Browsing by Subject "Generalizability"

Now showing 1 - 2 of 2
  • Thumbnail Image
    Publication
    Open Access
    Análisis de la calidad del dato de un instrumento de observación del clima motivacional: conductas verbales y proxémicas de monitores de mantenimiento físico
    (Universidad de Murcia. Servicio de publicaciones, 2021) Crespillo Jurado, Miriam; Anguera, M. Teresa; Reigal, Rafael; Hernández Mendo, Antonio
    En este estudio se ha diseñado un instrumento para la observación del clima motivacional a través del análisis de la conducta verbal y proxémica en monitores que imparten la actividad de mantenimientofísico. Se trata de un instrumento que permite diferenciar el clima motivacional favorecido por el entrenador, así como la distribución de los participantes y la proxémica. El instrumento combina formato de campo, sistemas de categorías exhaustivos y mutuamente excluyentes (E/ME), y rating scales. El sistema está formado por 10 criterios y 44 categorías en total, y de cada una de ellas se elaboró una rating scale(a excepción de tres criterios en que no era posible). El nombre del instrumento es IAFD (Interacción en Actividad Física y Deporte). Se realizó la grabación, visualización y análisis de siete sesiones de mantenimiento físico en el Polideportivo Municipal de la ciudad de Ronda, analizando las conductas verbales y proxémicas de dos monitores. Se ha realizado un análisis de la calidad del dato y un análisis de generalizabilidad, obteniéndose resultados satisfactorios en cuanto a la fiabilidad, validez y precisión del instrumento, invarianza entre los dos monitores, así como de la capacidad de generalización.
  • Thumbnail Image
    Publication
    Open Access
    Transfer and deep learning models for daily reference evapotranspiration estimation and forecasting in Spain from local to national scale
    (Elsevier, 2025-03-12) Ye, Yu; Zamora Izquierdo, Miguel Ángel; Skarmeta Gómez, Antonio; González Vidal, Aurora; Ingeniería de la Información y las Comunicaciones; Facultades de la UMU::Facultad de Informática
    Accurate estimation and forecasting of Reference Evapotranspiration () is critical for almost all agricultural activities and water resource management. However, the most commonly used Penman-Monteith model (FAO56-PM) requires a large amount of input data and it is difficult to compute for general users. Machine Learning (ML) techniques can be used to address this shortcoming. Nevertheless, most studies are site-specific and lack generalizability. This study compares standard ML and Deep Learning (DL) algorithms for estimating and forecasting daily at different spatial scales in Spain. While Transfer Learning (TL) is a well-established ML technique, its application in computation remains largely unexplored. We applied TL in a novel approach to retrain DL models, enabling adaptation to diverse local climatic conditions, which is particularly important in this domain. All possible combinations of FAO56-PM inputs were evaluated. The results showed that with three or more climatic variables, the TL process can consistently reduce errors by using an appropriate amount of new data to retrain the models. In estimation, with 20% (120 days) of new data, TL models can provide the same performance as if they were trained with local data, both regionally and nationally (improvement of MAE from 26.4% to 99.5%). During forecasting, we used predicted weather data as input, and despite inherent biases in some variables, the TL models successfully adapted using 9-36 days of new data, significantly improving predictive performance (reducing MAE from -1.1% to 134.3%). Thus, the TL process is highly recommended as a promising methodology for increasing the generalization capability of DL models in both daily estimation and forecasting under diverse climatic conditions with limited local data.