O sucesso de um programa de melhoramento genético depende da capacidade de selecionar materiais produtivos não apenas nas condições atuais, mas também em ambientes futuros. Em um cenário de mudanças climáticas e crescente variabilidade ambiental, esse desafio torna-se ainda mais complexo.
 

Nos anos 1980, no US Army War College (Carlisle, Pensilvânia), surgiu o termo VUCA (Volatility, Uncertainty, Complexity and Ambiguity - volatilidade, incerteza, complexidade e ambiguidade) para descrever o ambiente geopolítico marcado pelas incertezas da Guerra Fria. Após a crise financeira de 2008, o conceito passou a ser amplamente utilizado também no mundo corporativo.
 

No melhoramento genético florestal, esse ambiente VUCA também é uma realidade, especialmente quando buscamos produtividade, adaptação e estabilidade clonal. As mudanças climáticas têm desafiado a seleção de clones e impactado a longevidade dos materiais operacionais, aumentando a volatilidade e a incerteza da produtividade futura.

Um exemplo dessas mudanças pode ser observado na região de Três Lagoas-MS. Dados climáticos indicam um aumento de aproximadamente 19 dias acima de 35 °C por década, o que representa maior frequência de eventos de estresse térmico e potenciais impactos na produtividade florestal.

Ao mesmo tempo, dispomos hoje de um número crescente de ferramentas e fontes de dados que podem auxiliar na mitigação desses riscos. Entretanto, a rápida expansão do conhecimento científico — impulsionada pelo avanço da inteligência artificial e das tecnologias digitais — também gera novas ambiguidades, principalmente na definição de quais tecnologias podem ser aplicadas de forma eficaz e economicamente viável.

No setor de celulose e papel, o objetivo central do melhoramento genético é aumentar a produtividade de polpa por unidade de área. Isso implica elevar o volume de madeira produzido e reduzir o CEM (Consumo Específico de Madeira — m³ de madeira por tonelada de celulose seca ao ar). Além disso, é necessário considerar resistência a doenças, pragas e estresses abióticos que podem limitar a produção em determinados ambientes, bem como garantir que a qualidade da madeira atenda às demandas industriais.
 

Outro objetivo fundamental é reduzir o ciclo de melhoramento, aumentando o ganho genético por unidade de tempo. De forma geral, os programas de melhoramento florestal envolvem duas etapas principais: melhoramento de populações, que inclui recombinação e seleção inicial de materiais, e desenvolvimento clonal, voltado à validação dos clones mais produtivos e adaptados aos ambientes-alvo. Enquanto a fase de melhoramento envolve milhares de indivíduos em avaliação, o desenvolvimento clonal normalmente reduz esse número para centenas ou dezenas de clones candidatos.

Nas últimas décadas, diversas ferramentas têm sido desenvolvidas para apoiar esses objetivos, principalmente com capacidade de lidar com grande volume de dados e múltiplas variáveis. Nesse contexto, o conceito do triângulo moderno do melhoramento, proposto por Crossa et al. (2021), destaca a integração entre genômica, fenômica e ambientômica como base para acelerar os ganhos genéticos.
 

Na fase de melhoramento de populações, uma ferramenta que tem auxiliado significativamente é o uso de marcadores moleculares. Com o desenvolvimento de marcadores microssatélites e chips de genotipagem em larga escala, tornou-se possível implementar rotinas de controle de qualidade em pomares de recombinação, viveiros de pesquisa e viveiros operacionais, garantindo que os materiais selecionados em campo sejam corretamente operacionalizados para plantio.

Além disso, a genotipagem em larga escala tem possibilitado o desenvolvimento de modelos de seleção genômica, que permitem predizer o desempenho potencial de uma planta ou muda a partir de sua genotipagem. É importante destacar que a construção desses modelos depende de bases fenotípicas robustas e com qualidade, além de experimentos conduzidos com elevado rigor experimental.
 

Apesar dessa grande evolução em genômica, a fenotipagem — o verdadeiro ouro do melhoramento — permaneceu por muito tempo limitada a variáveis clássicas, como diâmetro à altura do peito (DAP) e altura total das árvores. Nos últimos anos, entretanto, esse cenário começou a mudar. Drones equipados com sensores RGB, LiDAR e multiespectrais têm aberto novas oportunidades para a fenotipagem em larga escala em experimentos de campo. 
 

