Wyniki wyszukiwania - BazTech

1

Analiza możliwości automatycznej detekcji obiektów topograficznych na zdjęciach lotniczych i satelitarnych VHR

Pluto-Kossakowska Joanna, Kamiński Michał

Teledetekcja Środowiska

|

2022

|

T. 62

5--15

PL

W artykule podjęto temat uczenia maszynowego w rozpoznawaniu obiektów topograficznych na zdjęciach lotniczych i satelitarnych VHR ze szczególnym uwzględnieniem Bazy Danych Obiektów Topograficznych BDOT10k. Celem prac badawczych było przetestowanie trzech algorytmów klasyfikacji nadzorowanej do automatycznej detekcji wybranych klas obiektów topograficznych, m.in.: budynków, betonowych oraz asfaltowych elementów szarej infrastruktury (drogi, chodniki, place), wód powierzchniowych, lasów, terenów zadrzewionych i zakrzewionych, terenów o niskiej roślinności oraz gleby odkrytej (grunty nieużytkowane, wyrobiska). Przeanalizowano trzy powszechnie stosowane klasyfikatory: Maximum Likelihood, Support Vector Machine oraz Random Trees pod kątem różnych parametrów wejściowych. Wynikiem przeprowadzonych badań jest ocena ich skuteczności w detekcji poszczególnych klas oraz ocena przydatności wyników klasyfikacji do aktualizacji bazy danych BDOT10k. Badania zostały przeprowadzone dla zdjęcia satelitarnego WorldView-2 o rozdzielczości przestrzennej 0,46 m oraz ortofotomapy ze zdjęć lotniczych o dokładności przestrzennej 0,08 m. Wyniki badań wskazują na to, że wykorzystanie różnych klasyfikatorów uczenia maszynowego oraz danych źródłowych wpływa nieznacznie na wynik klasyfikacji. Ogólne statystyki dokładności wskazują, że całościowo klasyfikacja z wykorzystaniem zdjęć satelitarnych dała nieco lepsze rezultaty o kilka punktów procentowych w granicach 76-81%, a dla zdjęć lotniczych 75-78%. Natomiast dla niektórych klas miara statystyczna F1 przekracza wartość 0,9. Testowane algorytmy uczenia maszynowego dają bardzo dobre rezultaty w identyfikacji wybranych obiektów topograficznych, ale nie można jeszcze mówić o bezpośredniej aktualizacji BDOT10k.

EN

The article deals with the topic of machine learning (ML) in the recognition of topographic objects in aerial and satellite VHR image, with particular emphasis on the Topographic Objects Database (BDOT10k). The aim of the research work was to test three supervised classification algorithms for automatic detection of selected classes of topographic objects, including: buildings, concrete and asphalt elements of grey infrastructure (roads, pavements, squares), surface waters, forests, wooded and bushy areas, areas with low vegetation and uncovered soil (unused lands or excavations). Three commonly used classifiers were analysed: Maximum Likelihood, Support Vector Machine and Random Trees for different input parameters. The result of the research is the assessment of their effectiveness in the detection of individual classes and the assessment of the suitability of the classification results for updating the BDOT10k database. The research was carried out for the WorldView-2 satellite image with a spatial resolution of 0.46 m and orthophotos from aerial images with a spatial resolution of 0.08 m. The research results indicate that the use of different ML classifiers and source data slightly affects the classification result. Overall accuracy statistics show that the classification using satellite images gave slightly better results by a few percentage points in the range from 76% to 81%, and for aerial photos from 75% to 78%. However, for some classes the statistical measure F1 exceeds 0.9 value. The tested ML algorithms give very good results in identifying selected topographic objects, but it is not yet possible to directly update topographical database.

2

A comparison of conventional and deep learning methods of image classification

Dovbnych Maryna, Plechawska-Wójcik Małgorzata

Journal of Computer Sciences Institute

|

2021

|

Vol. 21

303--308

EN

The aim of the research is to compare traditional and deep learning methods in image classification tasks. The conducted research experiment covers the analysis of five different models of neural networks: two models of multi–layer perceptron architecture: MLP with two hidden layers, MLP with three hidden layers; and three models of convolutional architecture: the three VGG blocks model, AlexNet and GoogLeNet. The models were tested on two different datasets: CIFAR–10 and MNIST and have been applied to the task of image classification. They were tested for classification performance, training speed, and the effect of the complexity of the dataset on the training outcome.

