Mit der Geostatistical Analyst-Lizenz verfügbar.
Eine der wichtigsten Entscheidungen, die Sie treffen müssen, besteht darin, Ihr(e) Ziel(e) bei der Entwicklung eines Interpolationsmodells zu definieren. Oder anders ausgedrückt: Welche Informationen soll das Modell liefern, damit Sie eine Entscheidung treffen können? Im Gesundheitswesen werden Interpolationsmodelle beispielsweise für die Vorhersage von Schadstoffwerten verwendet, die in einen statistischen Zusammenhang mit Krankheitsraten gebracht werden können. Anhand der gewonnenen Informationen können dann u. a. weitere Stichprobenuntersuchungen durchgeführt und Richtlinien für die öffentliche Gesundheit entwickelt werden.
In Geostatistical Analyst stehen verschiedene Interpolationsmethoden zur Verfügung. Jede Methode besitzt ihre eigenen Qualitäten und liefert andere Informationen (in einigen Fällen werden ähnliche Informationen bereitgestellt, in anderen Fällen wiederum können die Informationen recht unterschiedlich sein). Die Methoden sind – nach unterschiedlichen Kriterien klassifiziert – in den folgenden Diagrammen dargestellt. Wählen Sie ein Kriterium, das für Ihre konkrete Situation wichtig ist, und eine Verzweigung im entsprechenden Baum, die der Option entspricht, an der Sie interessiert sind. Auf diese Weise gelangen Sie zu einer oder mehreren Interpolationsmethoden, die für Ihre Situation geeignet sein können. Sie werden höchstwahrscheinlich mehrere Klassifizierungsbäume verwenden, da Sie mehrere wichtige Kriterien haben, die erfüllt werden müssen. Vergleichen Sie die vorgeschlagenen Interpolationsmethoden miteinander, und wählen Sie ein paar Methoden aus, die Sie gegeneinander abwägen, bevor Sie sich für ein endgültiges Modell entscheiden.
Im ersten Baum wird zwischen Methoden, die Vorhersagen generieren, und Methoden, die Vorhersagen und die damit verbundenen Fehler generieren, unterschieden.
Bei einigen Methoden ist für die Generierung von vorhergesagten Werten ein Modell der räumlichen Autokorrelation erforderlich, bei anderen nicht. Die Modellierung der räumlichen Autokorrelation erfordert die Definition zusätzlicher Parameterwerte und die interaktive Anpassung eines Modells an die Daten.
Unterschiedliche Methoden generieren unterschiedliche Ausgabetypen. Deshalb müssen Sie vor dem Erstellen des Interpolationsmodells entscheiden, welcher Informationstyp generiert werden soll. 
Interpolationsmethoden unterscheiden sich im Grad ihrer Komplexität. Dieser kann anhand der Anzahl der Annahmen gemessen werden, die erfüllt sein müssen, damit das Modell gültig ist. 
Einige Interpolatoren sind genau (an jeder Eingabedatenposition ist der Wert der Oberfläche identisch mit dem Eingabedatenwert), während andere dies nicht sind. In manchen Situationen kann eine exakte Replikation der Eingabedaten wichtig sein. 
Einige Methoden produzieren glattere Oberflächen als andere. Dies gilt beispielsweise konstruktionsbedingt für radiale Basisfunktionen. Bei der Verwendung einer geglätteten Suchnachbarschaft werden glattere Oberflächen erstellt als bei der Verwendung einer Standardsuchnachbarschaft. 
Für einige Entscheidungen ist es wichtig, nicht nur den vorhergesagten Wert an einer Position zu berücksichtigen, sondern auch die mit der Vorhersage verbundene Unsicherheit (Variabilität). Einige Methoden berücksichtigen Unsicherheitsfaktoren, während andere dies nicht tun. 
Und nicht zuletzt kann auch die Verarbeitungsgeschwindigkeit ein Faktor bei Ihrer Analyse sein. Im Allgemeinen sind die meisten Interpolationsmethoden relativ schnell, sofern keine Barrieren zur Steuerung des Interpolationsprozesses verwendet werden. 
In den Klassifizierungsbäumen werden die folgenden Abkürzungen für die Interpolationsmethoden verwendet:
| Abkürzung | Methodenname |
|---|---|
GPI | |
LPI | |
IDW | |
RBF | |
KSB | |
DKB | |
Kriging | Ordinary Kriging, Simple Kriging,Universal Kriging, Indicator Kriging, Probability Kriging, Disjunctive Kriging, Empirical Bayesian Kriging und Regressionsvorhersage mit EBK |
Simulation | Geostatistische Gauß-Simulation, basierend auf einem Simple Kriging-Modell |