论文以北京市密云县为研究区,以Landsat TM5影像为数据源,提取了不同窗口的纹理信息,同时结合样地调查数据及地形因子对研究区针叶林蓄积量进行反演,并筛选出蓄积量反演最优模型和最优窗口。研究结果：1)基于3x3(3像元×3像元)、5x5(5像元×5像元)、7x7(7像元×7像元)、9x9(9像元×9像元)、11×11(11像元×11像元)以及所有窗口下生成的纹理特征的各自变量不存在共线性的针叶林蓄积量反演模型的R2adj分别为0.411、0.324、0.351、0.369、0.331、0.860；模型经T检验蓄积量实测值与预测值均没有显著差异；预估精度分别为65.13%、59.52%、59.24%、65.46%、61.74%、81.36%。2)3×3(3像元×3像元)、5×5(5像元×5像元)、7x7(7像元×7像元)、9x9(9像元×9像元)、11×11(11像元×11像元)以及所有窗口对应的不存在共线性的基于地形因子和纹理特征,针叶林蓄积量反演模型的R2adj分别是0.748、0.342、0.442、0.342、0.402、0.890；模型经T检验蓄积量实测值与预测值均没有显著差异；预估精度分别是70.50%、54.78%、61.73%、54.78%、59.60%、82.13%。研究结论：1)基于所有五组大小纹理窗口提取的8种纹理特征构建的蓄积量反演模型拟合效果和精度比基于单一纹理窗口提取的纹理特征的蓄积量反演模型精度明显提高。2)基于TM遥感影像的纹理特征能够对针叶林进行较为准确的蓄积量估测。3)结合地形因子和TM遥感影像纹理特征建立蓄积量反演模型,精度进一步提高,因此,建模时考虑地形因子,能够有效高蓄积量反演模型精度。4)基于所有窗口的纹理特征和地形因子可得到最优反演模型(R2adj=0.890, RMSE=9.885m3/hm2,预估精度P=82.13%)。5)最优纹理特征提取窗口：基于单一纹理窗口提取的8种纹理特征值的蓄积量反演模型中的最优纹理提取窗口(单元)是3×3(3像元×3像元)或9x9(9像元×9像元)。基于单一于单一纹理窗口提取的8种纹理特征值与地形因子相结合的针叶林蓄积量反演模型的最优窗口为3x3(3像元×3像元)。文章的创新点主要有三点：1)研究基于TM纹理特征森林蓄积量反演模型,模型估测蓄积量精度较高。2)将纹理特征与地形因子将结合,可以进一步提高蓄积量估测精度。3)探讨了纹理窗口大小对蓄积量估计精度的影响。