چکیده: تحلیل داده‌های زمین‌آماری حجیم، معمولاً با محاسبات ماتریسی سنگین و هزینه‌بر مواجه است. این مساله باعث ایجاد مشکلات جدی در استنباط‌های بیزی مدل‌های سنتی شده است. علاوه بر این، محققین اغلب با مجموعه داده‌های فضایی چندمتغیره با ساختارهای وابستگی فضایی پیچیده روبرو می‌شوند که تحلیل آن‌ها بیش از پیش سخت خواهد بود. ساختار پیچیده (فضایی یا فضایی-زمانی) داده‌ها، حجم بالای آن‌ها و نقص مدل‌های موجود، کاربران آن‌ها را به سمت توسعه مدل‌های جدید و پویا سوق داده‌اند. در این پایان‌نامه به معرفی و استفاده از مدل‌هایی با عنوان مدل‌های بعد-پایین یا کم‌رتبه، به‌طور ویژه مدل فرآیند پیش‌گو، برای تحلیل داده‌های زمین‌آماری گاوسی حجیم می‌پردازیم که با کاهش فضای پارامتر موجب می‌شود تا نرخ همگرایی الگوریتم‌های نمونه‌گیری ‎MCMC‎ و در نتیجه سرعت محاسبات بهبود یابد. این بهبودی به دلیل پرهیز از محاسبات ماتریسی سنگین می‌باشد که باعث شده است بتوان از آن‌ها برای مجموعه داده‌های حجیم بهره گرفت. برای نمایش عملکرد این رده از مدل‌ها، داده‌های کیفیت آب منطقه وسیعی از استان گلستان را در بازه زمانی سال‌های ‎1382‎ تا ‎1392‎ مورد تحلیل قرار داده‌ایم.