Logistic Bayesian model in the study of the growth of tomatoes

Authors

DOI:

https://doi.org/10.33448/rsd-v10i3.13198

Keywords:

Nonlinear model; Growth curve; Bayesian methodology.

Abstract

Knowing the growth of tomato and its fruits, as measured by biomass accumulation over time is essential for the proper handling and detection of problems in the development of crops. This growth can be studied using various models of non-linear regression that can be used to facilitate interpretation of the processes involved in plant production system. Among the empirical models often used to estimate the growth of plants and their components is the function Logistic. One method used to estimate the parameters of the growth rate is the Bayesian method. The study objective to apply the Bayesian approach in describing the data – real and simulated – the diameter growth of tomatoes, using the model Logistic. The algorithms for the Gibbs Sampler and Metropolis – Hastings were implemented using the R language. The condition of convergence of the chains was checked using the criteria suggested by Nogueira, Sáfadi and Ferreira (2004) available on the R software package BOA. The Bayesian approach was efficient, since it was evaluated and verified by the simulation process, with very close estimates of the parametric value, and estimates were shown to be consistent with the values reported in literature.

References

Companhia Nacional de Abastecimento [CONAB] (2019). Tomate: Análise dos indicadores da produção e comercialização no mercado mundial, brasileiro e catarinense. https://www.conab.gov.br/institucional/publicacoes/compendio-de-estudos-da-conab/item/download/29586_4fe6dd2c9c6d1fa5e1cbc5f82061717d

Dossa, D.; Fuchs, F. (2017). Tomate: análise técnico-econômica e os principais indicadores da produção nos mercados mundiais, brasileiro e paranaense. Boletim Técnico. http://www.ceasa.pr.gov.br/arquivos/File/BOLETIM/Boletim_Tecnico_Tomate1.pdf

Food and Agriculture Organization of the United Nations [FAO] (2018). http://www.fao.org/faostat/en/#home

Ferreira, S. M. R., Freitas, R. J. S., & Lazzari, E. N. (2004). Padrão de identidade e qualidade do tomate (Lycopersicon esculentum Mill.) de mesa. Ciência Rural, 34(1), 329-335. 10.1590/S0103-84782004000100054

Gelman, A., & Rubin, D. B. (1992). Inference from iterative simulation using multiple sequences. Statistical Science.

Geweke, J. (1992). Evaluating the accuracy of sampling-based approaches to calcualting posterior moments. In: Bernardo, J. M. et al. (Ed.). Bayesian statistics.

Martins Filho, S., Silva, F. F. e., Carneiro, A. P. S., & Muniz, J. A. (2008). Abordagem Bayesiana das curvas de crescimento de duas cultivares de feijoeiro. Ciência Rural, 38(6), 1516-1521. 10.1590/S0103-84782008000600004.

Moura, M. A.de. (1999). Crescimento pós-colheita de frutos de tomateiro cv. Santa Clara e do seu Mutante Firme. 1999. 86p. Dissertação (Mestrado em Agronomia) – Universidade Federal de Viçosa, Viçosa, MG.

Moura, M. L., Fogaça, C. M., Moura, M. A., Galvão, H. L., & Finger, F. L. (2004). Crescimento e desenvolvimento de frutos de tomateiro “Santa Clara” e do seu mutante natural “Firme”. Ciência e Agrotecnologia, 28(6), 1284-1290. 10.1590/S1413-70542004000600009

Nogueira, D. A., Safadi, T., & Ferreira, D. F. (2004). Avaliação de critérios de convergência para o método de Monte Carlo via Cadeias de Markov. Revista Brasileira de Estatística, 65(224), 59-88.

Pereira, J. M., Muniz, J. A., Safadi, T., & Silva, C. A. (2009). Comparação entre modelos para predição do nitrogênio mineralizado: uma abordagem bayesiana. Ciência e Agrotecnologia, 33, 1792-1797. 10.1590/S1413-70542009000700016

Pereira, M. C. T., Salomão, L. C. C., Silva, S. O. e., Sediyama, C. S., Couto, F. A. A., & Silva Neto, S. P. da. (2000). Crescimento e produção de primeiro ciclo da bananeira “Prata-Anã” (AAB) em sete espaçamentos. Pesquisa Agropecuária Brasileira, 35(7), 1377-1387. 10.1590/S0100-204X2000000700012

Prado, T. K. L. do., Savian, T. V., & Muniz, J. A. (2013). Ajuste dos modelos Gompertz e Logístico aos dados de crescimento de frutos de coqueiro anão verde. Ciência Rural, 43(5), 803-809. 10.1590/S0103-84782013005000044.

R development core team. R: a language and environment for statistical computing. 2019.

Raftery, A. L., & Lewis, S. (1992). Comment: one long run with diagnostics: implementation strategies for Markov chain Monte Carlo. Statistical Science.

Reis, R. L., Muniz, J. A., Silva, F. F. e., Safadi, T., & Aquino, L. H. (2001). Comparação bayesiana de modelos com uma aplicação para o equilíbrio de Hardy-Weinberg usando o coeficiente de desequilíbrio. Ciência Rural, 41(5), 834-840. 10.1590/S0103-84782011000500016

Santiago, E. J. P., Freire, A. K. S., Cunha Filho, M., Moreira, G. R., Ferreira, D. S. A., & Cunha, A. L. X. (2020). Modelos não lineares aplicados a mortalidade e casos da COVID-19 no Brasil, Itália e mundo. Research, Society and Development. http://dx.doi.org/10.33448/rsd-v9i6.3561

Savian, T. V. et al. Análise bayesiana para modelos de degradabilidade ruminal. (2009). Ciência Rural, 39(7), 2169-2177. 10.1590/S0103-84782009000700033.

Published

14/03/2021

How to Cite

MENDES, P. N.; MUNIZ, J. A.; SAVIAN, T. V.; SÁFADI, T.; JERÔNIMO, G. da C. C. Logistic Bayesian model in the study of the growth of tomatoes. Research, Society and Development, [S. l.], v. 10, n. 3, p. e22710313198, 2021. DOI: 10.33448/rsd-v10i3.13198. Disponível em: https://rsdjournal.org/index.php/rsd/article/view/13198. Acesso em: 16 apr. 2021.

Issue

Section

Agrarian and Biological Sciences