涉及复杂和异构数据源的地球观测（EO）应用通常采用机器学习模型进行处理。然而，一个常见的假设是这些数据源将始终可用。不同的情况可能会影响地球观测数据源的可用性，例如噪声、云层覆盖或卫星任务失败。在本研究中，我们评估了缺失的时间和静态地球观测数据源对四个包含分类和回归任务的数据集上训练模型的影响。我们比较了不同方法的预测质量，发现某些方法天生对缺失数据具有更强的鲁棒性。特别是，集成策略实现了高达100%的预测鲁棒性。我们证明，与分类任务相比，回归任务在缺失情景下显著更具挑战性。最后，我们发现当光学视图单独缺失时，它是最关键的数据视图。