Доступно с лицензией Geostatistical Analyst.
Одной из наиболее важных проблем, требующих решения, является определение цели (или целей) разработки модели интерполяции. Другими словами, какую информацию должна обеспечить модель, чтобы вы могли принять решение? Например, в сфере здравоохранения, методы интерполяции используются для прогнозирования уровня загрязняющих веществ, которые могут быть статистически привязаны к уровню заболеваемости. На основании этой информации можно проводить дальнейшие выборочные исследования, разрабатывать политики в области здравоохранения и так далее.
Инструменты геостатистического анализа предлагают множество различных методов интерполяции. Каждый из методов имеет свои уникальные особенности и предоставляет разную информацию (в некоторых случаях информация может быть одинаковой, в других – информация может значительно отличаться). Эти методы, классифицированные в зависимости от различных критериев, изображены на следующих диаграммах. Выберите критерий в зависимости о конкретной ситуации и ветку соответствующего дерева, на которой представлена интересующая вас опция. Затем вы будете переведены к методам интерполяции, которые могут подходить для вашей ситуации. По всей вероятности, у вас будет несколько важных критериев для удовлетворения, и вы будете использовать несколько деревьев классификации. Сравните методы интерполяции, предложенные каждой веткой дерева, и выберите несколько различных методов до принятия решения об окончательной модели.
Первое дерево предлагает методы, в основе которых лежит их способность прогнозирования или прогнозирования со связанными ошибками. 
Для вычисления проинтерполированных значений, модель пространственной автокорреляции требуется не для всех методов. Для моделирования пространственной автокорреляции необходимо определить значения дополнительных параметров и интерактивно подогнать модель к данным.
Разные методы создают разные типы выходных данных, поэтому необходимо решить, какой тип информации необходимо создать, прежде чем строить модель интерполяции. 
Методы интерполяции различаются по уровню сложности, который можно измерить количеством предположений, подлежащих удовлетворению, для валидации модели. 
Некоторые интерполяторы являются жесткими (в каждом выходном местоположении поверхность будет иметь точно такое же значение, как и значение входных данных), тогда как некоторые – нежесткими. В некоторых случаях необходима точная репликация входных данных. 
Некоторые методы создают более сглаженные поверхности. Например, радиальные базисные функции по своей сути являются сглаженными. Использование сглаженной окрестности поиска поможет создать более сглаженные поверхности, чем использование стандартной окрестности. 
Для некоторых решений важно учитывать не только проинтерполированные значения в местоположении, но также и неопределенность (вариабельность), связанную с этой интерполяцией. Одни методы позволяют измерять неопределенности, а другие нет. 
В конечном счете, скорость обработки может быть решающим фактором для вашего анализа. В общем, большинство методов интерполяции – относительно быстрые, кроме случаев использования барьеров для управления процессом интерполяции. 
Деревьями классификации используются следующие аббревиатуры для методов интерполяции:
| Аббревиатура | Имя метода |
|---|---|
GPI | |
Интерполяция по методу локальных полиномов (LPI) | |
ОВР | |
RBF | |
KSB | |
DKB | |
Кригинг | Ординарный, простой, универсальный, индикаторный, вероятностный, дизъюнктивный и эмпирический байесовский кригинг и Прогнозирование регрессии ЭБК |
Симуляция | Геостатистическое моделирование Гаусса, основанная на модели простого кригинга. |