoque de macro datos a partir de la compilación de otras fuentes de información que contribuyan a incrementar la eficiencia del programa obtención de nuevos cultivares comerciales.

INTRODUCTION

The use of big data techniques and methods in agriculture is a great opportunity for the use of technologies depending on the investment and the perception of their additional value within the agri-food sector (11. Sun J, Zhou Z, Bu Y, Zhuo J, Chen Y, Li D. Research and development for potted flowers automated grading system based on internet of things. Journal of Shenyang Agricultural University [Internet]. 2013;44(5):687-91. Available from: https://www.cabdirect.org/cabdirect/abstract/20133406244 ,22. Yang C. Big Data and its potential applications on agricultural production. Crop, Environment & Bioinformatics [Internet]. 2014;11(1):51-6. Available from: https://www.cabdirect.org/cabdirect/abstract/20143190953 ). The big data paradigm is recent and plays an important role in improving the efficiency of the entire supply chain and mitigating food safety issues (33. Chen M, Mao S, Liu Y. Big data: A survey. Mobile networks and applications [Internet]. 2014;19(2):171-209. Available from: https://dl.acm.org/doi/10.1007/s11036-013-0489-0 ).

Big data applications in agriculture are not strictly concerned with the primary production of large data sets, but base management tasks on interfacing automated forms of collection and storage with pattern recognition functions (44. Mazzocchi F, Lapointe FJ. Sobre el ‘big data’:¿ Cómo podríamos dar sentido a los macrodatos? Mètode: Revista de difusión de la Investigación [Internet]. 2020;1(104):34-41. Available from: https://dialnet.unirioja.es/servlet/articulo?codigo=7391781 ). While the big data approach takes into account variability in the field, it requires real-time reconfiguration tools to streamline decision-making, and generally includes intelligent assistance in the implementation, maintenance, and use of the technology (55. Wolfert S, Ge L, Verdouw C, Bogaardt M-J. Big data in smart farming-a review. Agricultural systems [Internet]. 2017;153:69-80. Available from: https://www.sciencedirect.com/science/article/pii/S0308521X16303754 ).

Sugarcane breeding programs follow four key steps: (i) the generation of a large progeny population from specific crosses, (ii) the evaluation of those progeny at different stages, (iii) clone selection with superior characteristics, and (iv) recombination of the selected clones to close the cycle, or to initiate a new one. This is a relatively long process (never less than 10 years), which consumes resources and generates a large amount of information that must be summarized in different forms (66. Park S, Jackson P, Berding N, Inman-Bamber G. Conventional breeding practices within the Australian sugarcane breeding program. In: Proceedings of the Australian Society of Sugar Cane Technologists [Internet]. 2007. p. 113-21. Available from: https://www.researchgate.net/profile/Nils-Berding/publication/305390103_Conventional_breeding_practices_within_the_Australian_sugarcane_breeding_program/links/578c603608ae5c86c9a14e99/Conventional-breeding-practices-within-the-Australian-sugarcane-breeding-program.pdf ,77. Yadav S, Jackson P, Wei X, Ross EM, Aitken K, Deomano E, et al. Accelerating genetic gain in sugarcane breeding using genomic selection. Agronomy [Internet]. 2020;10(4):585. Available from: https://www.mdpi.com/2073-4395/10/4/585 ).

The Sugarcane Research Institute of Cuba (INICA) develops a genetic breeding program to respond to the breeding of cultivars (88. González R. Variedades de caña de azúcar cultivadas en Cuba. Cronología, legislación, metodologías y conceptos relacionados. Instituto Cubano de Investigaciones de Derivados de La Caña de Azúcar; 2019.). This implies that it annually handles an extensive volume of data from a large population of clones and cultivars in different selection stages.

