Na področju analize ekoloških podatkov se vedno bolj kažejo potrebe po razvoju in uporabi metod in orodij, ki bi vključevale sodobne pristope strojnega učenja in informacijske teorije ter bi se dopolnjevale s klasičnimi statističnimi metodami. Pričakovana kompatibilnost bi omogočila izpolnitev večjega številnih zahtev glede značilnosti sodobnih orodij za analizo ekoloških podatkov in zagotovila višjo kvaliteto rezultatov analiz podatkov. Podatkovno rudarjenje tako npr. uporablja metode strojnega učenja, ki v veliki meri uspešno vključujejo tako pristope klasične statistike kot tudi informacijske teorije. Orodja strojnega učenja se uspešno uporabljajo za analizo podatkov, odkrivanja zakonitosti v podatkih ter za gradnjo kvantitativnih in kvalitativnih modelov. Z metodami strojnega učenja se lahko iz podatkov avtomatsko naučimo zakonitosti, ki v njih veljajo ali. zgradimo model obravnavanega sistema. Modele lahko zapišemo v človeku razumljivi obliki (npr. v obliki pravil, odločitvenih dreves, enačb) ali pa v obliki, ki je uporabna samo za napovedovanje novih primerov (npr. nevronske mreže, modeli podpornih vektorjev, itd.). Dosedanje izkušnje so pokazale, da so za analizo ekoloških podatkov še posebej primerni modeli v obliki odločitvenih dreves, ki imajo hierarhično strukturo, in napovedujejo vrednosti odvisne spremenljivke, pri čemer lahko napovedujejo vrednost ene ali več odvisnih spremenljivk hkrati. Raziskava obravnava presojo primernosti uporabe metod podatkovnega rudarjenja za analizo in izdelavo scenarijev razvoja gozdov v Sloveniji, pri čemer smo se osredotočili na analizo časovne dinamike spreminjanja lesne zaloge, pojasnjevanje in napovedovanje skupne lesne zaloge.