Análise bayesiana de modelos não lineares no estudo da cinética de herbicidas
Modelo Michaelis Menten. Modelo Log-logístico. Dose-resposta. MCMC. Priori de máxima entropia
O Brasil destaca-se como um dos maiores produtores e exportadores de produtos agrícolas do mundo. No entanto, o setor agropecuário demanda atenção devido à sua suscetibilidade a diversas formas de interferências, dentre elas destacam-se as plantas daninhas. Essas plantas competem com as culturas por água, nutrientes, luz, espaço, além de hospedarem patógenos. Um dos métodos empregados para combatê-las é com o uso de herbicidas, principalmente em áreas mais extensas. A relação entre dose de herbicida e a resposta pode ser descrita por modelos de regressão não linear, que possuem a vantagem de ter interpretação biológica dos parâmetros. No entanto, em pesquisas que envolvem dose-resposta de herbicidas geralmente as amostras são pequenas, tornando a inferência bayesiana uma abordagem nessas situações. A inferência bayesiana fundamenta-se no teorema de Bayes e permite que o pesquisador incorpore informações a priori, sobre o problema na análise. Para a seleção de uma distribuição a priori, o princípio da máxima entropia é a abordagem mais conservadora, pois leva em conta informações relacionadas ao conhecimento físico e matemático do modelo, sem assumir suposições adicionais. Assim, este trabalho tem como objetivo aplicar inferência bayesiana utilizando a priori de máxima entropia nos parâmetros dos modelos não lineares Michaelis Menten e Log-logístico para descrever os dados de dose-resposta de plantas daninhas do gênero Amaranthus aos herbicidas trifloxysulfuron-sodium e chlorimuron-ethyl. Além disso, avaliar a suscetibilidade dessas plantas a cada um dos herbicidas e determinar qual modelo é mais adequado para descrever os dados. Os resultados iniciais demonstram que a metodologia bayesiana foi eficiente no estudo dos dados de dose-resposta dos herbicidas. De acordo com os critérios de qualidade de ajuste utilizados, o modelo Michaelis Menten foi o que melhor se ajustou aos dados.