توابع کوواریانس مانای تفکیکناپذیر برای دادههای فضایی-زمانی
First Statement of Responsibility
/زینب خدادوستان شهرکی
.PUBLICATION, DISTRIBUTION, ETC
Name of Publisher, Distributor, etc.
: علوم ریاضی
Date of Publication, Distribution, etc.
، ۱۳۹۶
NOTES PERTAINING TO PUBLICATION, DISTRIBUTION, ETC.
Text of Note
چاپی
DISSERTATION (THESIS) NOTE
Dissertation or thesis details and type of degree
کارشناسی ارشد
Discipline of degree
ریاضی کاربردی
Date of degree
۱۳۹۶/۰۹/۲۱
Body granting the degree
تبریز
SUMMARY OR ABSTRACT
Text of Note
آمار فضایی شاخهای از علم آمار است که برای تجزیه و تحلیل دادههای فضایی به کار گرفته میشود .شیوه زمین آمار در پیشبینی فضایی-زمانی در علوم زیست، اقلیم شناسی، هوا شناسی و زمینههای مرتبط دیگر تکیه بر مدلهای کوواریانس مناسب دارند .در این پژوهش، ضمن معرفی توابع کوواریانس تفکیکپذیر، یک کلاس عمومی از توابع کوواریانس مانای تفکیکناپذیر بر اساس گنتینگ)( ۲۰۰۲ ارائه میشود .این توابع به طور مستقیم در ناحیه فضایی-زمانی ساخته میشوند و برخلاف روش کرسی و هانگ) ( ۱۹۹۹به تبدیل معکوس فوریه بستگی ندارد .پارامترهای مدل نیز بر اساس ساختار فضایی و زمانی دادهها تعیین می گردند .در نهایت، مدل کوواریانس با پارامتر اثر متقابل فضایی-زمانی قابل تفسیر ارائه شده، به دادههای باد ایرلند برازش میشود
Text of Note
Geostatistics is a branch of statistics which is used for analyzing spatial data. Geostatistical methods in spatio-temporal prediction in many scientifc and engineering felds such as environmental sciences, climate prediction and meteorology, population biology, epidemiology, and others are based on suitable covariance models. In this thesis, in addition to introduce separable covariance functions, we introduce a class of noseparable, stationary covariance function based on Gineiting (2002). These functions are directly constructed in space-time domain and against Cressie and Haung (1999), dont depend on the closed-form of Fourier inversion. Model parameters are determined based on spatial and temporal structures of the data. Finally, a covariance model with a readily interpretable spacetime interaction parameter is ftted to the Irish wind data