通常有两个或更多处理过程将决定某一现象的空间分布。例如植被量(生物量)可能与高程和土壤湿度相关。如果这种关系已知,则能够使用协同克里金法预测生物量。可将生物量的测量值用作数据集 1,高程用作数据集 2,土壤湿度用作数据集 3。可能要根据每个数据集拟合不同的半变异函数模型,因为每个数据集的空间结构各不相同。也就是说,球面模型可能最适合高程,指数模型可能最适合土壤湿度,而这两种模型的组合可能最适合生物量。然后可通过一种最适合数据结构的方式将模型合并。
但有时并不知道在某一现象中将确定空间结构的因素的因果关系。使用上述生物量模型只能通过采样点测量生物量。在检查半变异函数时要注意相异拐点。
这些点上升,伸直,再次弯曲直到与基台持平。假设数据中存在两种相异结构,无法用一个模型捕获数据。可通过将两个独立模型(如球面模型和指数模型)合并为一个模型来构建半变异函数模型。如果需要,还可合并三个模型。
不建议用一个半变异函数表示多个相异随机过程,应尽可能分离空间处理过程。不过,并不总是能够了解到其中的因果关系。选择多个模型会使要估计的参数增多,它是一项先要用肉眼判定,然后再用交叉验证统计数据进行量化的主观操作。