چکیده
بسته R، spate، روش شناسی مربوط به مدل سازی مجموعه داده های فضا – زمانی بزرگ را اجرا می کند. فرایند فضا – زمانی گاوسی، از طریق یک معادله دیفرانسیل جزئی تصادفی (SPDE) تعریف می شود که با استفاده از روش های طیفی حل می شود. بر خلاف روش زمین آماری مرسوم که بر توابع کوواریانس تکیه دارد، روش SPDE طیفی، از نظر محاسباتی قابل اجراست و پارامتری سازی فضا – زمان حقیقی را حاصل می کند.
هدف این بسته، ارائه ابزاری برای شبیه سازی و مدل سازی فرایندهای فضا – زمانی با استفاده از یک روش مبتنی بر SPDE است. این بسته، شامل توابعی برای بدست آوردن پارامتری سازی هاست، مانند ماتریسهای کوواریانس ابداع یا انتشارگر از مدل فضا – زمانی. این ابزار، ساخت مدل های بیزی سلسله مراتبی اختصاصی را با استفاده از مدل مبتنی بر SPDE در طول فرایند امکان پذیر می سازد. آنگاه توابع این بسته، الگوریتمهای موردنیاز برای انجام استنباط با مدل سلسله مراتبی را ارائه میدهند که این الگوریتم ها از نظر محاسباتی کارآمد هستند. به علاوه، الگوریتم مونت کارلوی زنجیره مارکوف (MCMC) تطبیقی که در بسته اجرا می شود را میتوان به عنوان یک الگوریتم برای انجام استنباط بدون هر گونه مدل سازی اضافی مورد استفاده قرار داد. این تابع منعطف است و اختصاصی سازی با توجه به کاربرد را امکان پذیر می سازد. الگوریتم MCMC از داده هایی پشتیبانی می کند که از یک توزیع گاوسی یا سانسور شده با جرم نقطه ای صفر تبعیت می کنند. متغیرهای کمکی فضا – زمانی را می توان از طریق عبارت مربوط به رگرسیون در مدل وارد کرد.
-1مقدمه
داده های فضا – زمانی که به تدریج بزرگتر می شوند، در بسیاری از حوزه ها و کاربردها تولید می شوند. به عنوان مثال، مجموعه داده هایی از ماهواره های سنجش از دور یا مدل های فیزیکی قطعی مانند مدل های پیشبینی عددی وضع هوا (NWP) بدست می آیند. بنابراین، نیاز فزایندهای به روشی که بتواند از عهده چنین داده های بزرگی برآید، وجود دارد. برای معرفی و مروری بر آمار فضا – زمانی، کرسی و ویکل (2011) را ببینید...