Earth Observation (EO) technologies have played an increasingly important role in monitoring the Sustainable Development Goals (SDG). These technologies often combined with Machine Learning (ML) models provide efficient means for achieving the SDGs. The great progress of this combination is also demonstrated by the large number of software, web tools and packages that have been made available for free use. In this paper, we introduce a software architecture to facilitate the generation of EO information targeted towards soil moisture that derive several challenges regarding the facilitation of satellite data processing. Thus, this paper presents a web-based tool for Soil Moisture Estimation (SMETool), designed for the soil moisture estimation using Sentinel-1A and Sentinel-2A data based on Eo-learn library. SMETool implements several ML techniques such as (Artificial Neural Network (ANN), Random Forest (RF), Convolutional Neural Network (CNN), etc.). The SMETool could be very useful for decision makers in the region in assessing the effects of drought and desertification events. Experiments were carried out on two sites in Tunisia during the period from 2016 to 2017. Although the performance of the used models is very close, it is clear that CNN and RF outperformed other ML models. The achieved results reveal that the soil moisture, was highly correlated to the in-situ measurements with high Pearson’s correlation coefficient r (${\text{r}}_{\text{RF}}=0.86$, ${\text{r}}_{\text{ANN}}=0.75$, ${\text{r}}_{\text{XGBoost}}=0.79$, ${\text{r}}_{\text{CNN}}=0.87$) and low Root Mean Square Error (RMSE) (${\text{RMSE}}_{\text{RF}}$ $=$ 1.09%, ${\text{RMSE}}_{\text{ANN}}$ $=$ 1.49%, ${\text{RMSE}}_{\text{XGBoost}}$ $=$ 1.39%, ${\text{RMSE}}_{\text{CNN}}$ $=$ 1.12%), respectively.

地球观测 (EO) 技术在监测可持续发展目标 (SDG) 方面发挥着越来越重要的作用。这些技术通常与机器学习 (ML) 模型相结合，为实现可持续发展目标提供了有效手段。大量可供免费使用的软件、网络工具和软件包也证明了这种组合的巨大进步。在本文中，我们介绍了一种软件架构，以促进生成针对土壤水分的 EO 信息，这些信息在促进卫星数据处理方面面临一些挑战。因此，本文提出了一种基于网络的土壤水分估算工具 (SMETool)，该工具设计用于使用基于 Eo-learn 库的 Sentinel-1A 和 Sentinel-2A 数据进行土壤水分估算。SMETool 实现了多种 ML 技术，例如（人工神经网络 (ANN)、随机森林 (RF)、卷积神经网络 (CNN) 等）。SMETool 对于该地区的决策者评估干旱和荒漠化事件的影响可能非常有用。实验在 2016 年至 2017 年期间在突尼斯的两个地点进行。虽然使用的模型的性能非常接近，但很明显 CNN 和 RF 优于其他 ML 模型。所取得的结果表明，土壤水分与具有高 Pearson 相关系数 r 的原位测量值高度相关（SMETool 对于该地区的决策者评估干旱和荒漠化事件的影响可能非常有用。实验在 2016 年至 2017 年期间在突尼斯的两个地点进行。虽然使用的模型的性能非常接近，但很明显 CNN 和 RF 优于其他 ML 模型。所取得的结果表明，土壤水分与具有高 Pearson 相关系数 r 的原位测量值高度相关（SMETool 对于该地区的决策者评估干旱和荒漠化事件的影响可能非常有用。实验在 2016 年至 2017 年期间在突尼斯的两个地点进行。虽然使用的模型的性能非常接近，但很明显 CNN 和 RF 优于其他 ML 模型。所取得的结果表明，土壤水分与具有高 Pearson 相关系数 r 的原位测量值高度相关（${\text{r}}_{\text{射频}}=0.86$,${\text{r}}_{\text{人工神经网络}}=0.75$,${\text{r}}_{\text{XGBoost}}=0.79$,${\text{r}}_{\text{美国有线电视新闻网}}=0.87$) 和低均方根误差 (RMSE) (${\text{均方根误差}}_{\text{射频}}$ $=$1.09%,${\text{均方根误差}}_{\text{人工神经网络}}$ $=$1.49%,${\text{均方根误差}}_{\text{XGBoost}}$ $=$1.39%,${\text{均方根误差}}_{\text{美国有线电视新闻网}}$ $=$1.12%），分别。