🌾 Issue abierto — propuesta de contribución
🌾 Open issue — contribution proposed
Fields of the World
¿Qué pasa cuando tomás un modelo de IA entrenado casi enteramente con campos europeos y lo apuntás a Argentina? Fields of the World (FTW) es un dataset global de detección de límites de campos agrícolas por deep learning — de los 24 países usados para entrenarlo, 17 son europeos. Sudamérica casi no aparece.
Superpuse sus detecciones sobre MapBiomas Argentina — un mapa de uso del suelo independiente y verificado en campo — para ver qué había realmente debajo de cada detección.
What happens when you take an AI model trained almost entirely on European farmland and point it at Argentina? Fields of the World (FTW) is a global agricultural field-boundary detection dataset built with deep learning — of the 24 countries it learned from, 17 are in Europe. South America barely appears.
I overlaid its detections on MapBiomas Argentina — an independent, ground-verified land-cover map — to see what was actually underneath each detection.
Aproximadamente tres de cada cuatro campos detectados corresponden a cultivo real. El resto no está distribuido al azar: ~10% cae sobre pastizal y ~13% sobre vegetación natural, en ambos chequeos, corridos de forma independiente, con una diferencia de 80× en la cantidad de campos analizados cada vez. Casi el mismo patrón, dos veces — lo que sugiere un error estructural, no ruido aleatorio, y por lo tanto algo sobre lo que se puede diseñar un filtro.
Roughly three out of every four detected fields sit on real cropland. The rest isn’t scattered randomly: ~10% sits on pasture and ~13% on natural vegetation, in both checks, run independently, with an 80× difference in how many fields were analyzed each time. Almost the same pattern twice — which suggests a structural error, not random noise, and therefore something a filter could be designed around.
Intercambio técnico realA real technical exchange
Abrí un issue técnico en el repositorio de FTW proponiendo dos contribuciones: un filtro de post-procesamiento basado en MapBiomas para países con cobertura (Argentina, Brasil, Bolivia, y otros ocho), y la publicación de las predicciones como asset de GEE para permitir validación regional escalable.
Un colaborador del equipo (Matthias Mohr) señaló que mi descarga inicial no aplicaba el filtro de confianza correctamente. Volví a correr el análisis el mismo día con el umbral corregido — 76,82% vs. 76,04% sin filtrar, misma estructura de error — y en el intercambio até un cabo suelto more: la UI del explorador de FTW reescala el confidence_mean de forma no obvia (un “75%” visual corresponde a un valor real de ≥0,4336).
I opened a technical issue on the FTW repo proposing two contributions: a MapBiomas-based post-processing filter for countries with coverage (Argentina, Brazil, Bolivia, and eight others), and publishing predictions as a GEE asset to enable scalable regional validation.
A team collaborator (Matthias Mohr) caught that my initial download wasn’t applying the confidence filter correctly. I re-ran the analysis same-day with the corrected threshold — 76.82% vs. 76.04% unfiltered, same error structure — and in the exchange also tied off a loose end: the FTW Explorer UI rescales confidence_mean non-obviously (a visual “75%” corresponds to a real value of ≥0.4336).
Estas dos contribuciones (filtro, asset GEE) siguen siendo propuestas — todavía no construidas.
Both proposed contributions (filter, GEE asset) are still just that — proposals, not yet built.