PL

Celem badań jest porównanie metod klasycznego i głębokiego uczenia w zadaniach klasyfikacji obrazów. Przeprowa-dzony eksperyment badawczy obejmuje analizę pięciu różnych modeli sieci neuronowych: dwóch modeli wielowar-stwowej architektury perceptronowej: MLP z dwiema warstwami ukrytymi, MLP z trzema warstwami ukrytymi; oraz trzy modele architektury konwolucyjnej: model z trzema VGG blokami, AlexNet i GoogLeNet. Modele przetrenowano na dwóch różnych zbiorach danych: CIFAR–10 i MNIST i zastosowano w zadaniu klasyfikacji obrazów. Zostały one zbadane pod kątem wydajności klasyfikacji, szybkości trenowania i wpływu złożoności zbioru danych na wynik trenowania.

3

Assessment of Approaches for the Extraction of Building Footprints from Pléiades Images

Taha Lamyaa Gamal El-deen, Ibrahim Rania Elsayed

Geomatics and Environmental Engineering

|

2021

|

Vol. 15, no. 4

101--116

EN

The Marina area represents an official new gateway of entry to Egypt and the development of infrastructure is proceeding rapidly in this region. The objective of this research is to obtain building data by means of automated extraction from Pléiades satellite images. This is due to the need for efficient mapping and updating of geodatabases for urban planning and touristic development. It compares the performance of random forest algorithm to other classifiers like maximum likelihood, support vector machines, and backpropagation neural networks over the well-organized buildings which appeared in the satellite images. Images were subsequently classified into two classes: buildings and non-buildings. In addition, basic morphological operations such as opening and closing were used to enhance the smoothness and connectedness of the classified imagery. The overall accuracy for random forest, maximum likelihood, support vector machines, and backpropagation were 97%, 95%, 93% and 92% respectively. It was found that random forest was the best option, followed by maximum likelihood, while the least effective was the backpropagation neural network. The completeness and correctness of the detected buildings were evaluated. Experiments confirmed that the four classification methods can effectively and accurately detect 100% of buildings from very high-resolution images. It is encouraged to use machine learning algorithms for object detection and extraction from very high-resolution images.

4

Detekcja rzutu kośćmi do gry z użyciem sieci neuronowych

Szadkowski Rafał Maciej, Dąbal Paweł

Elektronika : konstrukcje, technologie, zastosowania

|

2020

|

Vol. 61, nr 7

26--29

PL

Sztuczne sieci neuronowe stanowią obszerny zbiór zagadnień, które mogą być użyte w wielu dziedzinach nauki. Bardzo popularnym ich zastosowaniem jest przetwarzanie i kategoryzacja obrazów. W artykule tym opisano w jaki sposób wykonano i przebadano praktyczną realizację klasyfikatora obiektów z użyciem tychże sieci. Opisany został problem klasycznego detektora obiektów, który następnie posłużył do przygotowania bazy treningowej, ale również jako składowa ostatecznej implementacji algorytmu. Przedstawiono również w jaki sposób przygotowane zostały dane treningowe użyte do wyszkolenia sieci oraz w jaki sposób została wybrana architektury sieci neuronowej. W ostatniej części przedstawiono wyniki przeprowadzonych badań. Wskazano zaobserwowane wady i zalety takiego podejścia do rozwiązania problemu.

EN

Neural networks are very broad research issue, they find their way into many fields of science. Probably their most popular implementation is met in image processing and classification. This paper describes how to practically implement such classifier based on neural networks. First part describes classical object detector, used later to build a training data set, but also as a part of final product used to process images. Paper describes how aforementioned data set was prepared and how architecture of neural network has been chosen. In the last part there are result of run tests, as well as pros and cons of such solution to the problem.

5

Zaawansowane algorytmy analizy zdjęć mikroskopowych - wybrane zagadnienia

Misztal Krzysztof

Laboratorium - Przegląd Ogólnopolski

|

2019

|

nr 4

48--49

6

Selected technical issues of deep neural networks for image classification purposes

Grochowski Michał, Kwasigroch A., Mikołajczyk A.

