تحلیل بیزی داده‌های زمین‌آماری حجیم، با محاسبات ماتریسی سنگین و هزینه‌بر مواجه است. این محاسبات برای داده‌های فضایی و فضایی-زمانی چندمتغیره با ساختارهای وابستگی پیچیده، سنگین‌تر نیز خواهند بود. این مسئله برای الگوریتم‌های نمونه‌گیری ‎MCMC‎ که استفاده از آنها در تحلیل بیزی مدل‌های فضایی معمول هستند، مشکلاتی جدی مانند سرعت کند و همگرایی زنجیر ایجاد می‌کند. برای فرار از چنین مشکلات محاسباتی، یک رهیافت جانشین، استفاده از مدل‌های دون‌رتبه است که با کاهش فضای پارامتر و پرهیز از محاسبات ماتریسی سنگین، موجب می‌شود تا نرخ همگرایی الگوریتم‌های ‎MCMC‎ و سرعت محاسبات بهبود یابد. در مدل‌های دون‌رتبه، اطلاعات فضایی مکان‌های مشاهده‌شده در یک مجموعه از مکان‌های کوچک‌تر خلاصه می‌شوند. این مجموعۀ کوچک‌تر به مجموعۀ گره معروف است. تعیین نقاط مجموعۀ گره و تعداد آنها به‌طوری که برآورد ساختار وابستگی فضایی متناظرشان نمایشی واضح و کم‌خطا از ساختار وابستگی حاصل از همۀ داده‌ها باشد، یک جنبۀ پایه‌ای و کلیدی در ساخت مدل‌های دون‌رتبه محسوب می‌شود. طراحی نقاط مکانی و تعداد گره‌ها برای اجرای این کاهش بعد، هدف اصلی این مقاله است. برای نمایش عملکرد طرح‌های مختلف در این رده از مدل‌ها، داده‌های کیفیت آب منطقۀ وسیعی از استان گلستان را در بازۀ زمانی سال‌های ‎1382‎ تا ‎1392‎ مورد تحلیل قرار داده‌ایم.

داده‌های شمارشی فضایی در اغلب علوم مانند علوم محیطی، هواشناسی، زمین‌شناسی و پزشکی مشاهده می‌شود. برای تحلیل داده‌های رسته‌ای شمارشی که همبستگی مکانی در آن‌ها مشاهده می‌شود اغلب از مدل‌های خطی تعمیم‌یافته فضایی براساس توزیع‌های پواسونی  (مدل فضایی پواسون-لگ‌نرمال) و دوجمله‌ای (مدل فضایی دوجمله‌ای-لوجیت نرمال) استفاده می‌شود. تابع درست‌نمایی این نوع مدل‌ها دارای پیچیدگی‌های تئوری و محاسباتی است. رهیافت بیزی به‌واسطه الگوریتم‌های مونت کارلویی زنجیر مارکوف یک راه‌حل برای برازش این مدل‌ها می‌تواند باشد، هرچند مشکلاتی از لحاظ نرخ پایین پذیرش نمونه‌ها و طولانی شدن زمان اجرای الگوریتم‌ها معمولا وجود دارد. یک راه‌کار مناسب استفاده از الگوریتم مونت کارلویی همیلتونی  (هیبریدی) در رهیافت بیزی است. در این مقاله، روش جدید مونت کارلوی همیلتونی برای تحلیل بیزی مدل‌های شمارشی فضایی  روی داده‌های آلودگی هوای شهر تهران مورد مطالعه قرار می‌گیرد. همچنین دو الگوریتم مونت کارلویی معمول زنجیر مارکوفی (گیبز و متروپولیس- هستینگس)  و لانجوین-هستینگس برای رهیافت بیزی کامل مدل‌ها روی داده‌ها به‌کار گرفته می‌شوند.  در نهایت با ملاک‌های تشخیصی، رهیافت مناسب برای تحلیل داده‌ها و پیشگویی در همه نقاط شهر معرفی می‌شود.