插值是一种重要的方式来推测表面现象的空白单位在地理空间。协作式克里金插值（CK）、地理加权回归（GWR）和反向传播神经网络（BP-ANN）在满足相应条件的情况下是很好的插值方法，但它们不具有普遍性。在观测单元少、数据离散度大的情况下，信息扩散技术的插值优于这些模型。本文以2018年和2020年四川省和三台县的两次大洪水为例，收集了25个村庄的三种洪水类型的数据：房屋损失、农业损失和作物洪水，形成了六个案例。以村庄与河流、GDP和斜坡之间的距离为自变量，灾害情况作为因变量，以证明地理空间信息扩散插值技术的普遍性。信息扩散的自学习离散回归模型（SLDR）较小，且没有明显的预测误差小于基准误差的情况。CK在所有情况下，预测误差都小于基准误差，表明插值是无效的。同样的情况也发生在GWR的五个案例中。虽然BP神经网络的基准误差很小，但其预测误差比基准误差高出近一个数量级，比其他模型高得多，表明能够高度拟合训练样本的反向传播神经网络模型不适合复杂表面现象的插值。