多特征建模时，特征之间的相关性和饱和现象

1\最准确的策略涉及使用 TCB 和 TCW 组件的 LTTC 拟合图像。众所周知，TCB 和 TCW 都是区分林地和非林地覆盖的合适指标（Frazier 等人，2015 年）。茂密的森林群落和较小程度的灌木地的广泛特征是较高的 TCW（由于下层的阴影而增加了保持水分的能力）和较低的 TCB 值（由于表面质地较粗糙，朗伯阴影降低了反照率）。与开放式看台相比（Healey 等人，2005 年）。包括 TCG 在内的模型的性能通常很差，但 TCG 被认为是森林群落之间结构差异（草、灌木或树木）的弱驱动因素（弗雷泽等人，2015 年；Pickell 等人，2016 年）。在某个生物量密度或叶面积的阈值之上，绿色相关指数无法捕捉植被群落之间的显着差异（Pickell 等人，2016 年；Tanase 等人，2011 年）。通过 TCA 结合 TCG 和 TCB 的模型也没有提供更好的结果。TCA 是像素中植被比例的间接度量；TCA 越高，植被覆盖度越高（Gómez 等人，2012 年）。由于它主要是指植被覆盖，因此将草地与其他植被覆盖区分开来的判别力较低。

1、红光波段7*7窗口的建模精度最高，主要是由于较大的运算窗口致使像素间的差异性被放大，从而导致建模精度较高。
充分利用了不同数据源的优势，在不同空间尺度（区域）进行森林参数反演。
考虑到不同生态分区气候及植被的差异，综合考虑了不同生态分区以及不同