优势：
在实际应用中，所提出技术的主要竞争对手是两大类方法：
1. 克里金插值及其变体。
2. 自然邻域插值法（Natural Neighbor Interpolation）
这些方法具有全局特性，即任何测量源位置的变化都需要重新计算整个地理场。
此外，为了支持考虑点之间空间关系的全局数据结构，其计算复杂度呈幂次依赖于输入数据的规模，同时也增加了并行计算的难度。
该技术的计算复杂度与输入数据量呈线性关系，使其能够在接近实时的模式下运行，支持数万至数十万活跃移动数据源的处理。
应用方法：
该技术可用于任何基于大量（从数千到数十万）原始测量数据恢复地理场的任务，也可以研究气象、水文学、生态学、物流等领域的空间分布现象。
特别值得关注的是，该技术在动态空间分布系统中的应用，如“智慧”城市、物流枢纽（海港和机场）、大型工业生产等。
在移动平台上（比如，公共交通工具和市政服务车辆）安装地理传感器（能够自定位的传感器）可以扩大测量网络覆盖范围（相较于固定测量点），提高时空测量密度，从而提供准确、及时的区域状况图像。
这可以支持科学管理决策，包括：
物流和生产过程的优化，对环境的影响的分析；
紧急状况的提前预警，快速响应；
大气和水体中有害排放源的定位，相应监控的促进。

1. 地理场（地理关联的标量场）恢复（插值）问题，表现为基于规则网格的空间坐标测量集或测量流，是地理信息科学中的基础问题之一。
其解决方案是许多监测空间分布现象研究与开发的基础，其中包括：
- 气象学：温度、气压、风速
- 环境学：空气中有害气体和气溶胶浓度
- 物流学：客流密度
- 社会学：人口密度、平均年龄
所提出的技术能够覆盖大都市、大城市及城市群区域，空间分辨率达50-100米，基于数十万至数百万移动测量源的数据流，几乎实时更新（整个地理场每秒更新多次）。
该技术基于两阶段过程：
第一阶段：地理场初步（粗略）估计
第二阶段：估计结果细化
两阶段均基于机器学习原理：执行前需要基于实测和/或模型数据集进行预训练。
第一阶段是应用局部核平滑方法，其核函数通过全局随机优化方法在一组测量数据的基础上预先确定，从而构建出地球物理场的整体分布图。
第二阶段应用基于人工神经网络的模型，兼顾局部地形特征。

能力指标见表格：