マルチモーダル共同学習は、異なるモダリティから協力的に学ぶことで単一モダリティの予測を向上させる効果的な手法として注目されています。特に地球観測分野では、多様なリモートセンサーからのデータ収集が行われており、大量のデータが新たな課題をもたらしています。トレーニングと推論段階で同じセンサーのモダリティへのアクセスがますます複雑になる中、本研究では様々なタスクに一般化できる新たなマルチモーダル共同学習フレームワークを提案しました。このアプローチでは、対照的かつモダリティに差別化された学習を組み合わせて、単一モダリティモデルが内部モデルのマニフォールドをモダリティ共有情報とモダリティ特有情報に構造化するように導きます。評価は異なるセンサーのモダリティを対象にした4つのEOベンチマークで実施し、推論時にはトレーニング時に利用可能なモダリティのみを使用しました。その結果、最新の機械学習やコンピュータビジョンのアプローチと比較して、一貫した予測精度の向上を示しました。