Comparação entre modelos para predição do nitrogênio mineralizado: uma abordagem bayesiana

Neste trabalho, desenvolveu-se uma abordagem bayesiana para predizer as quantidades de nitrogênio mineralizados por intermédio de modelos não lineares. Os modelos não lineares considerados para avaliar a dinâmica da mineralização do nitrogênio e para ilustrar o procedimento bayesiano foram: modelo de Cabrera, Marion, Stanford e Smith. A comparação dos modelos foi feita por meio do Fator de Bayes (FB) e do Critério de Informação Bayesiano (BIC). A inferência sobre os parâmetros realizou-se por intermédio do Amostrador de Gibbs e do Metropolis Hastings. O modelo de Cabrera (1993) foi o que proporcionou melhor qualidade de ajuste ao conjunto de dados de mineralização de nitrogênio, sendo seguido pelo modelo de Stanford & Smith (1972) e, por último, o de Marion et al. (1981).

Na minha lista:
Detalhes bibliográficos
Principais autores: Pereira,Janser Moura, Muniz,Joel Augusto, Sáfadi,Thelma, Silva,Carlos Alberto
Formato: Digital revista
Idioma:Portuguese
Publicado em: Editora da UFLA 2009
Acesso em linha:http://old.scielo.br/scielo.php?script=sci_arttext&pid=S1413-70542009000700016
Tags: Adicionar Tag
Sem tags, seja o primeiro a adicionar uma tag!
Descrição
Resumo:Neste trabalho, desenvolveu-se uma abordagem bayesiana para predizer as quantidades de nitrogênio mineralizados por intermédio de modelos não lineares. Os modelos não lineares considerados para avaliar a dinâmica da mineralização do nitrogênio e para ilustrar o procedimento bayesiano foram: modelo de Cabrera, Marion, Stanford e Smith. A comparação dos modelos foi feita por meio do Fator de Bayes (FB) e do Critério de Informação Bayesiano (BIC). A inferência sobre os parâmetros realizou-se por intermédio do Amostrador de Gibbs e do Metropolis Hastings. O modelo de Cabrera (1993) foi o que proporcionou melhor qualidade de ajuste ao conjunto de dados de mineralização de nitrogênio, sendo seguido pelo modelo de Stanford & Smith (1972) e, por último, o de Marion et al. (1981).