Mission Blue Voyage
Barbara Block: Tagging tuna in the deep ocean
Barbara Block: A nyílt óceáni tonhalak megjelölése
Filmed:
Readability: 4.4
368,018 views
A tonhalak a nyílt óceán atlétái — gyors, nagy hatótávolságú ragadozók, melyek szokásait csak most kezdjük megérteni. Barbara Block tengerbiológus jeladóval kiegészített nyomkövető csipeket ültet a tonhalakba. A csipek példa nélküli mennyiségű adatot rögzítenek e bámulatos, veszélyeztetett halfajokról, s óceáni élőhelyükről.
Barbara Block - Marine biologist
Barbara Block studies how tuna, billfish and sharks move around (and stay warm) in the open ocean. Knowing how these large predators travel through pelagic waters will help us understand their role in the wider ocean ecosystem. Full bio
Barbara Block studies how tuna, billfish and sharks move around (and stay warm) in the open ocean. Knowing how these large predators travel through pelagic waters will help us understand their role in the wider ocean ecosystem. Full bio
Double-click the English transcript below to play the video.
00:15
I've been fascinated for a lifetime
0
0
3000
Egész életemben lenyűgözött
00:18
by the beauty, form and function
1
3000
2000
a kékúszójú tonhal szépsége,
00:20
of giant bluefin tuna.
2
5000
3000
formája és életmódja.
00:23
Bluefin are warmblooded like us.
3
8000
3000
A kékúszójú tonhalak melegvérűek,
mint az emberek.
mint az emberek.
00:26
They're the largest of the tunas,
4
11000
3000
A kékúszójú a legnagyobb létező tonhal,
00:29
the second-largest fish in the sea -- bony fish.
5
14000
3000
a második legnagyobb csontos tengeri hal.
00:32
They actually are a fish
6
17000
2000
A kékúszójú tonhal
00:34
that is endothermic --
7
19000
2000
endoterm, ami azt jelenti,
00:36
powers through the ocean with warm muscles like a mammal.
8
21000
3000
hogy meleg izmokkal úszik
az óceánban, mint az emlősök.
az óceánban, mint az emlősök.
00:40
That's one of our bluefin at the Monterey Bay Aquarium.
9
25000
3000
Ez a monterey-i akváriumban élő
egyik tonhalunk.
egyik tonhalunk.
00:43
You can see in its shape and its streamlined design
10
28000
3000
A áramvonalas felépítésén látszik,
00:46
it's powered for ocean swimming.
11
31000
3000
hogy óceáni úszáshoz alkalmazkodott.
00:49
It flies through the ocean on its pectoral fins, gets lift,
12
34000
3000
Szinte repül a mellúszóin,
00:52
powers its movements
13
37000
2000
felemelkedik, és félhold alakú farkuszonya
00:54
with a lunate tail.
14
39000
2000
segítségével ad erőt a mozdulatainak.
00:56
It's actually got a naked skin for most of its body,
15
41000
3000
Majdnem egész testét csupasz bőr fedi,
00:59
so it reduces friction with the water.
16
44000
3000
így kisebb a víz által kifejtett
közegellenállás.
közegellenállás.
01:02
This is what one of nature's finest machines.
17
47000
3000
A tonhal teste a természet egyik
legkifinomultabb gépezete.
legkifinomultabb gépezete.
01:05
Now, bluefin
18
50000
2000
A történelem során
01:07
were revered by Man
19
52000
2000
az ember mindig is tisztelte
01:09
for all of human history.
20
54000
3000
a kékúszójú tonhalakat.
01:12
For 4,000 years, we fished sustainably for this animal,
21
57000
3000
Négyezer éven keresztül
fenntarthatóan halásztuk őket.
fenntarthatóan halásztuk őket.
01:15
and it's evidenced
22
60000
2000
Nyomot hagytak
01:17
in the art that we see
23
62000
2000
több ezer éves
01:19
from thousands of years ago.
24
64000
2000
művészeti alkotásokban is.
01:21
Bluefin are in cave paintings in France.
25
66000
3000
Tonhalat barlangrajzokon
is találhatunk, pl. Franciaországban.
is találhatunk, pl. Franciaországban.
01:24
They're on coins
26
69000
2000
Több mint háromezer éves
01:26
that date back 3,000 years.
27
71000
3000
pénzérmékre is felkerültek.
01:29
This fish was revered by humankind.
28
74000
3000
Az emberiség tisztelte ezt a fajt.
01:32
It was fished sustainably
29
77000
2000
Fenntarthatóan halászták
01:34
till all of time,
30
79000
2000
évezredekig, amíg a mi nemzedékünk
01:36
except for our generation.
31
81000
2000
meg nem jelent a Földön.
01:38
Bluefin are pursued wherever they go --
32
83000
3000
A kékúszójú tonhalat
mindenütt üldözik:
mindenütt üldözik:
01:41
there is a gold rush on Earth,
33
86000
2000
aranyláz tört ki a Földön,
01:43
and this is a gold rush for bluefin.
