Geostatistical Analyst 满足多种不同应用的需求。以下是 Geostatistical Analyst 的一小部分应用示例。
探索性空间数据分析
Geostatistical Analyst 用于使用研究区中已测量的采样点为同一区域内其他未测量位置创建准确预测。Geostatistical Analyst 中包括的探索性空间数据分析工具用于评估数据的统计属性，比如空间数据变异性、空间数据相关性和全局趋势。
以下示例中使用了多个探索性空间数据分析工具来研究喀尔巴阡山中监测站处获取的臭氧测量值的属性。
半变异函数建模
数据的地统计分析分以下两个阶段进行：
建立半变异函数或协方差函数的模型来分析表面属性;
克里金法;
在 Geostatistical Analyst 中，存在多个可用于表面创建的克里金方法，包括普通克里金法、简单克里金法、泛克里金法、指示克里金法、概率克里金法和析取克里金法。
以下说明了对数据进行地统计分析的两个阶段。首先，使用半变异/协方差向导拟合美国冬季温度数据的模型。然后使用此模型创建温度分布图。
表面预测和误差建模
使用 Geostatistical Analyst 可生成各种类型的地图图层，包括预测图、分位图、概率图、预测标准误差图。
下图显示了切尔诺贝利核电站发生泄露事故后，使用 Geostatistical Analyst 生成白俄罗斯放射铯土壤污染级别的预测图。
阈值制图
可生成概率图来预测值超过临界阈值的位置。
在以下示例中，以暗橙色和红色显示的位置表示概率大于 62.5%，此处放射性铯污染超过森林浆果中最大允许级别(临界阈值)。
模型验证和诊断
可将输入数据拆分成两个子集。可用数据的第一个子集可用于开发预测的模型。然后使用“验证”工具，比较预测值和其余位置的已知值。
下面示出了使用“验证”向导对模型进行评估，开发此模型是为了预测伊利诺斯州农场的有机物。
使用协同克里金法的表面预测
协同克里金法(Geostatistical Analyst 中包括的一种高级表面建模方法)可用于通过考虑二级变量改进主变量的表面预测(假定主变量和二级变量空间相关)。
在以下示例中，使用了探索性空间数据分析工具来探索加利福尼亚州臭氧(主变量)和二氧化氮(二级变量)之间的空间相关性。因为变量是在空间上相关的，在绘制臭氧地图时，协同克里金法可使用二氧化氮数据改进预测。