Nas regiões de atuação da Suzano, a resiliência florestal é uma característica fundamental e, no contexto do melhoramento, refere-se à capacidade do material genético de responder ou se recuperar rapidamente após eventos de estresse. Nesse contexto, desenvolvemos uma plataforma de fenotipagem baseada em drones que permite monitorar experimentos ao longo do ciclo de crescimento. Dessa forma, em vez de avaliarmos apenas uma “fotografia” em um único momento, passamos a acompanhar a dinâmica de desenvolvimento dos materiais genéticos ao longo do tempo, criando um verdadeiro “filme” da vida dos clones no experimento.
 

Essas avaliações têm permitido identificar padrões espaciais que antes não estavam ao nosso alcance, como a ocorrência de mato-competição, falhas de adubação ou variações na execução dos tratos culturais. Essas informações contribuem diretamente para a melhoria da qualidade experimental e para a interpretação mais precisa dos resultados. Outro aspecto relevante é o ganho em segurança e eficiência operacional, uma vez que a análise baseada em imagens reduz a necessidade de deslocamentos dentro dos experimentos e diminui o tempo de avaliação em campo.

Além das imagens RGB, também estamos desenvolvendo metodologias para aplicação de sensores LiDAR em experimentos de melhoramento. Trabalhos conduzidos em parceria com a UF-PR (Universidade Federal do Paraná) e a Camcore (Central America and Mexico Coniferous Resources Cooperative) têm demonstrado resultados promissores no uso dessa tecnologia para fenotipagem florestal.

Resultados iniciais indicam boas correlações com variáveis biométricas tradicionais como DAP e altura, além da possibilidade de estimar mais de 70 variáveis biométricas adicionais (Mezacasa et al. 2025). A integração dessas informações com séries temporais de crescimento e dados climáticos abre novas oportunidades para a identificação de clones produtivos e resilientes.

Em trabalhos mais recentes, também têm surgido novas abordagens metodológicas, como a seleção fenômica, que utiliza matrizes construídas a partir de informações fenotípicas — como assinaturas espectrais ou dados de NIR — para predizer o desempenho genético dos materiais. Resultados iniciais em culturas agrícolas têm demonstrado o potencial dessa abordagem, e pesquisas nessa área já estão sendo conduzidas também no setor florestal.

A resiliência e estabilidade clonal dependem de uma compreensão mais profunda da interação Genótipo × Ambiente (G×A), tanto no momento da seleção quanto na recomendação operacional de novos clones. Tradicionalmente, testes clonais são conduzidos em um número limitado de ambientes, o que pode não capturar toda a variabilidade ambiental presente nas áreas operacionais.
 

Nesse contexto, surge o conceito de ambientômica, que busca integrar múltiplas covariáveis ambientais para melhorar a caracterização dos ambientes e principalmente aumentar a acurácia das predições de desempenho dos materiais genéticos. Essa abordagem permite reduzir riscos associados à recomendação clonal e explorar de forma mais eficiente a variabilidade ambiental existente.

Ferramentas avançadas de modelagem, incluindo modelos de machine learning e integração de bases climáticas e fenotípicas, têm ampliado o potencial dessas análises. Entretanto, o principal desafio permanece na qualidade e consistência das bases de dados utilizadas.

Outra questão relevante, em um cenário de mudanças climáticas, é avaliar se as espécies atualmente utilizadas continuarão sendo adequadas no futuro. Para explorar essa questão, conduzimos um estudo de similaridade ambiental entre regiões de ocorrência natural de espécies de Eucalyptus na Austrália e as áreas de produção da Suzano no Brasil, considerando cenários climáticos passados, presentes e futuros.
 

Os resultados indicam que as principais espécies atualmente utilizadas tendem a continuar relevantes no futuro, ao mesmo tempo em que outras espécies foram identificadas como promissoras para ambientes futuros. Em um ambiente cada vez mais complexo e dinâmico, o desafio do melhoramento genético deixa de ser apenas identificar clones superiores em condições específicas e passa a envolver a construção de sistemas de decisão capazes de integrar grandes volumes de dados genéticos, fenotípicos e ambientais. 
 

Essa integração será fundamental para reduzir riscos, aumentar a previsibilidade da produção florestal e sustentar os ganhos de produtividade em um cenário de mudanças climáticas.