2013年4月份，Bristol 大学的学者在 Water Resources Management 上发表了一篇论文（Machine Learning Techniques for Downscaling SMOS Satellite Soil Moisture Using MODIS Land Surface Temperature for Hydrological Application），该论文利用机器学习 和 MODIS-LST 对 SMOS 卫星土壤湿度数据进行降尺度。
土壤湿度是一个重要的地理信息要素，目前从卫星得到的土壤湿度的分辨率较低，需要对卫星数据进行降尺度。同时，前人的研究表明土壤湿度的变化和陆地表面温度有直接的关系。因此，该论文使用机器学习算法对 SMOS 土壤湿度（降尺度前的数据）和 MODIS-LST 数据进行分析和处理，得到降尺度后的土壤湿度，并用以下三个统计量对降尺度结果进行了评估：Nash-Sutcliffe Efficiency、Root Mean Square Error、Percentage of Bias。该论文选取了 4 种机器学习算法进行性能对比分析，包括：SVM、RVM、ANN、GLM。
结果表明，相对于其他 3 种机器学习算法，基于 ANN 的降尺度方法可以有效提升卫星土壤湿度数据的分辨率。同时，基于季节的 ANN 降尺度比连续时间序列降尺度更有效。