随机误差处理的基本方法是概率统计方法。处理的前提是系统误差可以忽略不计，或者其影响事先已被排除或事后肯定可予排除。一般认为，随机误差是无数未知因素对测量产生影响的结果，所以是正态分布的，这是概率论的中心极限定理的必然结果。

减小误差的方法

1、选用精密的测量仪器;

2、 多次测量取平均值.

克里金方法有三种形式 - 普通克里金法、简单克里金法和泛克里金法 - 使用测量误差模型。当同一位置可能具有多个不同的观测值时会出现测量误差。例如，有时需要从地面或空中提取样本，然后将该样本拆分为多个要测量的子样本。如果测量样本的仪器存在差异，则可能需要执行此操作。再比如，可能会将土壤样本的子样本送往不同的实验室进行分析。有时，仪器准确性方面的变化可能已被证实。此时，可能要向模型中输入已知的测量变化。

测量误差模型

测量误差模型是:Z(s) = µ(s) + ε(s) + δ(s),

其中，δ(s) 为测量误差，µ(s) 和 ε(s) 为平均变化和随机变化。在此模型中，块金效应等于方差 ε(s)(称作微刻度变化)加上方差 δ(s)(称作测量误差)。在 Geostatistical Analyst 中，可将部分被估计块金效应指定为微刻度变化和测量变化，如果每个位置都具有多个测量值，则可使用 Geostatistical Analyst 来估计测量误差，或者输入一个值作为测量变化。当不存在测量误差时，克里金法是一个精确插值器，这意味着如果在某个已采集数据的位置进行预测，那么预测值将与测量值相同。但是，如果存在测量误差，您可能希望预测过滤值 µ(s0) +ε(s0)，该值不具有测量误差项。在已采集数据的位置，过滤值与测量值不同。

在先前版本的ArcGIS中，默认的测量变化为 0%，因此克里金法默认为精确的插值器。在 ArcGIS 10 中，默认的测量变化被设置为 100%，因此将基于附近位置处数据和测量值的空间相关性对测量位置进行默认预测。很多因素都会造成测量误差，包括测量仪器、位置和数据集成的不确定性。实际上，绝对精确的数据是极其罕见的。