Questionnaire recueil des besoins et usages de iota2

Apprentissage machine
1

Bonjour à toutes et à tous,

iota2 va subir une profonde restructuration cette année:

  • pour enlever la dépendance à OTB pour simplifier le code et permettre des installations plus simples (directement avec pixi, conda-forge, pip),
  • pour avoir la possibilité d’utiliser des données stockées sur un s3 en STAC.

Ainsi, dans le cadre de ce processus, l’équipe de développement aimerait avoir vos retours concernant vos usages actuels de iota2.

Ainsi nous serions ravis si vous pouviez prendre 5 minutes de votre temps pour remplir le questionnaire ci-dessous.

Lien du questionnaire : Usages de iota2 / iota2 uses | Framaforms.org

Si vous avez des questions ou d’autres remarques, n’hésitez pas à nous en faire part

Merci d’avance pour vos retours.

Bonne journée

2

Bonjour,

Vous trouverez ci-dessous un résumé des retours de ce sondage.

  • Utilisation:

    • Vous utilisez principalement iota2 dans le cadre de vos recherches pour produire des cartes de classifications et d’indices spectraux mais aussi pour extraire des échantillons avec plusieurs capteurs.
    • Sentinel-2 est utilisé par tous mais Sentinel-1 et Landsat-8 sont majoritairement utilisés aussi.
    • 600×400 7.58 KB

  • Fonctionnalités

  • Attentes

    • Une installation simplifiée et une disponibilité sur Windows est attendue.
    • Une documentation plus détaillée avec des tutoriels pas à pas.
    • Une gestion des données Sentinel sur cloud et une intégration de capteurs haute résolution.

Ce sondage nous a permis de prioriser les développements de RasterLearn qui prendra la suite de iota2 bientôt (inscrivez-vous à la formation du 3ème séminaire du réseau télédétection INRAE). Ainsi :

  • RasterLearn sera publié sur PyPI et donc installable par pip sur tous les systèmes d’exploitation.
  • Il permettra d’utiliser des collections STAC sur cloud (comme par exemple celles du CDS THEIA de la MTD) mais aussi de construire des collections locales.
  • RasterLearn sera plus modulable afin de rendre plus aisée l’entrainement de modèles de machine learning, en particulier de deep learning.
  • Enfin un effort important sera mis sur la production d’une documentation détaillée avec de nombreux notebooks d’exemples.

Si vous avez des questions ou tout autre attente, n’hésitez pas à me contacter ou à remplir une issue sur le dépôt git.

Merci encore pour vos retours.

Bonne journée