34
88000
2000
illetve kékúszójú tonhal-láz.
01:45
There are traps that fish sustainably
35
90000
2000
Van olyan háló, mellyel fenntarthatóan
01:47
up until recently.
36
92000
3000
lehet őket halászni, de mindez a múlté.
01:50
And yet, the type of fishing going on today,
37
95000
3000
A korszerű kerítőhálós halászat,
01:53
with pens, with enormous stakes,
38
98000
3000
amely hatalmas üzlet,
01:56
is really wiping bluefin
39
101000
2000
eltüntetheti a kékúszójú tonhalat
01:58
ecologically off the planet.
40
103000
2000
bolygónk színéről.
02:00
Now bluefin, in general,
41
105000
2000
A kékúszójú tonhalat általában
02:02
goes to one place: Japan.
42
107000
2000
Japánba szállítják.
02:04
Some of you may be guilty
43
109000
2000
Önök közül is sokan hozzájárulhattak
02:06
of having contributed to the demise of bluefin.
44
111000
2000
állományának hanyatlásához.
02:08
They're delectable muscle,
45
113000
2000
A tonhal ízletes,
02:10
rich in fat --
46
115000
2000
zsírban gazdag a húsa.
02:12
absolutely taste delicious.
47
117000
2000
Fenséges íze van.
02:14
And that's their problem; we're eating them to death.
48
119000
3000
S az a vége: az utolsó darabig felfaljuk.
02:17
Now in the Atlantic, the story is pretty simple.
49
122000
3000
Az atlanti-óceáni helyzet
aránylag egyszerű.
aránylag egyszerű.
02:20
Bluefin have two populations: one large, one small.
50
125000
3000
Két kékúszójú populáció van:
egy kis- és egy nagyméretű.
egy kis- és egy nagyméretű.
02:23
The North American population
51
128000
2000
Az észak-amerikai populációból
02:25
is fished at about 2,000 ton.
52
130000
3000
évente max. 2000 tonnát halásznak.
02:28
The European population and North African -- the Eastern bluefin tuna --
53
133000
3000
Az európait és az észak-afrikait
– a keleti kékúszójút –
– a keleti kékúszójút –
02:31
is fished at tremendous levels:
54
136000
3000
hihetetlen mennyiségben halásszák:
02:34
50,000 tons over the last decade almost every year.
55
139000
3000
az utolsó évtized során évente
kb. ötvenezer tonnát fogtak ki.
kb. ötvenezer tonnát fogtak ki.
02:37
The result is whether you're looking
56
142000
2000
Ennek eredményeképpen
02:39
at the West or the Eastern bluefin population,
57
144000
3000
hihetetlenül megcsappant
02:42
there's been tremendous decline on both sides,
58
147000
2000
mind a nyugati, mind a keleti populáció.
02:44
as much as 90 percent
59
149000
2000
Az 1950-ben feljegyzett
02:46
if you go back with your baseline
60
151000
2000
mennyiséghez képest
02:48
to 1950.
61
153000
2000
nem kevesebb, mint 90%-kal.
02:50
For that, bluefin have been given a status
62
155000
3000
Emiatt a kékúszójú tonhal
02:53
equivalent to tigers, to lions,
63
158000
3000
ugyanolyan sorsra jutott mára,
mint a tigrisek, oroszlánok
mint a tigrisek, oroszlánok
02:56
to certain African elephants
64
161000
2000
és az afrikai elefántok bizonyos fajtái,
02:58
and to pandas.
65
163000
2000
meg a pandamedvék.
03:00
These fish have been proposed
66
165000
2000
Az egyik két hónapos javaslat értelmében
03:02
for an endangered species listing in the past two months.
67
167000
3000
ideje lenne besorolni
a veszélyeztetett fajok közé.
a veszélyeztetett fajok közé.
03:05
They were voted on and rejected
68
170000
2000
A javaslatról két hete szavaztak.
03:07
just two weeks ago,
69
172000
2000
Elutasították, bár két bizottság
03:09
despite outstanding science
70
174000
2000
kiváló tudományos elemzései
03:11
that shows from two committees
71
176000
3000
egyértelműen bizonyítják,
03:14
this fish meets the criteria of CITES I.
72
179000
3000
hogy a faj megfelel a CITES I
követelményeinek.
követelményeinek.
03:17
And if it's tunas you don't care about,
73
182000
2000
S ha a tonhalak sorsa nem érdekli
03:19
perhaps you might be interested
74
184000
2000
önöket, akkor gondoljanak arra,
03:21
that international long lines and pursing
75
186000
2000
hogy a horogsoros és vonóhálós flották
03:23
chase down tunas and bycatch animals
76
188000
3000
sok másféle tengeri élőlényt is kifognak.
03:26
such as leatherbacks, sharks,
77
191000
2000
Így kérges teknősöket, albatroszokat,
03:28
marlin, albatross.
78
193000
2000
vitorláskardos-halakat és cápákat is.
