需要 Geostatistical Analyst 许可。
通常由两个或多个过程决定某些现象的空间分布。 例如，植被的数量（生物量）可能与高程和土壤湿度有关。 如果此关系已知，则可以使用协同克里金法来预测生物量。 例如，可以使用生物量的测量值作为数据集 1，使用高程作为数据集 2，使用土壤湿度作为数据集 3。 由于每个数据集都呈现不同的空间结构，因此可以为每个数据集拟合不同的半变异函数模型。 也就是说，球形模型可能最适合高程，指数模型可能最适合土壤湿度，而模型组合可能最适合生物量。 然后，可以按照最契合数据结构的方式来组合这些模型。
但是，有时您对决定某些现象空间结构的因素之间的因果关系一无所知。 使用以上相同的生物量示例，您可能只有测量生物量的采样点。 当检查半变异函数时，您会注意到明显的拐点。
这些点首先呈上升趋势，随后转为平缓直线，接着再次弯曲，直至逐渐趋近基台。 假设数据中存在两种不同的结构并且单个模型无法完整捕获。 可以使用两个单独的模型（例如，球面模型和指数模型）对半变异函数进行建模，然后将其组合为单个模型。 如有必要，三种模型也可以组合使用。
建议不要通过单一半变异函数来表征多个不同的随机过程，如有可能，最好将不同的空间过程分开处理。 但是，这些因果关系并非总是清晰可辨。 选择多种模型会增加需要估计的参数数量，并且此过程具有主观性：您需要先通过目视进行观察，然后通过交叉验证统计数据进行量化。