---

مدل‌بندی داده‌های فضایی چوله اغلب با استفاده از میدان تصادفی چوله گاوسی صورت می‌پذیرد. مساله اصلی این است که شبیه‌سازی از این میدان تصادفی برای بعضی مقادیر پارامترها و بعدهای بالا خیلی زمان‌بر و حتی در برخی حالت‌ها ناممکن و نیازمند استفاده از روش‌های تقریبی است. یکی از شاخه‌های آمار فضایی که اغلب در تعیین ذخائر زیرزمینی همچون نفت و گاز مورد استفاده قرار می‌گیرد، تحلیل داده‌های سایسمیک توسط مدل معکوس است. مدل معکوس گاوسی بیزی معمولا در معکوس سایسمیک مورد استفاده قرار می‌گیرد که از لحاظ تحلیلی و محاسباتی به راحتی برای بعدهای بالا قابل انجام است. اما در عمل با متغیرهایی  مواجه می‌شویم که نامتقارن و چوله هستند، مدل‌بندی این نوع داده‌ها با استفاده از توزیع‌های چوله صورت می‌گیرد. در تحلیل بیزی مدل معکوس چوله گاوسی بسته نیز یکی از مشکلات مهم تولید نمونه از توزیع چوله‌نرمال بسته است. در این مقاله یک الگوریتم کارآمد برای تولید نمونه از توزیع چوله‌نرمال بسته با بعد بالا ارائه می‌شود. همچنین توزیع چوله‌تی بسته معرفی می‌شود که شامل دم‌های سنگین در تابع چگالی است و یک الگوریتم شبیه‌سازی برای تولید نمونه از این توزیع نیز بیان می‌گردد. در نهایت بحث و نتیجه‌گیری ارائه می‌شود.

---

میدان تصادفی گاوسی معمولا برای تحلیل داده‌های فضایی به‌کار گرفته می‌شود. از ویژگی‌های مهم این میدان تصادفی دارا بودن خواص مهم خانواده توزیع‌های نرمال از جمله بسته بودن تحت تبدیلات خطی، حاشیه‌سازی و شرطی‌کردن است که باعث خاصیت سازگاری حاشیه‌ای می‌شود. به‌طور مشابه برای مدل‌بندی داده‌های فضایی چوله از میدان تصادفی چوله گاوسی استفاده می‌شود. هرچند توزیع چوله نرمال خیلی از خواص توزیع نرمال را داراست اما در بعضی تعریف‌های میدان تصادفی چوله گاوسی، خاصیت سازگاری حاشیه‌ای برقرار نیست. در این مقاله یک میدان تصادفی چوله ‌گاوسی مانا معرفی و خاصیت سازگاری حاشیه‌ای آن بررسی می‌شود. سپس تشخیص مدل همبستگی فضایی  این میدان تصادفی چوله  با استفاده از تغییرنگار تجربی مورد تحلیل قرار می‌گیرد. همچنین تحلیل درست‌نمایی پارامترهای میدان تصادفی معرفی شده با یک مطالعه شبیه‌سازی بیان و در انتها بحث و نتیجه‌گیری ارائه می‌شود.

---

معمولا برای مدل‌بندی داده‌های فضایی گاوسی از میدان تصادفی گاوسی استفاده می‌شود. در عمل ممکن است با داده‌های ناگاوسی مواجه شویم که چوله هستند. یک‌ راه‌کار برای مدل‌بندی داده‌های فضایی چوله استفاده از میدان‌ تصادفی چوله است. اخیرا میدان‌های تصادفی چوله متعددی برای مدل کردن  این نوع داده‌ها ارائه شده‌اند که برخی از آن‌ها دارای مشکلاتی همچون پیچیدگی، عدم شناسایی پذیری و نامانایی هستند. در این مقاله  یک  کلاس منعطف  از توزیع چوله نرمال  بسته  برای ساخت میدان‌های تصادفی مانای معتبر معرفی می‌شود و برخی از ویژگی‌های مهم برای این کلاس مانند  شناسایی‌پذیری و بسته‌بودن تحت حاشیه‌سازی و شرطی‌کردن مورد بررسی قرار می‌گیرد. دلایل ایجاد مدل‌های فضایی معتبر بر اساس این میدان‌های تصادفی چوله نیز بیان می‌شود. همچنین شناسایی‌پذیر بودن مدل همبستگی فضایی بر اساس تغییرنگار تجربی در یک مطالعه شبیه‌سازی با میدان‌ تصادفی چوله مانا به‌عنوان مدل رقیب  بررسی می‌شود.   علاوه بر این، پیشگویی‌های فضایی با استفاده از رهیافت درست‌نمایی در   این میدان‌های تصادفی چوله ارائه و  یک مطالعه شبیه‌سازی برای ارزیابی برآورد ماکسیمم درست‌نمایی پارامترهای آن‌ها انجام می‌شود.

