想象一张空气污染地图：监测站很少，模型却要推测每个地点的浓度，还得说明自己有多大把握。这正是空间统计长期处理的问题。它利用“空间依赖”——相近地点的观测往往更相似——来预测未知位置。经典的 Kriging（克里金）会按这种相关性给观测加权，并从同一套模型中计算预测的不确定性。
Fuentes 与 Patterson 的综述沿着这条线，回顾随机场、频谱方法、非平稳模型、贝叶斯分层模型和可扩展计算，最后走到 Spatial AI——把图学习和神经网络用于带有位置、几何或空间关系的数据。文章最值得带走的提醒，是区分观测、研究对象与决策各自所在的尺度：污染数据可能来自零散站点，模型输出是一张细网格，但监管决定针对的却是行政区域。换句话说，地图画得更细，不代表回答了更 relevant 的问题。作者主张，机器学习可以提供更灵活的表示，但仍要明确预测目标、按实际用途验证，并保留可解释的空间结构与有意义的不确定性。这是一篇技术谱系综述，并未提供单一模型的性能胜负。