The Penman and Penman–Monteith equations are widely used for estimating surface evapotranspiration (ET) at regional and global scales. These nonlinear equations were derived from the turbulent transport of heat fluxes and, in theory, need to be applied to a temporal scale ranging from half hour to an hour. However, these equations have been frequently applied with hydrometeorological variables averaged at daily, monthly, and even decadal time intervals, resulting in biases due to their nonlinearities. In this study, we used global reanalysis data and Taylor expanded Penman and Penman–Monteith equations to explore their nonlinear components and the biases associated with the timescale mismatches. We found that global average biases for approximating Penman equation range from 0.72 to 1.31 mm day−1 from daily to annual timescales, which mainly stem from the temperature – radiation, temperature – vapor pressure deficit (VPD), and aerodynamic conductance – VPD covariances. For Penman–Monteith equation, the corresponding biases vary from 0.47 to 0.53 mm day−1, which may be associated with the addition of stomatal conductance – VPD covariances. As a reference, the global averages of PET and ET are 7.1 and 1.7 mm day−1 estimated from Penman and Penman–Monteith equations at hourly timescale. Large biases also exist around the world across various climate zones, where one or multiple covariances between meteorological variables makes the first-order approximations of Penman and Penman–Monteith equations less accurate. This analysis serves as a reminder of nonlinearities in Penman and Penman–Monteith equations, hence the requirement of data at high temporal resolution for estimating potential or actual evapotranspiration.

Summary Phosphorylation of receptor-like kinases (RLKs) plays an important role in the regulation of pattern-triggered immunity (PTI). Arabidopsis thaliana FLAGELLIN-SENSITIVE2 (FLS2) is a typical RLK that can sense a conserved 22 amino acid sequence in the N-terminal region of flagellin (flg22) to initiate plant defense pathways. However, the mechanisms underlying the regulation of FLS2 phosphorylation activity at the plasma membrane in response to flg22 remain largely enigmatic. Here, by single-particle tracking, we demonstrated that Ser-938 phosphorylation site affected flg22-induced FLS2 spatiotemporal dynamics and dwell time. Furthermore, using Förster resonance energy transfer-fluorescence lifetime (FRET-FLIM) imaging microscopy coupled with protein proximity indexes (PPI), we revealed that the degree of co-localization of FLS2/FLS2 S938D -GFP with AtRem1.3-mCherry increased in response to flg22, whereas FLS2 S938A -GFP did not show significant changes, indicating that Ser-938 phosphorylation site facilitates efficient sorting of FLS2 into nanodomains. Importantly, we found that the Ser-938 phosphorylation of FLS2 significantly increased flg22-induced internalization and immune responses. Taken together, these results illustrate that the phosphorylated site of FLS2 regulates the partitioning of FLS2 into functional membrane nanodomains to activate flg22-induced plant immunity.

Rainfall is of vital importance to terrestrial ecosystems and its intermittent characteristics have a profound impact on plant growth, soil biogeochemical cycles, and water resource management. Rainfall frequency, one of the key statistics of rainfall intermittency, has received relatively little research attention. Leveraging scale-dependent relationships in rainfall frequencies and using various global precipitation datasets, we found most grid-scale rainfall frequencies are relatively large and do not converge to the field-scale frequencies as grid size decreases. Specifically, these differences are as high as 41.8% for the Global Precipitation Climatology Project (GPCP) and 74.8% for the fifth-generation European Centre for Medium-Range Weather Forecasts Reanalysis (ERA5), which are much larger than the differences in mean rainfall rates but can be partially corrected by redefining wet days with higher rainfall thresholds. These differences across most regions of the world should be interpreted as the inherent biases associated with the model structure or algorithms used for deriving precipitation data and cannot be reduced simply by increasing the data resolutions. Such biases could propagate into the hydrological process and influence the calibration of the rainfall-runoff process, one of the key nonlinear relationships in land surface modeling. We, therefore, call for urgent research into this topic to avoid misunderstandings of rainfall intermittency and ensure its proper application in various fields.