تحلیل آماری داده های فضایی-زمانی مستلزم تعیین ساختار همبستگی آن ها از طریق تابع کوواریانس فضایی-زمانی است. این تابع که معمولاً نامعلوم است بر اساس مشاهدات برآورد می شود. از آنجا که وجود روند در داده ها موجب اریبی در برآورد تابع کوواریانس می گردد، ضروری است روند داده ها مدل بندی شده و با کسر روند از مشاهدات، باقیمانده های فاقد روند برای برازش تابع کوواریانس مورد استفاده قرار گیرد. اما روش های متعددی برای مدل بندی روند داده ها وجود دارند. طبیعتاً از روندزدایی داده ها با مدل های مختلف، توابع کوواریانس متفاوتی حاصل می شوند که تاثیر متفاوتی در دقت تحلیل داده ها دارند. در این پایان نامه چند مدل خطی برای مدل بندی روند فضایی-زمانی داده ها تعیین و نحوه برازش آن-ها مورد بررسی قرار می گیرد. برای ارزیابی تاثیر مدل های مختلف در ویژگی های تابع کوواریانس فضایی-زمانی داده ها، هر یک از مدل ها به دو روش جزئی و کلی به داده های ازن شهر تهران برازش داده می شود. با مقایسه ضریب تعیین مدل های مختلف، نشان داده می شود که مدلی برای روند فضایی-زمانی داده ها مناسب تر است که دارای ضرایب رگرسیونی پویا و خطاهای وابسته فضایی-زمانی است. سپس برای داده های روند زدوده شده حاصل از مدل های مختلف ویژگی های تقارن و تفکیک پذیری تابع کوواریانس فضایی-زمانی داده های ازن با آزمون شائو و لی مورد بررسی قرار می گیرد و نشان داده می-شود که یک تابع کواریانس فضایی-زمانی تفکیک ناپذیر مانا و متقارن، ساختار همبستگی داده های ازن شهر تهران را مشخص می کند. در نهایت مدل هایی با این ویژگی معرفی و مناسب ترین تابع کوواریانس برای داده ها تعیین می شود.