分别于返青期、 拔节期、 抽穗期和灌浆期采集不同磷素处理的冬小麦叶片原始高光谱数据; 之后求取其一阶导数(一阶导数光谱)并进行小波去噪处理; 通过分析原始光谱和一阶导数光谱对不同磷素处理水平的响应特征, 确定敏感波长范围并提取四种吸收面积; 将每个叶片磷素含量值对应的四种吸收面积的归一化值, 作为样本空间样本点的位置坐标(4维样本输入矢量), 对应叶片磷素含量的归一化值作为该样本点的目标输出, 二者同时提交给径向基函数神经网络。 结果表明： (1)冬小麦叶片原始光谱对叶片磷素含量变化反应敏感的波长范围为426～435 nm和669～680 nm。 (2)一阶导数光谱的敏感波长范围为481～493 nm和685～696 nm。 (3)训练后的径向基函数神经网络模型能够学习和掌握样本点与目标输出之间的线性/非线性映射关系, 并且具有一定的推广能力。

当前， 磷素营养诊断的化学分析方法既费力又费时， 使诊断结果难以及时应用到田间生产， 而高光谱遥感技术是一种非破坏性、 快速和有潜力的作物营养诊断技术。 但是， 由于光谱分析技术的限制， 作物磷营养与光谱特性之间的关系研究进展一直较为缓慢。 文章通过室内实验获取了不同磷营养水平水稻典型生育期冠层光谱反射率及其对应的磷、 叶绿素含量等农学参数， 并对农学参数做了LSD多重比较。 利用互信息（MI）理论分析了水稻磷素含量的敏感波段， 结果表明水稻拔节期叶片磷素估测的敏感波段分别为536， 630， 1 040， 551和656 nm， 与其相对应的互信息值分别为1.057 5， 1.103 9， 1.135 3， 1.141 7和1.149 4； 比较了以此敏感波段为自变量构建的BP人工神经网络模型和多元线性回归模型， 结果显示BP人工神经网络模型更优， 其交叉验证均方根误差（RMSE-train）和相关系数（R２）分别为0.038 8和0.988 2， 而预测均方根误差（RMSE-test）和相关系数（R2）分别为0.050 5和0.989 2。 说明利用互信息-神经网络模型（MI-ANN）和高光谱遥感估测田间水稻磷含量是可能的。