Modelagem do tempo de dissolução da ureia em água por regressão linear múltipla
DOI:
https://doi.org/10.5540/03.2025.011.01.0430Keywords:
Avena Sativa L., Matemática Aplicada, Nitrogênio, SimulaçãoAbstract
A modelagem matemática através da regressão linear múltipla é uma técnica importante que possibilita a combinação de variáveis controladas e não controladas, descrevendo de forma eficiente complexas relações lineares destes efeitos sobre a variável resposta. O objetivo deste estudo é desenvolver um modelo de regressão linear múltipla para análise do comportamento do tempo de dissolução da ureia em água, envolvendo o efeito das doses e do volume de água com a não linearidade da temperatura do ar. O experimento de dissolução da ureia em água foi conduzido no ano de 2019, considerando diferentes doses de ureia e volumes de água para monitoramento da máxima dissolução até o tempo de uma hora. As doses de nitrogênio de 0, 20, 40, 60, 80, 100, 120 kg ha−1, para fins de análise em laboratório, foram convertidas em kg ha−1 de ureia (45% de nitrogênio) para posteriormente obter a quantidade de ureia necessária para dissolução. Considerando que cada parcela experimental é composta de 6 m², para cada tratamento foram dissolvidas as seguintes doses de ureia: 0, 26, 53, 80, 107, 133 e 160 gramas. Para a dissolução utilizou-se os volumes de 100, 200, 300 e 400 L ha−1 de água de torneira, que equivalem a 60, 120, 180 e 240 ml por parcela, respectivamente. O modelo de regressão linear múltipla envolvendo a temperatura do ar como variável não controlada, volume de água e dose de fertilizante ureia se mostra eficiente para a simulação do tempo de dissolução da ureia.
Downloads
References
O. Alessi, J.A.G. Da Silva, V. Pansera e J.A. Da Rosa. “Simulation of wheat yield by nitrogen and ear components in harvest prediction analysis”. Em: Genetics and Molecular Research 20 (2021), pp. 1–13.
L.E.O. Aparecido, J.A. Lorençone, P.A. Lorençone, G.B. Torsoni, R.F. De Lima e J.R.S. De Moraes. “Forecasting coffee yield based on agroclimatic data and machine learning.” Em: International Journal of Environmental Resilience Research and Science, [S. l.] 3 (2021). doi: 10.48075/ijerrs.v3i1.26255.
A. Atahar, N.N. Mafy, M.M. Rahman, M.Y. Mollah e M.A.B.H. Susan. “Aggregation of urea in water: Dynamic light scattering analyses”. Em: Journal of Molecular Liquids 294 (2019). doi: 10.1016/j.molliq.2019.111612.
C.M. Babeski, J.A.G. Da Silva, I.R. Carvalho e A.R. Kraisig. “Agronomic Biofortification with Iron and Zinc on Yield and Quality of Oat Grains for the Validation of a Potential Resource for Nutritional Security”. Em: Revista de Gestão Social e AmbientaL 8 (2022). doi: 10.24857/rgsa.v17n8-020.
V.C.S. Barreto, G.C. Batistela, M.R. Gaiotto e D. Simões. “Regressão linear múltipla aplicada ao preço do leite.” Em: CQD-Revista Eletrônica Paulista de Matemático (2016).
N.C.F. Basso, C.M. Babeski, L.B. Heuser, W.J.A. Zardin N.G.and Bandeira, I.R. Carvalho, C.F. Colet e J.A.G. Da Silva. “The production without pesticides in the control of oat foliar diseases: resistance inducer by silicon and potassium and escape zone”. Em: Research, Society and Development (2023). doi: 10.33448/rsd-v11i8.31191.