مدل بندی داده های فضایی-زمانی با گمشدگی غیرقابل چشم پوشی

غلب داده های فضایی و فضایی-زمانی به واسطه شرایطی که تحت آن اندازه گیری ها صورت می گیرد حاوی مقادیر گمشده هستند. مقادیر گمشده ای که در فواصل مکانی یا زمانی نزدیک تر نسبت به مشاهدات قرار دارند شامل اطلاعات مفیدی هستند که درنظر گرفتن آن ها می تواند منجر به نتایج دقیق تری شود. بنابراین لازم است حضور داده های گمشده مورد توجه و بررسی دقیق قرار گیرد. لذا می توان با مدل بندی توام فرایندی که منجر به گمشدگی می شود و فرایند اندازه گیری فضایی-زمانی، برخی اطلاعات از دست رفته را بازیابی کرد. در این مقاله، با استفاده از تکنیک مدل پارامتر مشترک، به مدل بندی توام فرایند اندازه گیری فضایی-زمانی و فرایند گمشدگی در یک چارچوب بیزی می پردازیم تا اثرات سوء مقادیر گمشده تعدیل شود. همچنین از طریق یک میدان تصادفی پنهان فضایی-زمانی در مدل، بین دو فرایند ارتباط ایجاد خواهیم کرد.} به منظور برآورد پارامترهای مدل و پیشگویی ها، روش بیز تقریبی INLA به همراه راهکار ،SPDE به کار بسته شده است. سپس بر اساس مدل توام داده های دمای سطح آب دریای خزر مدل بندی و تحلیل شده و عملکرد مدل نیز مورد ارزیابی قرار گرفته است. در انتها نیز به بحث و نتیجه گیری پرداخته شده است.