Zwykłe Kriging

Wyobraźmy sobie rozrzucone po regionie czujniki opadów i potrzebę oszacowania opadów w nie monitorowanym miejscu. Zwykłe Kriging mówi: pobliskie czujniki mają większe znaczenie, ale nie tylko dlatego, że są blisko — metoda najpierw uczy się rzeczywistego wzorca zależności przestrzennej na podstawie danych (poprzez wariogram), a następnie wykorzystuje ten wzorzec do optymalnego ważenia każdego czujnika. Im dalej od nie monitorowanego miejsca znajduje się jakikolwiek czujnik i im słabsza jest korelacja przestrzenna, tym większe oszacowanie niepewności zwraca wraz z predykcją.