چکیده: داده‌های برخی از پدیده‌ها در شاخه‌های علمی مختلف مانند بهداشت و سلامت، محیط‌شناسی، مدیریت شهری و ورزش معمولا شمارشی هستند که اغلب وابستگی فضایی یا فضایی-زمانی دارند. مدل سنتی و رایج در تحلیل داده‌های شمارشی، مدل پواسون است. این مدل به دلیل داشتن پذیره برابری میانگین و واریانس، در بیشتر وضعیت‌ها مناسب نیست، زیرا معمولا اکثر داده‌های شمارشی که با آن‌ها سر و کار داریم بیش‌پراکنده یا کم‌پراکنده هستند. برای لحاظ کردن این ویژگی ذاتی داده‌های شمارشی، مدل‌های متنوعی توسعه یافته‌اند. در این رساله، مدل شمارشی گاما فضایی و فضایی-زمانی را توسعه می‌دهیم که در مدل‌بندی پراکنش داده‌ها به اندازه کافی منعطف است. برای برازش و استنباط در مدل پیشنهادی از یک رهیافت بیزی تقریبی بر پایه روش تقریب لاپلاس آشیانی جمع‌بسته ‎(INLA)‎ استفاده می‌کنیم. کاربردهای متنوعی از مدل را بررسی و کارایی آن را در مقایسه با مدل‌های رقیب به کمک مثال‌های شبیه‌سازی و واقعی ارزیابی می‌کنیم.