現代のIoT展開は環境センシングのために高ボリュームの時空間データを生成し、機械学習モデルを用いて予測などのタスクをサポートします。しかし、収集されたデータの量を最適化する技術はあるものの、サンプリング頻度や空間カバレッジの変動がモデルの性能に及ぼす影響は十分に探求されていません。本研究では、従来のモデル（VAR）、ニューラルネットワーク（GRU, Transformer）、時空間グラフニューラルネットワーク（STGNN）、および時系列基礎モデル（Chronos Moirai, TimesFM）を用いて、異なるセンサーの配置密度とサンプリング間隔を考慮し、実際の温度データを分析しました。その結果、STGNNはセンサー展開が希薄で適度なサンプリング率の際に効果を発揮することが示され、一方で高頻度ではTSFMが有利ですが、近隣センサーの空間カバレッジが減少すると性能が低下します。特に、マルチバリアントTSFMのMoiraiは、全てのモデルを上回る結果を示しました。この知見は、効率的な時空間システムの予測パイプライン構築に向けた実用的なインサイトを提供します。