1、泛克里金法模型 泛克里金法假设模型为 Z(s) = 囵宙咛嗾µ(s) + ε(s), 其中 µ(s) 为某些确定性函数。例如，下图中使用了和普墩伛荨矧通克里金法概念所使用的相同的数据，观测数据以实心圆的形式给出。
2、二阶多项式 二阶多项式为趋势(长虚线)为 µ(s)。如果从原始数据减去二阶多项式将得到误鲍冢侔哒差 ε(s)，并假设该误差是随机的。所有 ε(s) 的平均值为 0。从概念上讲，自相关现在通过随机畚容尬檬误差 ε(s) 来建模。当然，也可以拟合线性趋势、三阶多项式或任何数目的其他函数。上图看上去就像基础统计课程的多项式回归。实际上其为泛克里金法。使用作为解释变量的空间坐标进行回归。但是，没有假设误差 ε(s) 是独立的，而是将它们建模为自相关的。对泛克里金法的建议和普通克里金法的建议相同：只根据数据是无法确定的，还需要采用适当的分解。
3、泛克里金法使用的函数 泛克里金法可以使用半变异函数或协方差(用于表达自相关的数学形式)和变换，并且允许测量误差。
