地球観測（Earth Observation: EO）アプリケーションにおいて、複雑で異種のデータソースを扱う場合、一般的に機械学習モデルが用いられます。しかし、データソースが継続的に利用可能であるという前提が一般的に存在しています。ノイズ、雲、または衛星ミッションの失敗などの異なる状況がEOソースの可用性に影響を与える可能性があります。本研究では、分類および回帰タスクを持つ4つのデータセットを対象として、欠損する時間的および静的なEOソースが訓練済みモデルに与える影響を評価しました。異なる手法の予測品質を比較し、いくつかの手法は欠損データに対して自然に堅牢であることを確認しました。特にアンサンブル戦略は、最大100%の予測堅牢性を達成しました。我々は欠損シナリオが分類タスクよりも回帰タスクにおいて著しく困難であることを示しました。最後に、個別に欠落した場合、光学的な視点が最も重要な視点であることが明らかになりました。