线性回归缩减器允许我们增加因变量和自变量的数量。让我们重新审视我们的百分比覆盖率模型，并尝试通过使用具有更多自变量的线性回归缩减器来改进我们的线性拟合尝试。
我们将使用我们的 percentTree 因变量。
对于我们的自变量，让我们重新审视我们的 Landsat 8 图像集。让我们使用多个波段，而不是仅使用 NDVI。定义这些波段以供选择。
现在让我们为回归组装数据。对于线性回归所需的常数项，我们使用 ee.Image 函数在每个像素处创建具有值 (1) 的图像。然后，我们将此常数与 Landsat 预测波段和因变量（树木覆盖率）叠加。
之前我们单个自变量可以使用
ee.Reducer.linearFit()
返回一个 Reducer，它计算 2 个输入的（加权）线性回归的斜率和偏移量。输入应为 x 数据，后跟 y 数据。
