近年、気象データと可視画像を組み合わせた土壌水分予測が注目されている。新たに開発された多モーダル知識蒸留フレームワーク、SMDは、土壌サンプルのパッチ画像と作物画像のそれぞれで従来のベンチマークに対し平均絶対誤差（MAPE）を2％低減し、作物画像では1.2％低減したと報告されている。SMDは、気象テーブルデータと画像の両方を入力とし、統一された学生ネットワークを訓練。学生は独自に学習した特徴を、気象専用教師モデルと画像専用教師モデルの特徴と対照し、特徴蒸留損失と通常の平均二乗誤差（MSE）損失を重み付きで最小化することで、各モダリティの情報を最大限に活用している。実験はMIS‑MEデータセットを用い、65:15:20 の学習／検証／テスト分割で行われた。結果は、従来のノーマルファュージョンやMIS‑MEベースラインを上回り、土壌パッチでは約2％、作物画像では約1.2％のMAPE改善に加えて、MAEや決定係数（R²）といった指標も向上している。ただし、モデルの実稼働導入にはさらに検証が必要であることが示唆されている。