Уважаемые коллеги, доброго времени суток! Представляем вам нидерландское научное издание Spatial Statistics. Журнал имеет второй квартиль, издаётся в Elsevier BV, его SJR за 2021 г. равен 0,718, импакт-фактор - 2,060, электронный ISSN - 2211-6753, предметные области - Менеджмент, мониторинг, закон и право, Статистика и теория вероятности, Компьютеры в науках о Земле. Вот так выглядит обложка:
Редактором является Альфред Штейн, контактные данные - a.stein@utwente.nl, spasta@elsevier.com.
К публикации принимаются статьи по теории и применению пространственной и пространственно-временной статистики. Журнал отдает предпочтение рукописям, в которых излагается теория, порожденная новыми приложениями, или в которых новая теория применяется к важному практическому случаю. Чисто теоретическое исследование будет принято только в редких случаях. Чистые тематические исследования без методологической разработки неприемлемы для публикации. Пространственная статистика касается количественного анализа пространственных и пространственно-временных данных, включая их статистические зависимости, точность и неопределенности. Методология пространственной статистики обычно используется в теории вероятностей, стохастическом моделировании и математической статистике, а также в информатике. Пространственная статистика используется при составлении карт, оценке качества пространственных данных, оптимизации структуры выборки, моделировании структур зависимостей и получении достоверных выводов из ограниченного набора пространственно-временных данных. Области применения включают физические области, например, сельское хозяйство, геологию, почвоведение, гидрологию, экологию, горное дело, океанографию, лесное хозяйство, качество воздуха, дистанционное зондирование, социальные / экономические области, например, пространственная эконометрика, эпидемиология и картирование заболеваний.
Адрес издания - https://www.journals.elsevier.com/spatial-statistics
Пример статьи, название - An investigation of atmospheric temperature and pressure using an improved spatio-temporal Kriging model for sensing GNSS-derived precipitable water vapor. Заголовок (Abstract) - Ground pressure and temperature are two key meteorological parameters for retrieving precipitable water vapor (PWV) from Global Navigation Satellite Systems (GNSS). The problem is that, many GNSS stations are either not equipped with meteorological sensors or the time resolution of meteorological data is relatively low. To improve the spatio-temporal resolution of meteorological parameters, a new spatio-temporal Kriging model based on an improved adaptive genetic algorithm (IAGA-STK) is proposed. The ERA5 (fifth-generation reanalysis dataset of the European Centre for Medium-range Weather Forecasting) dataset derived temperature and pressure with a time resolution of 1 h and horizontal resolution of 0.125° ×0.125° during the period of storm Mawar (31 Aug–4 Sep 2017), was used as inputs to the IAGA-STK model. Test data were from 13 GNSS stations equipped with meteorological sensors in the Hong Kong region, and the root mean square errors (RMSEs) of temperature and pressure from IAGA-STK model are reduced 1.5% and 5% in comparison with the traditional spatio-temporal interpolated model, respectively. GNSS-derived zenith total delays with the IAGA-STK were converted into PWV (GNSS-PWVIE), and the RMSE of the GNSS-PWVIE was less than 1.7 mm, which can meet the RMSE threshold requirements (3 mm) of PWVs as inputs to weather nowcasting. In addition, the relationship between the storm’s path and water vapor was discussed, and the PWV products with a high time resolution can be used to study the life cycle of a storm. Keywords: Global Navigation Satellite Systems; Spatio-temporal interpolation; Improved adaptive genetic algorithm; Kriging model; Water vapor; Storm