La modelización espacial es un componente integral de la mayoría de los sistemas de información geográfica (SIG). Sin embargo, las técnicas convencionales de modelización de SIG pueden requerir un tiempo de procesamiento y un espacio de almacenamiento sustanciales y tienen funcionalidades limitadas de estadística y aprendizaje automático. Para abordar estas limitaciones, muchos han paralelizado modelos espaciales utilizando múltiples bibliotecas de codificación y han aplicado esos modelos en un entorno multiprocesador. Sin embargo, pocos han reconocido las ineficiencias asociadas con el marco de modelización espacial subyacente utilizado para implementar tales análisis. En este documento, identificamos una ineficiencia común en el procesamiento de modelos espaciales y demostramos un enfoque novedoso para abordarlo utilizando técnicas de evaluación perezosa. Además, presentamos una nueva biblioteca de codificación que integra las bibliotecas numéricas Accord.NET y ALGLIB y utiliza la evaluación perezosa para facilitar una amplia gama de procedimientos espaciales, estadísticos y de aprendizaje automático dentro de un nuevo marco de modelización de SIG llamado modelización de funciones. Los resultados de las simulaciones muestran una reducción del 64,3% en el tiempo de procesamiento y una reducción del 84,4% en el espacio de almacenamiento atribuible a la modelización de funciones. En un estudio de caso aplicado, esto se tradujo en una reducción del tiempo de procesamiento de 2247 horas a 488 horas y una reducción en el espacio de almacenamiento de 152 terabytes a 913 gigabytes.