过滤方法
领域方法：
邻域方法通常将卷积核平滑器应用于验证集中的一个或两个字段，然后应用传统分数。 Ebert (2008, 2009)
尺度分离方法：
带通滤波器：允许特定频段的波通过同时屏蔽其他频段的设备。
尺度分离是指将带通滤波器（和/或进行多分辨率分析，MRA）应用于验证集的想法。通常，技能是按比例评估的。然而，也应用了其他技术。例如，在应用传统统计之前对字段进行去噪，使用变异函数，或应用基于变异函数的统计测试（最后这些与尺度分离思想的精神不太相似，但至少有些相关）。
Briggs和Levine (1997)中提出的小波方法具有一定的功能性。特别是，要在应用传统的验证统计数据之前简单地对字段进行降噪，
Casati等人(2004年)介绍的强度标度技术和Casati (2010年)提出的技术的新发展
虽然不是严格意义上的“尺度分离”方法，但结构函数(变异函数是其特例)在分析不同分离距离的场的意义上是相同的，并且这些“尺度”是彼此分离的(即分数不一定随着尺度的增加而提高或降低)。
也有对这些函数的微小修改(对fields函数的微小修改)来计算Harris等人(2001)的结构函数。
移位方法
在 Gilleland 等人 (2009) 中，该类别分为两种主要类型，即场变形和基于特征。前者将二进制图像测量/度量与场变形技术集中在一起，因为二值图像测量告知了两个场（跨整个场）的空间范围或模式之间的“相似性”（或不相似性）。在这里，它们被进一步分解为仅产生单个（或小向量）度量或度量（位置度量）的那些，以及具有移动网格点位置以更好地匹配字段的机制的那些空间上（场变形）。
- 基于距离和空间对齐的汇总措施：
Gilleland (2020) 引入了一种新的空间对齐汇总度量，该度量介于零和一之间，一个代表完美匹配，零代表不匹配。有一个用户可选择的参数/参数确定测量值向零下降的速率。另外两个汇总度量也包含强度信息。
除了上述新测度之外，还包括较早的知名测度，包括：Hausdorff 度量、partial-Hausdorff 度量、FQI (Venugopal et al., 2005)、Baddeley’s delta metric (Baddeley, 1992; Gilleland, 2011; Schwedler et al., 2011), metrV (Zhu et al., 2011)，以及在 Baddeley, 1992 中描述的定位性能测量：平均误差距离、均方误差距离和 Pratt’s Figure of
Merit (FOM)。
图像矩可以提供有关位置误差的有用信息，并在基于特征的方法中使用，特别是 MODE，因为它们给出了图像（或特征）的质心，以及方向角，以及其他有用的属性。
- 场变形
这些函数执行 Marzban 和 Sandgathe (2010) 中描述的分析，并且基于 Lucas 和 Kanade (1981) 的工作。
可以使用rigider 函数来估计刚性变换。要使用指定的参数（x 和 y 平移和/或旋转）简单地对场（或特征）进行刚性变换，可以使用刚性变换函数。对于这些可能会导致变换不能完全落在网格点上的函数，函数 Fint2d 可用于从最近的网格点进行插值
- 基于特征的方法：
这些方法有时也称为基于对象的方法（此包中使用术语“特征”以区别于 R 对象），并且与基于对象的图像分析 (OBIA) 中使用的技术有许多相似之处，这是一种相对主要由于地球观测传感器和 GIS 科学的进步而出现的新研究领域（Blaschke 等人，2008 年）。它试图识别一个字段中的各个特征，然后逐个特征地分析这些字段。除了位置特定的错误信息之外，这可能还涉及强度错误信息。此外，可以使用命中、未命中和误报的新定义找到列联表验证统计信息（正确的否定更难以评估，但也可以完成）。
目前，有执行 Davis 等人介绍的分析的功能。 (2006,2009)，包括 Gilleland 等人 (2008) 的合并/匹配算法，以及 Wernli 等人 (2008, 2009) 的 SAL 技术。复合分析的一些功能（Nachamkin，2004）是通过将单个特征放置到相对网格上来提供的，以便每个特征共享相同的质心。形状分析部分由识别边界点的函数支持（Micheas 等人 2007；Lack 等人 2010）。
增加了 Marzban 和 Sandgathe（2006；2008）的聚类分析方法。
- 几何特征的措施:
也许这个子标题中的措施最好被描述为 2c 的一部分。它们当然在该领域很有用，但 AghaKouchak 等人也为整个领域提出了建议。 （2011）；尽管在 MODE 等中已经应用了类似的措施。 AghaKouchak 等人介绍的措施。 (2011) 可在此处获得：连通性指数 (Cindex)、形状指数 (Sindex) 和面积指数 (Aindex)：
空间（和/或时空）场的统计推断：
除了Gilleland et al.(2009)分类的方法外，还有用于两个空间域之间比较的函数。Elmore等人(2006)详细介绍的场显著性方法也需要时间维度，它涉及在每个网格点(或位置)单独使用圆形块引导(CBB)算法(通常针对平均误差)，以确定网格点的显著性(零假设的平均误差为零)，然后用半参数蒙特卡罗方法即Livezey和Chen(1983)确定场的意义
Hering和Genton(2011)提出的空间预测比较检验(spatial prediction comparison test, SPCT)。计算损失函数的支持函数包括:绝对误差(abserrloss)、平方误差(sqerrloss)和相关技能(corrskill)，以及Gilleland(2013)中引入的距离图损失函数(distmaploss)。
其他
Mesinger(2008)中引入的偏置校正TS和ETS(或TS dHdA和ETS dHdA)
在Lakshmanan和Kain(2010)中引入的二维高斯混合模型(GMM)方法
通过S1和ACC函数可以得到S1评分和ACC异常相关性(anomaly correlation，简称ACC)。
有关这些统计数据的更多信息，请参阅Brown等人(2012) 和Thompson和Carter(1972)。
还包括Willmott等人(2007)的地理框图函数。