Bulletin of the Polish Academy of Sciences. Technical Sciences

|

2019

|

Vol. 67, nr 2

363--376

EN

In recent years, deep learning and especially deep neural networks (DNN) have obtained amazing performance on a variety of problems, in particular in classification or pattern recognition. Among many kinds of DNNs, the convolutional neural networks (CNN) are most commonly used. However, due to their complexity, there are many problems related but not limited to optimizing network parameters, avoiding overfitting and ensuring good generalization abilities. Therefore, a number of methods have been proposed by the researchers to deal with these problems. In this paper, we present the results of applying different, recently developed methods to improve deep neural network training and operating. We decided to focus on the most popular CNN structures, namely on VGG based neural networks: VGG16, VGG11 and proposed by us VGG8. The tests were conducted on a real and very important problem of skin cancer detection. A publicly available dataset of skin lesions was used as a benchmark. We analyzed the influence of applying: dropout, batch normalization, model ensembling, and transfer learning. Moreover, the influence of the type of activation function was checked. In order to increase the objectivity of the results, each of the tested models was trained 6 times and their results were averaged. In addition, in order to mitigate the impact of the selection of learning, test and validation sets, k-fold validation was applied.

7

Basic mechanisms of Brownian string analysis and manipulation

Bartyzel K.

Journal of Applied Computer Science

|

2018

|

Vol. 26, nr 2

7--22

EN

The paper presents the possibilities of using Brownian Strings as an example of Active Contour Model for linguistic description of objects in an image. Having only a notation composed of a combination of characters RULD we can calculate the statistics of the object, such as its surface area, width and height, centroid, and even image moments. The part is thoroughly discussed. The requirements for a combination of characters RULD to be called a Brownian contour are also presented and analysed carefully.

8

A quality factor of co-firing pulverized coal and biomass

Sawicki D., Kotyra A.

Przegląd Elektrotechniczny

|

2016

|

R. 92, nr 11

140--143

EN

This paper presents comparison image classification method of co-firing biomass and pulverized coal. Defined two class of combustion: stable and unstable for nine variants with different power value parameters and fixed amount biomass (20% straw). Compared the artificial neural networks, support vector machine, k nearest neighbor, linear and quadratic discriminant analysis methods. The sensitivity classification value was selected as a combustion process quality factor.

PL

W pracy przedstawiono porównanie wybranych metod klasyfikacji obrazów dla współspalania pyłu węglowego i biomasy. Zdefiniowano dwie klasy spalania: stabilne i niestabilne dla dziewięciu wariantów z różnymi parametrami mocy oraz stałą ilością biomasy (20% słomy). Porównano sztuczne sieci neuronowe, metodę wektorów nośnych, metodę k najbliższych sąsiadów, liniową i kwadratową analizę dyskryminacyjną. Wybrano wskaźnik jakości procesu spalania jako wartość parametru wrażliwość klasyfikacji.

9

Klasyfikacja stanu procesu spalania na podstawie analizy obrazu płomienia

Sawicki D.

Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska

|

2016

|

nr 4

77--80

PL

W pracy przedstawiono porównanie wybranych metod klasyfikacji obrazów dla współspalania pyłu węglowego i biomasy. Zdefiniowano dwie klasy spalania: stabilne i niestabilne dla dziewięciu wariantów z różnymi parametrami mocy oraz stałą ilością biomasy. Wyniki badań pokazują, poprawną klasyfikację obrazów dla założonych wariantów. Najlepsze wyniki uzyskano dla klasyfikatora K-NN z parametrem K = 7.

EN

This paper presents comparison image classification method of cofiring biomass and pulverized coal. Defined two class of combustion: stable and unstable for nine variants with different power value parameters and fixed amount biomass. Experimental results show that achieved correct classification of images for the assumed variants. The best results were obtained with K-NN classifier (parameter K = 7).

10

Flame monitoring using image classification

Sawicki D.

Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska

|

2016

|

nr 1

37--40

EN

This paper presents comparison of image classification methods for co-firing biomass and pulverized coal. Two classes of combustion – stable and unstable were defined for nine variants with different power value parameters and fixed amount biomass. Experimental results show that correct classification of images was achieved for the assumed variants.

PL

W pracy przedstawiono porównanie wybranych metod klasyfikacji obrazów dla współspalania pyłu węglowego i biomasy. Zdefiniowano dwie klasy spalania: stabilne i niestabilne dla dziewięciu wariantów z różnymi parametrami mocy oraz stałą ilością biomasy. Wyniki badań pokazują, poprawną klasyfikację obrazów dla założonych wariantów.

