برای پیشگویی بیزی یک مدل فضایی – زمانی گاوسی، پارامترهای نامعلوم مدل بعنوان متغییر متغییرهای تصادفی با توزیعهای پیشین معلوم در نظر گرفته می شود و با گسسته سازی فضای پارامتر، توزیعهای پیسین و پیشگوی بیزی تقریبی تعیین می شوند. در این مقاله با فرض پارامتری بودن توزیع های پیشین و اتخاذ رهیافت بیز تجری توزیع پیشین را برآورد نموده و با جایگذاری آن در توزیع پیشگوی بیزی، پیشگوی فضایی – زمانی بیز تجربی و واریانس پیشگویی محاسبه می شوند. سپس در یک مثال کاربردی نحوه محاسبه این پیشگو و واریانسی پیشگویی ارایه می شود. به علاوه بر اساس معیار اعتبارسنجی متقابل دقت این پیشگو مورد ارزیابی قرار می گیرد.

در مدل سطح ناحیه  یا فی-هریوت که پرکاربردترین مدل در برآورد کوچک ناحیه‌ است،  معمولاً فرض می‌شود که اثرهای تصادفی خاص هر ناحیه و خطاهای نمونه‌گیری دارای توزیع نرمال هستند. اما مقدارهای خیلی بزرگ یا خیلی کوچک از مولفه‌های خطا باعث عملکرد ضعیف  برآوردهای کوچک ناحیه‌ای بر اساس روش‌های برآورد کوچک ناحیه‌ای موجود می‌شوند. برای رفع این مشکل در این مقاله  برای مولفه‌های خطا توزیع α-پایدار متقارن جایگزین توزیع نرمال می‌شود و با رهیافت بیز تجربی پارامترهای کوچک ناحیه‌‌ها برآورد می‌شوند. با استفاده از شبیه‌سازی و تحلیل داده‌های واقعی به مقایسه مدل جدید ارائه شده با  روش بیز تجربی در مدل کلاسیک بر اساس  نرمال بودن مولفه‌های خطا و روش‌های‌ استوار بر اساس رهیافت بیز تجربی پرداخته و کارایی مدل پیشنهادی در برآورد دقیق پارامترهای کوچک ناحیه‌، به خصوص وقتی مولفه‌های خطا هر دو نرمال یا هر دو دارای توزیع دم‌بلند هستند، نشان داده می‌شود.