A cultura da soja é influenciada por diversas variáveis edáficas e climáticas. Essas variáveis representam a característica de uma região, compreender seus impactos na cultura oferece uma maior eficiência para a recomendação e implantação do material genético. A indicação de genótipos pode variar com as mudanças climáticas a nível de um macroambiente e dentro de um microambiente. Desse modo, o objetivo do trabalho foi avaliar a dissimilaridade ambiental causada por variaveis edafoclimáticas e formar estratos dentro do macriambiente sojícola três, e avaliar a interação dos genótipos pelo ambiente com base nos diferentes estratos formados mediante o estudo das normas de reação. Foram utilizados bancos de dados com informações edáficas e climáticas de 32 municípios cedidas pela empresa GDM seeds e Agrymet. Visando uma melhor caracterização dos locais em análise foi utilizada uma série histórica de avaliações dos anos de 2018 a 2020 dos meses de novembro a fevereiro. As variáveis para utilizadas para a formação dos estratos foram: registros de temperatura média (°C), precipitação pluviométrica (mm), radiação solar (W.m-2), velocidade do vento (m.s-1), umidade relativa (%), e capacidade de armazenamento do solo (CAS). Também foram incluídas informações de latitude e altitude (m). Para o estudo da interação dos genótipos pelo ambiente, foi adotado um modelo de regressão aleatória onde os componentes de variância foram estimados pela máxima verossimilhança restrita, os valores genéticos foram previstos pelo melhor preditor linear não viesado e as normas de reação foram ajustadas através do polinômio de Legendre. A escolha da ordem do polinômio de Legendre foi selecionada pelo critério de Akaike (AIC). A metodologia do SOM possibilitou a formação de sete clusters, onde alguns municípios foram agrupados em clusters diferentes em virtude do ano de análise. O teste de diferença significativa de Tukey evidenciou diferenças entre as variáveis ambientais categóricas e continuas, principalmente em decorrência das condições atípicas dos anos em análise. O melhor modelo de regressão aleatória foi o de ordem seis. Os genótipos S4, S15 e S20 apresentaram pouca interação com oambiente, enquanto os genótipos S1, S6, S9 e S17 apresentaram as maiores interações com o ambiente. As trajetórias genéticas das curvas das 20 cultivares reforçam a presença de interação genótipos por ambientes, uma vez que suas trajetórias são não-lineares e se cruzam, o que implica em uma classificação diferente a cada ambiente. Esses resultados sugerem que modelos de regressão aleatória ajustados através de polinômios de Legendre podem ser usados de forma eficiente em estudos de interação genótipos por ambientes na cultura da soja. Palavras-chave: Regressão aleatória. Redes neurais. Classificação ambiental.Soybean cultivation is influenced by several edaphic and climatic variables. These variables represent the characteristic of a region, understanding their impacts on the crop offers greater efficiency in recommending genetic material. The indication of genotypes can vary with climate change at the level of a macroenvironment and within a microenvironment. The objective of this work was to evaluate the environmental dissimilarity caused by edaphoclimatic variables in soybean macroregion three, and to evaluate the interaction of genotypes with the environment by studying the reaction norms. Databases with edaphic and climatic information from 32 municipalities provided by the company GDM seeds and Agrymet were used. Aiming at a better characterization of the places under analysis, a historical series of evaluations from the years 2018 to 2020 from the months of November to February was used. The variables used to form the strata were: records of mean temperature (°C), rainfall (mm), solar radiation (Wm-2), wind speed (ms-1), relative humidity (%), and soil storage capacity (CAS). Latitude and altitude (m) information was also included. To study the interaction of genotypes with the environment, a random regression model was adopted where the variance components were estimated by the restricted maximum likelihood, the breeding values were predicted by the best linear unbiased predictor and the reaction norms were adjusted using the polynomial of Legendre. The choice of the order of the Legendre polynomial was selected by the Akaike criterion (AIC). The SOM methodology enabled the formation of seven clusters, where some municipalities were grouped into different clusters due to the year of analysis. Tukey's test of significant difference showed differences between categorical and continuous environmental variables, mainly due to the atypical conditions of the years under analysis. The best random regression model was the order six. Genotypes S4, S15 and S20 had little interaction with the environment, while genotypes S1, S6, S9 and S17 had the greatest interaction with the environment. The genetic trajectories of the curves of the 20 cultivars reinforce the presence of interaction between genotypes and environments, since their trajectories are non-linear and intersect, which implies adifferent classification for each environment. These results suggest that random regression models fitted using Legendre polynomials can be used efficiently in studies of genotype-by-environment interaction in soybean crop. Keywords: Random Regression. Neural Network. environment cluster.Conselho Nacional de Desenvolvimento Científico e Tecnológico - CNPQ