11

Monitoring combustion process using image classification

Kotyra A., Sawicki D.

Przegląd Elektrotechniczny

|

2014

|

R. 90, nr 11

130--132

EN

This paper presents comparison image classification method of co-firing biomass and pulverized coal. Defined two class of combustion: stable and unstable for three variants with different power value parameters and fixed amount biomass. Compared naïve Bayes classifier and support vector machine (SVM) with RBF kernel function. Experimental results show that achieved correct classification of images for the assumed variations.

PL

W pracy przedstawiono porównanie wybranych metod klasyfikacji obrazów dla współspalania pyłu węglowego i biomasy. Zdefiniowano dwie klasy spalania: stabilne i niestabilne dla trzech wariantów z różnymi parametrami mocy oraz stałą ilością biomasy. Porównano naiwny klasyfikator bayesowski oraz metodę wektorów nośnych z radialną funkcją jądrową (RBF). Wyniki badań pokazują, poprawną klasyfikację obrazów dla założonych wariantów.

12

Problemy rozpoznawania i klasyfikacji obrazów w procesach logistycznych

Miciak M., Wiatr R.

Logistyka

|

2014

|

nr 4

PL

W pracy przedstawiono analizę metod rozpoznawania znaków dla celów pocztowych. Dokonano prezentacji wybranych klasyfikatorów i możliwości ich zastosowania w systemach rozpoznawania i klasyfikacji przesyłek pocztowych. Dodatkowo zaprezentowano nową metodę rozpoznawania znaków z wykorzystaniem transformaty Radona pozwalającą na eliminację elementów przetwarzania wstępnego pojawiające się we większości spotykanych rozwiązań tego typu. Zaproponowany klasyfikator bazuje na dwuetapowym klasyfikatorze na podstawie liczby maksimów lokalnych, uzyskanych w procesie tworzenia wektora cech. Na podstawie liczby maksimów określane są grupy znaków z tą samą liczbą maksimów, pozwala to w efekcie na zmniejszenie liczby porównań wektorów bazy znaków wzorcowych, które następnie należy porównać z wektorem cech badanego znaku. W końcowej części artykułu przedstawiono wyniki przeprowadzonych eksperymentów dla opracowanej metody.

EN

In this article we introduced the analysis of character recognition methods used in postal applications. We presented selected classificators and their possibility to use in the systems of recognition and classification of postmail items. Additionally we presented the new method of character recognition on basis of the Radon transformation. The properties of Radon transformation allow for realisation of the preprocessing stage without few elements of image processing which appear in the standard applications. The proposed classificator basis on two stage processing. The number of feature vector elements describes the groups with the same numbers of characteristic points. This approach allows to decrease amount of comparing vectors from database of known characters with a vector of unknown character. The last part of the article contain experiment results of the proposed method and ratio of various classifiers. We discussed strengths and weaknesses of the method and defined the future directions of development of our method.

13

Comparison of sealing surface degree assessment based on orthophotomap and lidar data

Borowiec N., Hamerla A.

Journal of Sustainable Mining

|

2013

|

Vol. 12, iss. 1

20--26

EN

The following article compares the methods and the results of sealing surface degree assessment. In the described experiment/research, orthophotomap and point cloud obtained from airborne laser scanning were used as input for the analysis. In this paper, apart from the statement and comparing the results, the problems and limitations of using different research methods are also listed.

PL

W niniejszym artykule porównano metody wyznaczania stopnia uszczelnienia zlewni oraz wyniki otrzymane w związku z ich zastosowaniem. Przedstawiono doświadczenie, w którym jako materiał wejściowy do analiz wykorzystano ortofotomapę oraz chmurę punktów pochodzącą z lotniczego skaningu laserowego. W artykule, poza zestawieniem i porównaniem otrzymanych wyników, wyszczególniono problemy i ograniczenia wynikające z zastosowania poszczególnych metod badawczych.

14

Metody analizy obrazu – analiza obrazu mammograficznego na podstawie cech wyznaczonych z tekstury

Lazarek J.

Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska

|

2013

|

nr 4

10--13

PL

W artykule przedstawiono analizę możliwości zastosowania cech wyznaczanych z tekstury do klasyfikacji wykrytych, na obrazie mammograficznym, obszarów zainteresowania – jako obszarów niezmienionych lub zmienionych chorobowo. Cechy tekstury wyznaczono na podstawie histogramu, macierzy gradientu, macierzy długości pasm oraz macierzy zdarzeń. Klasyfikację przeprowadzono z wykorzystaniem klasyfikatora k-NN. W wyniku przeprowadzonych eksperymentów poprawnie rozpoznano wszystkie zmienione chorobowo próbki.

EN

This paper presents an analysis of the possibility of using textural features for mammographic images classification. Textural features are calculated base on histogram, gradient matrix, run-length matrix, co-occurence matrix. Classification is based on k-NN classifier, the regions of interest can be classified as normal or abnormal. Results of some experiments are presented. All of abnormal regions were classified correctly.

15

{GA}-Based Feed-Forward Neural Network For Image Classification: Application For the Grains of Pollen

Khorissi N., Mellit A., Guessoum A., Mesaouer A.

Journal of Applied Computer Science

|

2009

|

Vol. 17, nr 2

83-96

EN

Palynological data are used in wide range application, the pattern recognition of pollen grains is very important in the determination of the original floral honey, and the prediction of the allergy, which touches lot of people. Due to the high computing time needed for classification of the pollen grains and complex architecture of the neural networks, the genetic algorithm is used in order to find the optimal architecture of the Multilayer perceptron (number of hidden layers and the number of neurons within each hidden layer). In this paper, a methodology for pollen grain classification based on the using of the MLP optimized by genetic algorithm (GA) called MLP-GA is described. A database of pollen images has been used in this work. Firstly, for each image we have calculated some morphological and geometric features. Subsequently, the MLP-GA network has been used for classification of the image pollen. The best classification performance is achieved by using an experimental data base of grains pollen. The classification rate is 90% which is very promising, and by comparing the hybrid MLP-GA with others ANN architectures, we can note that the MLP-GA is faster (the convergence time is 500 iterations).

16

Komputerowe metody detekcji nowotworów piersi w zdjęciach mammograficznych

Dzwinel W., Boryczko K., Arodź T., Kurdziel M.

Bio-Algorithms and Med-Systems

|

2005

|

Vol. 1, no. 1/2

287--290

PL

Rozpoznawanie obrazów medycznych stanowi jedno z istotnych zastosowań technik informatycznych w medycynie. Przykładem problemu z tej dziedziny jest komputerowe wspomaganie wykrywania nowotworów piersi na zdjęciach rentgenowskich. W niniejszym artykule przedstawiamy rezultaty prac nad komputerowymi metodami wspomagania diagnozy nowotworów piersi. Prowadzone przez nas prace skupiają się na dwóch podejściach do wykrywania znaczników raka piersi w mammogramach. Pierwsze podejście opiera się na stworzeniu filtru wrażliwego na mikrozwapnienia, a następnie konstrukcji metody łączenia ich w skupiska niosące informację diagnostyczną. Następnie obraz poddawany jest wyostrzaniu z użyciem transformaty falkowej. Tak przetworzone zdjęcia zostały przeanalizowane przez czterech doświadczonych radiologów. Analiza wykazała użyteczność systemu dla pewnych typów piersi oraz rodzajów skupisk mikrozwapnień. Alternatywą dla zarysowanego wyżej sposobu analizy zdjęć rentgenowskich piersi jest zastosowanie metod uczenia maszynowego do detekcji mikrozwapnień lub zacienień. Celem tego typu algorytmów jest klasyfikacja regionów mammogramu pod kątem obecności markerów raka. W niniejszym artykule prezentujemy rezultaty analizy tego podejścia z wykorzystaniem dwóch metod klasyfikacji: AdaBoost oraz SVM. Najlepsze wyniki zostały uzyskane przez klasyfikator AdaBoost. Pozwala on na wykrywanie zacienień w mammogramach z czułością i specyficznością wynoszącą około 90%. Skuteczność metod uczenia maszynowego silnie zależy od cech użytych do reprezentacji danych wejściowych. Szczególnie istotne znaczenie ma tu redukcja liczby cech tak, by tylko te, które niosą najwięcej informacji, były używane w klasyfikacji. W niniejszym artykule przedstawiamy wyniki selekcji cech na potrzeby klasyfikacji regionów mammogramów przy użyciu nowatorskiego algorytmu klasteryzacji.