To capture, store and process the information obtained in the Sugarcane breeding Program in Cuba, a computer program (SASEL) is available to improve the efficiency of the whole process (99. Rodríguez R, Puchades Y, Abiche W, Rill S, García H. SASEL: software for data management generated in the Cuban sugarcane-breeding program. In: Proceedings of the International Society of Sugar Cane Technologists. 2016. p. 63-6.). In addition to the above, there is information coming from the response of cultivars in production conditions, both yield and reaction to pests, which is not taken into consideration, in a dynamic way, to correct the sugarcane crossing program.

The aim of this work was to design and establish a management model with a macro data approach assisted by the SASEL interface to facilitate decision making in the sugarcane breeding program in Cuba and increase its efficiency.

MATERIALS AND METHODS

For the realization of the model of macro data management of the sugarcane-breeding program, the development of its components was taken into account, such as:

Infrastructure and digital security: Breeding Program with a network of test environments (eleven), which are representative of the main conditions in which sugarcane is grown in the country (Figure 1). It is staffed and maintained by seven provincial experimental stations and six extension and agricultural services groups, all of which have the necessary personnel (researchers, technicians and specialists) and equipment (greenhouses, molecular biology, diagnostic, seed, physiology and sugar analysis laboratories). It also has a center exclusively for generating variability through hybridization. This infrastructure ensures the collection of data from both new cultivar studies and those planted in sugarcane production areas.

Validation of information: The entire process of genetic breeding (including generation of variability, selection, pest resistance tests, extension in commercial areas) is governed by Standards and Procedures (1010. Jorge H, González R, Casas M, Jorge I. Normas y procedimientos del programa de mejoramiento genético de la caña de azúcar en Cuba. PUBLINICA, La Habana. 2011;), which allow standardizing procedures and structuring the databases of the information generated, auditable by the program management, at the same time that it is validated.

Collection, storage and organization of data: The data have a physical record in the file or protocol of each trial. A computer application called SASEL is available to facilitate its digitalization and management (99. Rodríguez R, Puchades Y, Abiche W, Rill S, García H. SASEL: software for data management generated in the Cuban sugarcane-breeding program. In: Proceedings of the International Society of Sugar Cane Technologists. 2016. p. 63-6.). This application stratifies the information at the provincial level by year of selection or series, combination, stage and strain, and for the national analysis, it adds the province.

Tools for analysis, modeling and visualization: Genetic-statistical parameters such as mean, standard deviation, variance and differential selection are determined for the selection databases, either from a particular series or from compilation in time and space (several series, stages and localities).

In addition to the genetic-statistical parameters, the individual data of crosses of a series or compiled from several series were used to determine an index of simultaneous selection in the estimation of the genetic value (EVG) of crosses and parents (1111. Rodríguez-Gross R, Puchades-Isaguirre Y, Aiche-Maceo W, Cornide-Hernández MT. Modelo matemático para estimar el valor genético de progenitores y cruces en caña de azúcar. Cultivos Tropicales [Internet]. 2018;39(2):81-8. Available from: http://scielo.sld.cu/scielo.php?pid=S0258-59362018000200011&script=sci_arttext&tlng=en ). With the EVG values, a cross evaluation methodology was developed to classify crosses from highly proven to highly discard (1212. Rodríguez-Gross R, Puchades-Isaguirre Y, Aiche-Maceo W. Metodología de validación y manejo de cruces en la mejora genética en caña de azúcar. Cultivos Tropicales [Internet]. 2020;41(1). Available from: http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S0258-59362020000100002 ). These mathematical tools of multivariate analysis were used as a whole to process the chain of big data generated in the breeding process.

For the data visualization and their analysis, the default reports of SASEL interface were used, in addition to the customized queries that can be performed. Moreover, the database relationship model of the SASEL software platform was restructured to a new big data approach that included relational, semi-relational and non-relational databases:

RESULTS AND DISCUSSION

The big data management scheme for the sugarcane breeding program in Cuba takes into account the information generated in the selection process of new cultivars, as well as the evaluations carried out in commercial production areas (Figure 2). This design was based on the integration of relational, semi-relational and non-relational databases.

