در اکثر مشاهداتِ پدیده های جغرافیایی و در علومی مانند هیدرولوژی، هواشناسی و خاک¬شناسی که نمونه گیری در آنها هزینه ی بالایی دارد، مشاهدات به صورت نقطه ای و با تراکم اندک انجام می گیرد. انتخاب روش درون یابی مناسب جهت تعمیم نقاط به سطح در نحوه ی درک پدیده، مدیریت داده ها و منابع مهم بوده و نقش بسزایی در افزایش دقت و کاهش هزینه¬ی مربوط به ایجاد سطوح پیوسته دارد. در تحقیق حاضر هدف اصلی ارزیابی تحلیلی روش¬های رایج درون¬یابی می¬باشد که بر اساس مطالعات صورت گرفته، روش های وزن¬دهی معکوس فاصله، کریجینگ (ساده، عادی، عمومی و کوکریجینگ)، تابع پایه شعاعی، درون یابی پخشی (diffusion kernel)، چندجمله ای (کلی و محلی)، فازی سوگنو با خوشه بندی فازی، شبکه عصبی و سیستم استنتاج تطبیقی فازی- عصبی به عنوان روش های رایج و نوین درون یابی انتخاب شدند. آنالیز اولیه بر روی شبکه های پایش حاکی از آن بود که این شبکه¬ها نمی¬توانند پاسخ گوی استفاده مستقیم آنها در درون یابی باشند، لذا با استفاده¬ی مستقیم از داده¬های این شبکه¬ها در روش¬های درون¬یابی، خطای پهنه¬بندی زیاد می¬گردد. نتایج نشان می دهد که اجرا و بهره گیری صحیح از هر روش، نیازمند بهینه کردن پارامترهای آن می باشد که موجب همگرایی 20-8 درصدی نتایج روش های مختلف می گردد. به منظور جبران تراکم پایین داده ها در شبکه های پایش استفاده از داده های کمکی با همبستگی بالا در روش های کوکریجینگ، فازی، عصبی و فازی-عصبی مقدار قابل توجهی به دقت سطح تخمینی کمک کرد و مقدار rmse را با توجه به میزان همبستگی داده های کمکی 51-10درصد بهبود داد.