El misterio de las conchas perforadas en el Delta del Ebro

O al menos fue misterio para Geri y para mi durante nuestra visita al parque natural del delta del Ebro. Descubrimos las conchas perforadas en las Salinas, que se adentran varios quilómetros en el mar y cuya geografía va cambiando año tras año.

Ver mapa más grande

Aproximadamente una de cada siete de las conchas que nos encontramos en la arena, tenía una perforación perfecta en su base. Se notaba que la perforación estaba hecha desde fuera. Nunca había visto algo parecido en otras playas. Alguien las había atacado (este tipo de fósil bioerosionado se denomina Praedichnia - Evidence of an organism having been predated upon).

Lo preguntamos en la oficina de turismo de Sant Carles de la Ràpita y nos dijeron que se rumoreaba que se debía a unos cangrejos que hacen ese agujerito para comérselas, pero nadie pudo darnos ningún dato concreto. Mucha gente ni se había dado cuenta de este fenómeno.

Laura Campello, bióloga genetista que colabora con biólogos marinos de la Universidad de Alicante, me mandó un artículo con la solución al misterio. Según explican hay distintos depredadores que practican estos agujeritos. Hay pulpos y cangrejos cuyas presas son de fondos duros, pero por lo que yo entiendo, estas conchas se consideran de fondos blandos y su depredador podría ser algún tipo de caracol, como los Natica isabelleana:

Tambien hay toda una serie de poliquetos (polychaeta) - gusanos marinos - que realizan estas perforaciones. Yo me inclino a pensar que, por la localización de los agujeros en las conchas, se trata de los caracoles marinos. Os muestro un par de vídeos con caracoles depredadores en acción: (los vídeos no son del Delta del Ebro).

Los caracoles son capaces de perforar la concha utilizando su rádula y con la ayuda de enzimas digestivas.

En cuanto a los pulpos, en el libro Octopus: the ocean's intelligent invertebrate, se cuenta cómo eligen el lugar donde practicar la perforación. Eligen el punto más endeble. Si lo tapamos, o bien consiguen destaparlo, o bien agujerean en la zona más próxima posible.

Information Theory in Computer Vision and Mobile Robotics

Information Theory is both a set of tools and a theoretical framework for many pattern recognition problems, one of them is Computer Vision. The following slides are from a talk I gave at the Max Planck Institute in Tübingen in 2010. They are a picture of the uses and significance of Information Theory in Computer Vision, mainly in the context of our research at the Dept. of Computer Science and Artificial Intelligence in Alicante.

Information-theoretic Computer Vision for Autonomous Robots

Pdf is also available.

"In the end they will confess"

Feature selection research dates back to the 60’s. Hughes used a general parametric model to study the accuracy of a Bayesian classifier as a function of the number of features [Hughes, 1968]. He concludes: [...]“measurement selection, reduction and combination are not proposed as developed techniques. Rather, they are illustrative of a framework for further investigation.”

Since then the research in feature selection has been a challenging field, and some have been sceptical about it. In the discussion of the paper [Miller, 1984], J.B. Copas pessimistically commented that “It has been said: if you torture the data for long enough, in the end they will confess. Errors of grammar apart, what more brutal torture can there be than subset selection? The data will always confess, and the confession will usually be wrong.” Also, R.L. Plackett stated: “If variable elimination has not been sorted out after two decades of work assisted by high-speed computing, then perhaps the time has come to move on to other problems.”

Despite the computationally challenging scenario, the research in this direction continued. “As of 1997, when a special issue on relevance including several papers on variable and feature selection was published [Blum and Langley, 1997, Kohavi and John, 1997], few domains explored used more than 40 features.”, [Guyon and Elisseeff, 2003].

Nowadays machine learning and data acquisition advances demand the processing of data with thousands of features. An example is microarray processing. Wang and Gotoh work on molecular classification and qualify feature selection as “one intractable problem [...] is how to reduce the exceedingly high-dimensional gene expression data, which contain a large amount of noise” [Wang and Gotoh, 2009].

Thanks to the advances produced in entropy estimation during the last two decades, the subject of my Ph.D. Thesis [Bonev, 2010] was on feature selection in high-dimensional feature spaces.

[Hughes, 1968] G. F. Hughes. "On the mean accuracy of statistical pattern recognizers". IEEE Trransactions on Information Theory.

[Miller, 1984] A. J. Miller. "Selection of subsets of regression variables". Journal of the Royal Statistical Society.

[Blum and Langley, 1997] A. Blum and P. Langley. "Selection of relevant features and examples in machine learning". Artificial Intelligence.

[Kohavi and John, 1997] R. Kohavi and G. H. John. "Wrappers for feature subset selection". Artificial Intelligence.

[Guyon and Elisseeff, 2003] I. Guyon and A. Elisseeff. "An introduction to variable and feature selection". Journal of Machine Learning Research.
[Wang and Gotoh, 2009] X. Wang and O. Gotoh. "Accurate molecular classification of cancer using simple rules". BMC Medical Genomics. 

[Bonev, 2010] B. Bonev. "Feature Selection based on Information Theory". Thesis (pdf 10MB)