Univariate and multivariate nonlinear models in productive traits of the sunn hemp

Cláudia Marques de Bem, Alberto Cargnelutti Filho, Fernanda Carini, Rafael Vieira Pezzini

Resumo


Multivariate analysis helps to understand the relationships between dependent variables; this methodology has great potential in several areas of knowledge. The aim of this study was to adjust and compare the univariate and multivariate Gompertz and Logistic nonlinear models to describe the productive traits of sunn hemp (Crotalaria juncea L.). Two uniformity trials were performed, and the following productive traits were analyzed in 376 sunn hemp plants along 94 days of observations (four plants per day): the fresh mass of leaves (FML), the fresh mass of stem (FMS), and the fresh mass of the aerial parts (FMAP). The Gompertz and Logistic univariate models were adjusted for each productive trait. To adjust the multivariate models, the errors covariance matrix was calculated. The   p matrix (Cholesky factor) was obtained for each trait, and the multivariate Gompertz (GG) and Logistic (LL) nonlinear models were generated, together with the combination of both models (GL and LG). To define the best model, the residual standard deviation (RSD), the determination coefficient (R2), the Akaike information criterion (AIC), the mean absolute deviation (MAD), and the measures of intrinsic nonlinearity (INL) and parametric nonlinearity (PNL) were calculated. The nonlinear multivariate model LL was adequate and achieved satisfactory results to describe the productive traits of sunn hemp.


Palavras-chave


Crotalaria juncea L.; Multivariate analysis; Fresh mass; Growth modeling

Texto completo:

PDF

Referências


BATES, D. M.; WATTS, D. G. Nonlinear regression analysis and its applications. New York: John Wiley & Sons, 1988. 365 p.

BEM, C. M. de et al. Gompertz and Logistic models to the productive traits of sunn hemp. Journal of Agricultural Science, v. 10, n. 1, p. 225-238, 2018.

BITTENCOURT, F. et al. Determinação de funções de produtividade de algodão e soja em cultivo sequeiro no extremo oeste da Bahia. Revista Agroambiental, v. 10, n. 1, p. 67-81, 2018.

DEPRÁ, M. S. et al. Modelo logístico de crescimento de cultivares crioulas de milho e de progênies de meios-irmãos maternos em função da soma térmica. Ciência Rural, v. 46, n. 1, p. 36-43, 2016.

FERREIRA, D. F. Estatística multivariada. 2. ed. Lavras: UFLA, 2011. 676 p.

GALLANT, A. R. Nonlinear statistical models. New York: John Wiley & Sons, 1987. 610 p.

GAZOLA, S. et al. Proposta de modelagem não-linear do desempenho germinativo de sementes de milho híbrido. Ciência Rural, v. 41, n. 4, p. 551-556, 2011.

HAIR JR., J. F. et al. Análise multivariada de dados. 6. ed. Porto Alegre: Bookman, 2009.

LEAL, M. A. A. et al. Desempenho de crotalária cultivada em diferentes épocas de semeadura e de corte. Revista Ceres, v. 59, n. 3, p. 386-391, 2012.

LÚCIO, A. D. C.; NUNES, L. F.; REGO, F. Nonlinear models to describe production of fruit in Cucurbita pepo and Capiscumannuum. Scientia Horticulturae, n. 193, p. 286-293, 2015.

MISCHAN, M. M.; PINHO, S. Z. et al. Inflection and stability points of diphasic Logistic analysis of growth. Scientia Agricola, v. 72, n. 3, p. 215-220, 2015.

MISCHAN, M. M.; PINHO, S. Z. Modelos não lineares: funções assintóticas de crescimento. 1. ed. São Paulo: Cultura Acadêmica, 2014. 124 p.

MISCHAN, M. M. et al. Determination of a point sufficiently close to the asymptote in nonlinear growth functions. Scientia Agricola, v. 68, n. 1, p. 109-114, 2011.

MOITA NETO, M. J. Estatística multivariada. Revista de Filosofia e Ensino, v. 1, n. 1, p. 1-1, 2004.

MUIANGA, C. A. et al. Descrição da curva de crescimento de frutos do cajueiro por modelos não lineares. Revista Brasileira de Fruticultura, v. 38, n. 1, p. 23-32, 2016.

OLIVEIRA, J. R. T.; PADOVANI, C. R. Análise da inter-relação da produtividade agrícola e características climática na região Sudeste do Estado de Mato Grosso, por técnicas multivariadas. E&S - Engineering and Science, v. 6, n. 2, p. 2-12, 2017.

PUIATTI, G. A. et al. Análise de agrupamento em seleção de modelos de regressão não lineares para descrever o acúmulo de matéria seca em plantas de alho. Revista Brasileira de Biometria, v. 31, n. 3, p. 337-351, 2013.

R DEVELOPMENT CORE TEAM. R: a language and environment for statistical computing. Vienna: R Foundation for Statistical Computing, 2019.

REIS, R. M. et al. Modelos de regressão não linear aplicados a grupos de acessos de alho. Horticultura Brasileira, v. 32, n. 2, p. 178-183, 2014.

REGAZZI, A. J.; SILVA, C. H. O. Teste para verificar a igualdade de parâmetros e a identidade de modelos de regressão não linear. I. Dados no delineamento inteiramente casualizado. Revista de Matemática e Estatística, v. 22, p. 33-45, 2004.

RITZ, C.; STREIBIG, J. C. Nonlinear regression with R. New York: Springer, 2008. 114 p.

ROSAS, J. T. F. et al. Regressão múltipla para estimativa especial da produtividade de café arábica utilizando atributos foliares. Revista Univap, v. 22, n. 40, p. 738-748, 2016.

SARI, B. G. et al. Describing tomato plant production using growth models. Scientia Horticulturae, v. 246, p. 146-154, 2019.

SEBER, G. A. F.; WILD, C. J. Nonlinear regression. Hoboken: John Wiley & Sons, 2003. 768 p.

TEIXEIRA NETO, M. R. et al. Descrição de crescimento de ovinos Santa Inês utilizando modelos não-lineares selecionados por análise multivariada. Revista Brasileira de Saúde e Produção Animal, v. 17, n. 1, p. 26-36, 2016.

TIMOSSI, C. P. et al. Supressão de plantas daninhas e produção de sementes de crotalária, em função dos métodos de semeadura. Pesquisa Agropecuária Tropical, v. 41, n. 4, p. 525-530, 2011.

VELOSO, R. C. et al. Seleção e classificação multivariada de modelos não lineares para frangos de corte. Arquivo Brasileiro de Medicina Veterinária e Zootecnia, v. 68, n. 1, p. 191-200, 2016.




Revista Ciência Agronômica ISSN 1806-6690 (online) 0045-6888 (impresso), Site: www.ccarevista.ufc.br, e-mail: ccarev@ufc.br - Fone: (85) 3366.9702 - Expediente: 2ª a 6ª feira - de 7 às 17h.