Mit der Geostatistical Analyst-Lizenz verfügbar.
Eine Ihrer wichtigsten Aufgaben besteht in der Definition der Ziele, die Sie bei der Entwicklung eines Interpolationsmodells verfolgen. In anderen Worten: Welche Informationen muss das Modell liefern, damit Sie eine Entscheidung treffen können? Beispielsweise werden Interpolationsmodelle im Gesundheitswesen verwendet, um Schadstoffkonzentrationen vorherzusagen, die sich statistisch mit Krankheitshäufigkeiten verknüpfen lassen. Auf der Grundlage dieser Information lassen sich weitere Untersuchungen planen, öffentliche Gesundheitspolitik entwickeln usw.
Geostatistical Analyst stellt viele verschiedene Interpolationsmethoden zur Verfügung. Jede hat ihre besonderen Qualitäten und bietet verschiedene Informationen. (In einigen Fällen liefern die Methoden ähnliche Informationen, in anderen Fällen können sich die Informationen deutlich unterscheiden.) Die folgenden Abbildungen zeigen eine Klassifizierung dieser Methoden nach unterschiedlichen Kriterien. Wählen Sie ein Kriterium, das für Ihre besondere Situation wichtig ist, und einen Zweig im entsprechenden Baum, der die für Sie interessante Option darstellt. Damit gelangen Sie zu einer oder mehreren Interpolationsmethoden, die für Ihre Situation geeignet sein können. Es ist sehr wahrscheinlich, dass Sie mehrere wichtige Kriterien erfüllen müssen und deshalb mehrere der Klassifizierungsbäume nutzen. Vergleichen Sie die von jedem von Ihnen verfolgten Zweig des Baums vorgeschlagenen Interpolationsmethoden und wählen Sie ein paar Methoden zum Vergleich, bevor Sie sich für das endgültige Modell entscheiden.
Der erste Baum schlägt Methoden auf der Basis ihrer Fähigkeit vor, Vorhersagen bzw. Vorhersagen und damit verbundene Fehler zu erstellen.
Einige Methoden erfordern ein Modell räumlicher Autokorrelation, um Vorhersagewerte zu generieren, andere nicht. Für die Modellierung räumlicher Autokorrelation sind zusätzliche Parameterwerte zu definieren und ein Modell muss interaktiv an die Daten angepasst werden.
Verschiedene Methoden erzeugen unterschiedliche Ausgabetypen, deshalb müssen Sie sich für den Informationstyp entscheiden, bevor Sie das Interpolationsmodell erstellen. 
Interpolationsmethoden variieren in ihrer Komplexitätsstufe, die anhand der Anzahl der zu erfüllenden Voraussetzungen gemessen werden kann, damit das Modell gültig ist. 
Einige Interpolatoren sind genau (an jeder Eingabedaten-Position sind Wert der Oberfläche und Eingabedatenwert genau gleich), andere nicht. Exakte Replikation der Eingabedaten kann in einigen Situationen wichtig sein. 
Einige Methoden erzeugen glattere Oberflächen als andere. Radiale Basisfunktionen beispielsweise sind durch ihre Konstruktion glatt. Die Verwendung einer glatten Suchnachbarschaft erzeugt glattere Oberflächen als eine Standard-Suchnachbarschaft. 
Für einige Entscheidungen sollte nicht nur der vorhergesagte Wert an einer Position, sondern auch die mit dieser Vorhersage verknüpfte Unsicherheit (Variabilität) berücksichtigt werden. Einige Methoden liefern Messunsicherheiten, andere nicht. 
Schließlich kann auch die Verarbeitungsgeschwindigkeit ein Faktor in Ihrer Analyse sein. Im Allgemeinen sind die meisten Interpolationsmethoden ziemlich schnell, außer wenn Barrieren zur Steuerung des Interpolationsprozesses verwendet werden. 
Die Klassifizierungsbäume verwenden die folgenden Abkürzungen für die Interpolationsmethoden:
| Abkürzung | Methodenname |
|---|---|
GPI | |
LPI | |
IDW | |
RBF | |
KSB | |
DKB | |
Kriging | Ordinary, Simple, Universal, Indicator, Probability, Disjunctive und Empirical Bayesian Kriging |
Simulation | Gaussian Geostatistical Simulation, basierend auf einem einfachen Kriging-Modell |