Fire metoder viser bopladser fra yngre stenalder og ældre bronzealder.
Modellerne er inddelt i "Lav" (rød), "Middel" (Gul), "Høj" (Grøn) og "Meget høj" (Mørkegrøn) sandsynlighed for fund.

Bemærk, at disse modeller tager udgangspunkt i det samme fundmateriale, og de samme landskabsvariabler, og at de alligevel er faldet meget forskelligt ud.

Binær addition
Den grundlæggende analyse af fundenes forhold til landskabet viser, hvilke områder der er foretrukne for bosættelse, og hvilke man undgår. Ideen i den binære addition er ganske enkelt at omkode variablerne, sådan at de foretrukne - eller "gode" - områder får værdien 1, mens de "dårlige" områder får værdien 0. Ved at gøre dette for hver variabel fås en serie binære kort, som adderes. Resultatet kan således ses som et slags pointsystem over antallet af "gode" variabler i landskabet. Enklere kan det næsten ikke gøres, men tidligere forsøg har vist, at metoden rent faktisk fungerer, og næsten forbavsende godt (Stancic & Kvamme 1999; Ejstrud 1999).

Binær addition

Vægtet binær addition
Omvendt har denne simple metode nogle indlysende ulemper. Til disse hører, at brugen af værdierne 1 og 0 er en påstand om, at alle variable er lige vigtige for placeringen af forhistoriske aktiviteter. Dette er åbenlyst ikke tilfældet, og derfor blev der udviklet et vægtningsmål, som kunne angive relative forskelle mellem de forskellige variable.
Grundlaget i denne metode er altså stadig de binære grundkort over "gode" og "dårlige" steder, men hvert kort vægtes, sådan at man kan angive et mål for, f.eks. om afstanden til vand betyder mere end at bosætte sig på den rette jordbund.

Vægtet binær addition

Logistisk regression
Vægtningen ændrer dog ikke på et grundliggende problem ved den binære klassifikation. Inddelingen i kun "godt" og "dårligt" giver en meget hård klassifikation, som danner skarpe skel i landskabet. Det er vanskeligt at forestille sig, at fortidens valg og fravalg af steder er foregået som tilsvarende skarpe valg.
En løsning er derfor at erstatte det "Ja eller Nej", som de binære modeller udtrykker, med det udsagn om "Mere eller Mindre", som  sandsynligheds-
baserede modeller benytter sig af.
En internationalt meget populær metode har været logistisk regression. Den bygger på en sammenligning af placeringen af dikotome udfald. I dette tilfælde måles altså placeringen af "fund" i forhold til "ikke-fund", hvor det sidstnævnte er steder, hvor man ikke har fundet noget.
Som nævnt har metoden været populær. Men allerede teoretisk må man stille spørgsmålstegn ved den. Udsagnsværdien af en kategori af "ikke-fund" må anses for meget svag, og metoden kommer derfor til at bygge på negativt vidnesbyrd snarere end en egentlig dikotomi.

Logistisk regression

Dempster-Shafer teori
Den sandsynlighed, vi vil måle i en indikativ model er da heller ikke fund i forhold til "ikke-fund". Det drejer sig om at angive sandsynligheden for fund, målt på et bestemt sæt af landskabsvariabler, og i forhold til andre sæt af landskabsvariabler.
     Denne indfaldsvinkel er benyttet i den sidste metode, som er anvendt, og som bygger på Dempster-Shafer teori (Eastman 1997). Beregningerne i denne metode bygger på Bayesiansk statistik, men med den meget vigtige tilføjelse, at den tager hensyn til manglende eller ufuldkommen viden. Det gør den særdeles interessant i forbindelse med empiriske modeller, og ikke blot inden for arkæologien. I en GIS sammenhæng kan metoden endda beregne og kortlægge graden af uvidenhed, hvilket i praksis giver et kort over steder, hvor yderligere dataindsamling med størst fordel kan gennemføres.

Dempster-Shafer teori

Resultater
Med disse fire metoder er der lavet modeller for seks hovedkategorier af fund, i alt 24 modeller. For at kunne måle deres relative effektivitet er der herefter benyttet et mål, "Udbytte", som på en skala fra 0 til 1 viser, hvor meget bedre modellen er end en helt tilfældig model (Kvamme 1987). Resultatet er vist på tabellen herunder. Det ses, at de mest effektive modeller laves med vægtet binær addition og med Dempster-Shafer modellerne.
Modellerne er ikke sammenlignelige fra fundkategori til fundkategori, og derfor skal man, på trods af det standardiserede mål, være varsom med at sammenligne værdierne på tværs af kolonnerne. Dette må man tage i betragtning ved en vurdering af tabellens sidste kolonne, som er en beregning af middelværdien af udbyttet. Som en generel indikator på modellernes effektivitet giver denne værdi dog et rimeligt bud.