fa مدل‌سازی بیزی داده‌های فضایی-زمانی چوله با میدان تصادفی منعطف و همبستگی مترن مبتنی بر الگوریتم همیلتونی تطبیقی آمار فضایی Spatial Statistics پژوهشی بنیادی Research 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. Spatio-temporal data often exhibit skewed distributions, which pose challenges for accurate modeling. Skew Gaussian random fields are among the common approaches for analyzing such data, although some existing models suffer from computational complexity and identifiability issues. In this paper, a Bayesian framework is proposed for modeling skewed spatio-temporal data based on a flexible closed skew Gaussian random field, which possesses desirable properties such as identifiability and closure under marginalization and conditioning. By employing the Matérn correlation function, the proposed model provides adequate flexibility for capturing spatio-temporal dependence structures. Bayesian inference is performed using the Hamiltonian Monte Carlo algorithm, and a simulation study is conducted to compare its performance with conventional Markov Chain Monte Carlo methods. Finally, the performance of the proposed model was also evaluated using observed PM-10 air pollution data. الگوریتم همیلتونی تطبیقی, تابع همبستگی مترن, بازنمایی دون‌رتبه, مدل سلسله‌مراتبی بیزی, آلودگی ذرات معلق PM10 Adaptive Hamiltonian Monte Carlo, Matérn Correlation Function, Low-Rank Representation, Bayesian Hierarchical Model, PM10 Air Pollution. 0 0 http://jss.irstat.ir/browse.php?a_code=A-10-133-4&slc_lang=fa&sid=1 Omid Karimi امید کریمی omid.karimi@semnan.ac.ir 3800051435 10031947532846009373 Yes Semnan University دانشگاه سمنان Fatemeh Hosseini فاطمه حسینی fatemeh.hoseini@semnan.ac.ir 0943392888 10031947532846009374 No Semnan University دانشگاه سمنان