EN

Medical image analysis is one of the most important applications of computer science in medicine. Computer-aided support for breast cancer detection in mammograms is one of the examples of such an approach. In this paper, we present the results of our efforts aimed at creating algorithmic methods for supporting the breast cancer diagnosis. Our work focuses on two approaches to detection of cancer markers in breast images. In the first approach, we have created a dedicated filter, which accentuates the appearance of the microcalcifications. Then, we have constructed a method for partitioning the detected microcalcifications into clusters of diagnostic importance. Next, the images are subject to wavelet transform-based enhancing. Mammograms treated by such a system were analysed by four experienced radiologists. Their analysis showed that the system indeed improves the diagnosis of breast cancer. An alternative to the approach presented above is to use a group of machine learning methods to distinguish between abnormal lesions and normal tissue. In this paper we present the evaluation of two classifiers applied to this task, the AdaBoost and the SVM. The best results, achieved by the AdaBoost method, allow for recognition of masses in mammograms with sensitivity and specificity of ca. 90%. The success of the machine learning methods depends strongly on the features used for representing the input data. Particularly important is the reduction of the number of features, so that only the most informative ones are used in classification. In this paper we show results of features selection, for classification of mammogram regions, using a novel clustering algorithm.

17

Wykorzystanie sieci neuronowych cp w wibroakustycznej diagnostyce uszkodzeń przekładni zębatej

Dybała J., Radkowski S.

Diagnostyka

|

2004

|

Vol. 31

59--66

PL

W artykule przedstawiono sposób zastosowywania neuronowego klasyfikatora zbudowanego na bazie sieci neuronowej z propagacją przeciwną w diagnostyce wibroakustycznej przekładni zębatej. Ponadto, w pracy przedstawiono unikalną metodę selekcji cech stanu obiektu opartą na geometrii przestrzeni obserwacji. W końcowej części artykułu przedstawiono jako przykład wyniki eksperymentu laboratoryjnego.

EN

The article presents a way of applying a neural classifier constructed on the basis of counter-propagation neural network in vibroacoustic diagnostics of toothed gears. Moreover, in the paper the unique feature selection method of object state is presented. This method is based on geometry of the observation space. In final unit of article the results of laboratory experiment are presented as example.

18

Geometryczna metoda selekcji informacji diagnostycznej

Dybała J., Radkowski S.

Diagnostyka

|

2004

|

Vol. 30, T. 1

159--162

PL

W pracy przedstawiono metodę selekcji cech stanu obiektu opartą na geometrii przestrzeni obserwacji. Zaprezentowana metoda selekcji informacji wykorzystuje dwa kryteria: zmodyfiko-wane kryterium Sebestyena oraz oryginalne kryterium liczby wzorców klas.

EN

In the paper the feature selection method of object state is presented. This method is based on geometry of the observation space. The presented method of the information selection uses two criteria: the modified Sebestyen's criterion and original criterion of the prototypes classes number.

19

Neuronowe prognozowanie scenariuszy wspomagające zarządzanie

Piech H., Chłopaś T., Włodarczyk M.

Informatyka Teoretyczna i Stosowana

|

2001

|

R. 1, nr 1

31-40

PL

Metody prognozowania wieloparametrycznego ciągle się rozwijają i modyfikują. Wykorzystanie neuronów do analizy zjawisk ekonomicznych, które trudno opisać deterministycznymi zależnościami i formułami, jest w dużej mierze uzasadnione. Takie powiązanie przyczyn i efektów procesów ekonomicznych z powodzeniem może zastąpić pracę ekspertów tym bardziej, że struktury neuronowe potrafią się same uczyć oraz są w stanie wyciągać wnioski na podstawie niepełnej informacji wejściowej. Scenariuszem w danym przypadku będzie sekwencja wartości wybranych parametrów ekonomicznych Si ={x1, x2,…., xn}, gdzie x1 - znaczenia parametrów lub wskaźników. Badania można rozbudować, poszukując najbardziej optymistycznego i najbardziej pesymistycznego scenariusza (Sopt, Spes). Jak w każdej prognozie, danymi wejściowymi będą informacje dotyczące bezpośrednio przeszłych doświadczeń.