Disponible con una licencia de Geostatistical Analyst.
Una de las decisiones más importantes que tendrá que tomar es definir cuál es su objetivo u objetivos a la hora de desarrollar un modelo de interpolación. En otras palabras, ¿qué información necesita que proporcione el modelo para poder tomar una decisión? Por ejemplo, en el ámbito de la salud pública, se usan modelos de interpolación para predecir niveles de contaminantes que puedan estar estadísticamente asociados a índices de enfermedades. Según esa información, pueden diseñarse otros estudios de muestreo, pueden desarrollarse políticas de salud pública, etc.
Geostatistical Analyst ofrece muchos métodos de interpolación diferentes. Cada uno tiene cualidades únicas y proporciona información diferente (en algunos casos, los métodos proporcionan información similar; en otros casos, la información puede ser bastante diferente). Los siguientes diagramas muestran estos métodos clasificados de acuerdo con distintos criterios. Elija un criterio que sea importante para su situación concreta y una rama del árbol correspondiente que represente la opción que le interese. Esto le guiará a uno o más métodos de interpolación que podrían ser adecuados para su situación. Lo más probable es que tenga varios criterios importantes que cumplir y que utilice varios árboles de clasificación. Compare los métodos de interpolación sugeridos por cada rama del árbol que siga y elija varios métodos para compararlos antes de decidirse por un modelo final.
El primer árbol sugiere métodos en función de su capacidad para generar predicciones o predicciones y errores asociados.
Algunos métodos requieren un modelo de autocorrelación espacial para generar valores predichos, pero otros no. El modelado de la autocorrelación espacial requiere definir valores de parámetros adicionales y ajustar de forma interactiva un modelo a los datos.
Los distintos métodos generan distintos tipos de salidas, motivo por el cual debe decidir qué tipo de información necesita generar antes de crear el modelo de interpolación. 
Los métodos de interpolación varían en sus niveles de complejidad, lo que se puede medir por el número de suposiciones que se deben cumplir para que el modelo sea válido. 
Algunos interpoladores son exactos (en cada ubicación de datos de entrada, la superficie tendrá exactamente el mismo valor que el valor de los datos de entrada), mientras que otros no lo son. La replicación exacta de los datos de entrada puede ser importante en algunas situaciones. 
Algunos métodos producen superficies más suaves que otros. Las funciones de base radial son suaves por construcción, por ejemplo. El uso de una vecindad de búsqueda suave producirá superficies más suaves que una vecindad de búsqueda estándar. 
Para algunas decisiones, es importante considerar no solo el valor predicho en una ubicación, sino también la incertidumbre (variabilidad) asociada a esa predicción. Algunos métodos proporcionan medidas de incertidumbre, mientras que otros no lo hacen. 
Por último, la velocidad de procesamiento puede ser un factor en su análisis. En general, la mayoría de los métodos de interpolación son relativamente rápidos, excepto cuando se usan barreras para controlar el proceso de interpolación. 
Los árboles de clasificación utilizan las siguientes abreviaturas para los métodos de interpolación:
| Abreviatura | Nombre del método |
|---|---|
GPI | |
LPI | |
IDW | |
RBF | |
KSB | |
DKB | |
Kriging | Kriging ordinario, simple, universal, de indicador, de probabilidad, disyuntivo, bayesiano empírico y EBK Regression Prediction |
Simulación | Simulación de estadísticas geográficas gaussianas, basada en un modelo de kriging simple |