---

  برای مدل‌بندی داده‌های رسته‌ای فضایی از مدل‌های آمیخته خطی تعمیم‌یافته فضایی     استفاده می‌شود که در این مدل‌ها اغلب متغیرهای پنهان که بیان‌گر همبستگی فضایی هستند، با یک میدان تصادفی گاوسی مدل‌بندی می‌شوند. عدم برقراری فرض گاوسی باعث تاثیر روی دقت پیش‌گویی‌ها و برآورد پارامترهای مدل می‌شود. در این مقاله با استفاده یک میدان تصادفی چوله گاوسی مانا و به‌کارگیری یک رهیافت بیزی تقریبی، مدل‌های آمیخته خطی تعمیم‌یافته فضایی مدل‌بندی و برآورد می‌شوند. در یک مثال شبیه‌سازی کارایی مدل و رهیافت بیزی تقریبی بررسی  و بر روی یک مثال واقعی پیاده‌سازی می‌شود.

---

مدل‌های رگرسیون فضایی برای تحلیل پاسخ‌های کمی فضایی براساس روابط خطی و غیرخطی با متغیرهای توضیحی به کار گرفته می‌شوند. معمولاً  همبستگی فضایی پاسخ‌ها با یک میدان تصادفی گاوسی بر اساس توزیع نرمال چند‌ متغیره مدل می‌شوند. اما در عمل با پاسخ‌های چوله‌ای مواجه می‌شویم که برای تحلیل آن‌ها از خانواده توزیع‌های چوله نرمال استفاده می‌شود. توزیع چوله نرمال بسته یکی از خانواده‌های گرده توزیع چوله‌ نرمال است که  خواص  مشابه‌ توزیع نرمال دارد.   در این مقاله تحلیل بیز سلسله مراتبی این مدل‌ها براساس یک زیر رده منعطف از توزیع‌ چوله نرمال بسته ارائه می‌گردد.  به دلیل زمان‌بر بودن محاسبات  روش‌های مونت کارلویی در تحلیل بیز سلسله مراتبی از  رهیافت بیز مقداری برای تقریب توزیع پسین استفاده می‌شود. سپس مدل پیشنهادی روی داده‌های  واقعی زمین لرزه‌ای کشور ایران پیاده‌سازی و مورد تحلیل قرار می‌گیرد

---

داده‌های فضایی-زمانی معمولاً دارای ساختارهای وابستگی پیچیده و چولگی هستند که مدل‌سازی آن‌ها با چارچوب‌های کلاسیک، مانند میدان‌های تصادفی گاوسی، یا بسیار پرهزینه و یا بیش از حد محدودکننده است. در این مقاله، چارچوبی نوین با عنوان میدان عصبی بیزی برای مدل‌سازی فرایندهای فضایی–زمانی چوله معرفی می‌شود. این چارچوب با استفاده از مختصات مکانی و زمانی در کنار متغیرهای توضیحی و توزیع‌های پیشین، امکان بازنمایی انعطاف‌پذیر همبستگی‌ها و چولگی را فراهم می‌سازد و قابلیت پیش‌بینی در مکان‌ها و زمان‌های جدید را دارد. استنباط پارامترها از طریق روش استنباط واریاسیونی انجام شد که علاوه بر بهره‌وری محاسباتی، برآورد عدم‌قطعیت را نیز امکان‌پذیر می‌سازد. نتایج مطالعهٔ شبیه‌سازی نشان داد که چارچوب پیشنهادی از نظر دقت و سرعت نسبت به روش‌های مونت‌کارلویی استاندارد برتری دارد.

---

داده‌های فضایی-زمانی اغلب دارای توزیع‌های چوله هستند که مدل‌سازی آن‌ها با چالش‌هایی همراه است. میدان‌های تصادفی چوله گاوسی یکی از رویکردهای متداول برای تحلیل این داده‌ها هستند، اما برخی از این مدل‌ها با مشکلاتی مانند پیچیدگی محاسباتی و عدم شناسایی‌پذیری مواجه‌اند. در این مقاله، یک چارچوب بیزی برای مدل‌سازی داده‌های فضایی-زمانی چوله بر پایه میدان تصادفی چوله گاوسی بسته و منعطف پیشنهاد شده است که ویژگی‌هایی مانند شناسایی‌پذیری و بسته بودن تحت عملیات حاشیه‌سازی و شرطی‌سازی را داراست. این مدل با بهره‌گیری از تابع همبستگی مترن، انعطاف‌پذیری مناسبی در مدل‌سازی ساختارهای همبستگی فضایی-زمانی فراهم می‌کند. تحلیل بیزی مدل با استفاده از الگوریتم مونت‌کارلویی همیلتونی انجام  و در یک مطالعه شبیه‌سازی، عملکرد آن با روش‌های متداول مونت‌کارلویی زنجیر  مارکوفی مقایسه شد. در نهایت، کارایی مدل در تحلیل داده‌های  آلودگی هوا PM-10 نیز مورد بررسی قرار گرفت.