{
    "metadata": {
        "dataset_id": "shahroodut-thesis",
        "record_id": "QA313",
        "title": "مدل‌های فضایی-زمانی یک و چندمتغیره برای داده‌های زمین‌آماری حجیم",
        "publisher": "دانشگاه صنعتی شاهرود",
        "owner": "کتابخانه مرکزی دانشگاه صنعتی شاهرود",
        "license": "CC-BY-4.0",
        "license_url": "https://creativecommons.org/licenses/by/4.0/",
        "license_text": "استفاده، بازنشر، تحلیل، پردازش و بهره برداری پژوهشی، آموزشی و صنعتی با ذکر منبع دانشگاه صنعتی شاهرود مجاز است.",
        "publication_date": "1394",
        "last_update": "2026-07-04",
        "language": "fa",
        "format": "application/json",
        "contact": "thesis@shahroodut.ac.ir",
        "access": {
            "fulltext_available": "true",
            "public_access": "true"
        }
    },
    "data": {
        "thesis_id": "QA313",
        "title": "مدل‌های فضایی-زمانی یک و چندمتغیره برای داده‌های زمین‌آماری حجیم",
        "degree": null,
        "faculty": "علوم ریاضی",
        "year": 1394,
        "authors": [
            {
                "name": "بهمن حمیدیان",
                "role": "پدیدآور اصلی"
            },
            {
                "name": "حسین باغیشنی",
                "role": "استاد راهنما"
            }
        ],
        "keywords": [
            "‎استنباط بیزی",
            "نمونه‌گیر‏ی MCMC",
            "فرآیند پیش‏‌گو",
            "‎‎فضایی-زمانی‎‎",
            "زمین‌آمار"
        ],
        "abstract": "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.",
        "repository": "کتابخانه مرکزی دانشگاه صنعتی شاهرود",
        "note": "حقوق مادی و معنوی متعلق به دانشگاه صنعتی شاهرود می باشد.",
        "download_url": "https://shahroodut.ac.ir/fa/thesis/files/somefiles/sf_QA313.pdf"
    },
    "dictionary": {
        "thesis_id": "شناسه پایان نامه",
        "title": "عنوان پایان نامه",
        "degree": "مقطع تحصیلی",
        "faculty": "دانشکده",
        "year": "سال دفاع",
        "authors": "پدیدآورندگان",
        "keywords": "کلیدواژه ها",
        "abstract": "چکیده",
        "repository": "محل نگهداری",
        "note": "یادداشت",
        "download_url": "آدرس فایل پایان نامه"
    }
}