• 随着卫星遥感、实地观测以及地理信息系统等数据获取手段的不断发展，大范围、高分辨率的空间与时空数据日趋普遍，其分析方法也因此引发了统计学界的广泛关注。然而，这类数据在为统计建模提供丰富素材的同时，也带来了一系列新挑战。第一，空间与时空数据通常具有不可忽略的相关性结构，需对其相依特征进行准确刻画。第二，大范围乃至全球尺度的数据往往表现出显著的非平稳性与异质性，使传统平稳模型不再适用。第三，空间与时空建模常涉及协方差（相关）矩阵的分解，而海量数据产生的高维协方差矩阵会引发“维度灾难”，导致矩阵分解的计算量巨大，甚至不可行。第四，随着交叉研究的深入，具有复杂特征的非高斯数据不断涌现。

• 针对上述问题，本团队致力于发展空间与时空非平稳模型，重点面向实际应用中日益普遍的非高斯数据，提出兼顾统计推断效率与大数据计算性能的高效建模方法。在此基础上，团队将进一步研究具有复杂特征的流形数据与张量数据的统计建模技术，并将所发展的空间与时空统计模型应用于海洋学、地球物理学及人口地理学等相关领域。

核心团队成员：张博海