融合遥感与水文数据，用机器学习提升洪泛平原植被分类精度。
该研究在密苏里河下游用XGBoost融合遥感与水文数据，总体精度达85.8%，较仅多传感器融合提高约6个百分点，湿地草本与高地草本两类精度提升≥10%；结论限于单一河段，跨流域与多年份可迁移性尚未验证。
综述机器学习在积雪遥感反演中的应用趋势与未来方向。
该综述指出跨空间域泛化、多分辨率传感器融合及Transformer/基础模型应用是当前积雪遥感反演的主要空白，可作为农业与水文遥感选题的方法参考边界。
该研究利用机器学习结合遥感与土壤化验数据，绘制三个灌区盐渍土范围与空间分布图。
该研究在三个灌溉区以250米网格采样，结合GEE遥感指数与RF等模型预测盐渍化指标，RF的R²达0.83–0.91，可用于识别需耐盐品种与土壤改良的优先地块。
用遥感与随机森林绘制尼日利亚巴耶尔萨州洪水淹没敏感性图。
系统综述32项研究，评估卫星植被指数与机器学习预测粮食作物产量的方法与性能。
该综述基于2018–2026年32项研究指出，随机森林在多种粮食作物估产中R²达0.70–0.96，Sentinel-2使用率超65%，但小农与热带系统代表性不足、模型跨区迁移性差。
系统综述无人机遥感在作物病虫害、倒伏、杂草和土壤墒情检测中的应用进展。
该综述指出多源传感器融合结合机器学习可显著提升病虫害、倒伏、杂草与土壤墒情检测精度，但模型泛化差、传感器成本高、数据处理复杂仍是落地瓶颈。
用Sentinel-2影像与GEE结合随机森林预测印度安得拉邦甘蔗产量。
该研究用1998–2018年县级产量数据训练随机森林模型，验证了Sentinel-2植被指数在甘蔗估产中的可行性；但模型仅适用于安得拉邦，跨区域迁移需重新标定。
融合遥感、管理信息与卫星嵌入，用机器学习预测肯尼亚小农户田块玉米产量。
在肯尼亚小农户玉米估产中，加入地块管理信息使XGBoost的R²从0.250升至0.386，卫星嵌入以约77%降维达到常规遥感同等精度，说明管理数据是精度瓶颈。
用随机森林结合遥感估算高加索流域积雪与雪水当量，量化融雪对径流贡献。
该研究在GEE平台用随机森林融合MODIS与FLDAS数据估算积雪与雪水当量，发现2013–2023年区域积雪调蓄径流作用减弱，可为山区流域融雪监测提供方法参考，但结论限于阿塞拜疆大高加索流域。
用无人机多光谱影像与机器学习预测2745份马铃薯基因型的晚疫病严重度。
该研究在2745份克隆与492份材料上验证了无人机多光谱结合KRR模型可替代人工评估晚疫病严重度，但结论主要适用于中后期病害阶段，早期判别能力有限。
用单景吉林一号影像验证光谱-空间植被分层流程的可复现性。
Analysis of drought and desertification dynamics in Diwaniya Governorate, Iraq using remote sensing and unsupervised machine learning。CATENA
综述遥感与机器学习融合评估土壤盐渍化的方法、局限与未来方向。
用SVM、RF、XGBoost、CatBoost及堆叠集成预测印度Kangra区土壤侵蚀易发性。
构建无泄漏机器学习框架，量化巴基斯坦干旱区季节植被异常并评估不确定性。
比较统计与机器学习模型预测孟加拉沿海含水层地下水位，并用GIS做脆弱性制图。
综述Pol-InSAR与机器学习结合估算水稻冠层高度的方法与挑战。
基于Sentinel-2与DEM、SAR数据，用机器学习反演阿塞拜疆Shirvan平原土壤盐渍化。
融合多源遥感与机器学习，实现塔里木河流域区域尺度土壤盐分反演。
用随机森林与遥感数据构建巴西塞阿拉州帕尔默干旱指数的时空模型。