The primary information is stored in different databases such as crossbreeding program, evaluations, and field selection and resistance tests. All these determinations are obtained by series or years, breeding site and stages of the selection scheme.

The evaluations of the agro-productive response of cultivars in production areas and percentages of occupied areas, commercial validation tests of new cultivars and phytosanitary surveys are also part of the big data scheme. These databases have between them and the breeding program a relationship that is not always relational or structured; that is, they can be provided in different formats and from different sources.

Big data management allows data to be stored, organized and validated, and then analyzed, modeled and visualized. The core of analysis and processing (Figure 2) is supported by the application of statistical analysis, time and space series analysis, mathematical models and genetic value estimation (1111. Rodríguez-Gross R, Puchades-Isaguirre Y, Aiche-Maceo W, Cornide-Hernández MT. Modelo matemático para estimar el valor genético de progenitores y cruces en caña de azúcar. Cultivos Tropicales [Internet]. 2018;39(2):81-8. Available from: http://scielo.sld.cu/scielo.php?pid=S0258-59362018000200011&script=sci_arttext&tlng=en ), as well as cross and parent classification methodologies (1212. Rodríguez-Gross R, Puchades-Isaguirre Y, Aiche-Maceo W. Metodología de validación y manejo de cruces en la mejora genética en caña de azúcar. Cultivos Tropicales [Internet]. 2020;41(1). Available from: http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S0258-59362020000100002 ). With the results obtained in these analyses, it is facilitated the decision making in the sugarcane breeding program in Cuba, which brings an increase in its efficiency and in cultivar recommendation composition in commercial production areas.

On the other hand, a new option of SASEL interface was obtained for the management and visualization of data in a big data environment (Figure 3). It is important to highlight the four fundamental elements that make it up. Box a1 is composed of the databases with the record of parents and crosses to be processed. This information can come from the crossing or hybridization list, the file of the series in use or manually entered data.

Box a2 and a3 distinguish the source or database from which the information on the selected parents and crosses is obtained, and whether this information is primary or previously processed with the application of statistical analysis and mathematical models. The databases that are integrated in this option are: (i) seedling stage; (ii) clonal batches stage 1 and 2; (iii) replicated studies; (iv) Genetic value of crosses; (v) commercial varieties; and (vii) resistance tests, which include phytosanitary surveys.

Box a4 reveals the type of output and the scope of information consulted. It is possible to perform individual analyses by parent, series, territory or stage, and comprehensive summaries can be obtained. It is in the latter that big data approach is best appreciated, as the information is displayed in summary form, which facilitates understanding and thus decision making.

This interconnection of databases has made it possible to obtain a compilation of results on the number of crosses evaluated by the genetic breeding program, their frequency and results. A mathematical model was also obtained to estimate the genetic value of parents and crosses (1111. Rodríguez-Gross R, Puchades-Isaguirre Y, Aiche-Maceo W, Cornide-Hernández MT. Modelo matemático para estimar el valor genético de progenitores y cruces en caña de azúcar. Cultivos Tropicales [Internet]. 2018;39(2):81-8. Available from: http://scielo.sld.cu/scielo.php?pid=S0258-59362018000200011&script=sci_arttext&tlng=en ), and it constitutes the basis of the methodology for the classification of crosses (1212. Rodríguez-Gross R, Puchades-Isaguirre Y, Aiche-Maceo W. Metodología de validación y manejo de cruces en la mejora genética en caña de azúcar. Cultivos Tropicales [Internet]. 2020;41(1). Available from: http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S0258-59362020000100002 ). This last result takes into consideration the genotype-environment interaction, which undoubtedly constitutes a valuable tool to increase the efficiency of the breeding program.

The incorporation of new data bases from evaluations in commercial production areas offers the possibility of new outlets to improve the recommendations for cultivar composition and management.

CONCLUSIONS