Spatial Statistics and Modeling

آمار فضایی در موضوعات متنوعی مانند اقلیم شناسی، بوم شناسی، اقتصاد، علوم محیطی و زمین، اپیدمیولوژی، تجزیه و تحلیل تصویر و موارد دیگر مفید است. این کتاب شناخته شده ترین مدل های فضایی برای سه نوع داده مکانی را پوشش می دهد: داده های زمین آماری (ایستایی، مدل های ذاتی، واریوگرام ها، رگرسیون مکانی و مدل های فضا-زمان)، داده های منطقه ای (میدان های گیبس-مارکوف و رگرسیون خودکار مکانی) و نقطه ای. داده های الگو (فرایندهای نقطه پواسون، کاکس، گیبس و مارکوف). سطح نسبتاً پیشرفته است و ارائه مختصر اما کامل است.

مهمترین روشهای آماری و ویژگیهای مجانبی آنها از جمله تخمین در زمین آمار، همبستگی خودکار و آمار مرتبه دوم، روشهای حداکثر درستنمایی، استنتاج تقریبی شرح داده شده است. با استفاده از شبه احتمال یا شبیه سازی مونت کارلو، آمار برای فرآیندهای نقطه ای و مدل های سلسله مراتبی بیزی. یک فصل به شبیه‌سازی مونت کارلو زنجیره مارکوف (نمونه‌گر گیبس، الگوریتم‌های متروپلیس-هیستینگ و شبیه‌سازی دقیق) اختصاص دارد.
تعداد زیادی از مثال‌های واقعی با R مطالعه می‌شوند و هر فصل با مجموعه‌ای از تمرین‌های نظری و کاربردی به پایان می‌رسد. در حالی که پایه ای در آمار احتمالات و ریاضی فرض می شود، سه ضمیمه پیشینه لازم را معرفی می کنند. این کتاب برای دانشجویان ارشد با پیشینه ریاضی و دکتری قابل دسترسی است. دانش آموزان در آمار علاوه بر این، آماردانان و محققان با تجربه در زمینه های فوق الذکر کتاب را به عنوان یک مرجع ریاضی معتبر می یابند.

این کتاب ترجمه انگلیسی Modélisation et Statistique Spatiales است که توسط Springer در مجموعه Mathématiques & Applications منتشر شده است. ، مجموعه ای که توسط Société de Mathématiques Appliquées et Industrielles (SMAI) تأسیس شده است.

کارلو گاتان دانشیار آمار در گروه آمار در دانشگاه Ca' Foscari ونیز است.

خاویر گویون پروفسور ممتاز در دانشگاه پاریس 1 پانتئون سوربن است. او نویسنده یک تک نگاری Springer در زمینه های تصادفی است.

Spatial statistics are useful in subjects as diverse as climatology, ecology, economics, environmental and earth sciences, epidemiology, image analysis and more. This book covers the best-known spatial models for three types of spatial data: geostatistical data (stationarity, intrinsic models, variograms, spatial regression and space-time models), areal data (Gibbs-Markov fields and spatial auto-regression) and point pattern data (Poisson, Cox, Gibbs and Markov point processes). The level is relatively advanced, and the presentation concise but complete.

The most important statistical methods and their asymptotic properties are described, including estimation in geostatistics, autocorrelation and second-order statistics, maximum likelihood methods, approximate inference using the pseudo-likelihood or Monte-Carlo simulations, statistics for point processes and Bayesian hierarchical models. A chapter is devoted to Markov Chain Monte Carlo simulation (Gibbs sampler, Metropolis-Hastings algorithms and exact simulation).
A large number of real examples are studied with R, and each chapter ends with a set of theoretical and applied exercises. While a foundation in probability and mathematical statistics is assumed, three appendices introduce some necessary background. The book is accessible to senior undergraduate students with a solid math background and Ph.D. students in statistics. Furthermore, experienced statisticians and researchers in the above-mentioned fields will find the book valuable as a mathematically sound reference.

This book is the English translation of Modélisation et Statistique Spatiales published by Springer in the series Mathématiques & Applications, a series established by Société de Mathématiques Appliquées et Industrielles (SMAI).

Carlo Gaetan is Associate Professor of Statistics in the Department of Statistics at the Ca' Foscari University of Venice.

Xavier Guyon is Professor Emeritus at the University of Paris 1 Panthéon-Sorbonne. He is author of a Springer monograph on random fields.