El kriging es una técnica de interpolación geoestadística que realiza la predicción de observaciones en ubicaciones desconocidas a través de datos previamente recolectados. La modelización del variograma es un paso esencial del proceso de kriging porque determina la precisión del modelo de interpolación. El método convencional de modelización del variograma consiste en utilizar conocimientos especializados y un estudio en profundidad para determinar qué parámetros son adecuados para el variograma teórico. Sin embargo, esta situación no siempre es posible y, en este caso, se vuelve interesante utilizar un proceso automático. Así, este trabajo tiene como objetivo proponer una nueva metodología para automatizar la estimación de los parámetros del variograma teórico del proceso de kriging. La metodología propuesta se basa en técnicas de preprocesamiento, agrupamiento de datos, algoritmos genéticos y el clasificador K-Nearest Neighbor (KNN). El rendimiento de la metodología se evaluó utilizando dos bases de datos y se comparó con otras técnicas de optimización ampliamente utilizadas en la literatura. También se investigaron los impactos del paso de agrupamiento en la hipótesis de estacionariedad, con y sin técnicas de eliminación de tendencias. Los resultados mostraron que, en esta propuesta automatizada, el proceso de agrupamiento aumenta la precisión de la predicción del kriging. Sin embargo, genera grupos que podrían no ser estacionarios. Los algoritmos genéticos son fácilmente configurables con la heurística propuesta al establecer los rangos de las variables en comparación con otras técnicas de optimización, y el método KNN es satisfactorio para resolver algunos problemas causados por la tarea de agrupamiento y asignar puntos desconocidos a grupos previamente determinados.