03:30
These animals and their demise
79
195000
2000
Ezen állományok megcsappanását
03:32
occurs in the tuna fisheries.
80
197000
3000
is a tonhal túlhalászása okozza.
03:35
The challenge we face
81
200000
2000
A legnagyobb bökkenő,
03:37
is that we know very little about tuna,
82
202000
3000
hogy nem tudunk eleget a tonhalakról.
03:40
and everyone in the room knows what it looks like
83
205000
3000
A jelenlevők közül szinte
03:43
when an African lion
84
208000
2000
mindenki tudja, milyen az,
03:45
takes down its prey.
85
210000
2000
ha egy afrikai oroszlán lecsap áldozatára.
03:47
I doubt anyone has seen a giant bluefin feed.
86
212000
3000
Kétlem, hogy bárki látta volna
a kékúszójú tonhalat vadászni.
a kékúszójú tonhalat vadászni.
03:50
This tuna symbolizes
87
215000
3000
A kékúszójú ezért
az előttünk álló kihívás jelképe.
03:53
what's the problem for all of us in the room.
88
218000
3000
03:56
It's the 21st century, but we really have only just begun
89
221000
3000
A 21. században vagyunk,
de még csak most kezdődött el
de még csak most kezdődött el
03:59
to really study our oceans in a deep way.
90
224000
3000
igazán az óceánok feltárása.
04:02
Technology has come of age
91
227000
2000
Korszerű eszközeinkkel
04:04
that's allowing us to see the Earth from space
92
229000
3000
az űrből figyelhetjük meg Földünket,
04:07
and go deep into the seas remotely.
93
232000
3000
s távvezérléses eszközeinkkel
mélyebbre hatolhatunk.
mélyebbre hatolhatunk.
04:10
And we've got to use these technologies immediately
94
235000
2000
E lehetőségeket azonnal ki kell használni,
04:12
to get a better understanding
95
237000
2000
hogy jobban megérthessük
04:14
of how our ocean realm works.
96
239000
3000
az óceán világának működését.
04:17
Most of us from the ship -- even I --
97
242000
2000
A fedélzetről mindannyiunknak
– nekem is –,
– nekem is –,
04:19
look out at the ocean and see this homogeneous sea.
98
244000
3000
homogénnek látszik az óceán.
04:22
We don't know where the structure is.
99
247000
2000
Nem tudjuk, milyen a szerkezete.
04:24
We can't tell where are the watering holes
100
249000
3000
Nem láthatjuk a forrásokat,
04:27
like we can on an African plain.
101
252000
3000
mint egy afrikai sztyeppén.
04:30
We can't see the corridors,
102
255000
2000
Nem láthatjuk a tengeri folyosókat sem,
04:32
and we can't see what it is
103
257000
2000
és nem tudhatjuk, mi miatt kerültek
04:34
that brings together a tuna,
104
259000
2000
egy hálóba az egymástól távol élő
04:36
a leatherback and an albatross.
105
261000
2000
kérges teknős, tonhal és albatrosz.
04:38
We're only just beginning to understand
106
263000
2000
Most kezdjük csak sejteni,
04:40
how the physical oceanography
107
265000
2000
hogy a fizikai és biológiai
04:42
and the biological oceanography
108
267000
2000
oceanográfia csak közösen,
04:44
come together
109
269000
2000
együttes erővel tud
04:46
to create a seasonal force
110
271000
2000
– képletesen szólva –
olyan áramlatot alkotni,
04:48
that actually causes the upwelling
111
273000
2000
amely helyrehozza a különlegesen
veszélyeztetett helyeket.
veszélyeztetett helyeket.
04:50
that might make a hot spot a hope spot.
112
275000
3000
04:53
The reasons these challenges are great
113
278000
2000
Azért bonyolult a feladat,
04:55
is that technically it's difficult to go to sea.
114
280000
3000
mert nehéz kijutni a nyílt tengerre.
04:58
It's hard to study a bluefin on its turf,
115
283000
2000
Szinte lehetetlen a tonhalat élőhelyén,
05:00
the entire Pacific realm.
116
285000
2000
a Csendes-óceánban tanulmányozni.
05:02
It's really tough to get up close and personal with a mako shark
117
287000
4000
Ugyanígy rendkívül nehéz
egy makócápa közelébe férkőzni,
egy makócápa közelébe férkőzni,
05:06
and try to put a tag on it.
118
291000
2000
és megjelölni.
05:08
And then imagine being Bruce Mate's team from OSU,
119
293000
3000
S próbáljuk meg elképzelni
Bruce Mate kutatóit az OSU-ról,
Bruce Mate kutatóit az OSU-ról,
05:11
getting up close to a blue whale
120
296000
2000
amint egy kék bálnát akarnak megjelölni;
05:13
and fixing a tag on the blue whale that stays,
121
298000
3000
vajon közben az állat nyugton marad?
05:16
an engineering challenge
122
301000
2000
Nem akármilyen próbatétel ez,
05:18
we've yet to really overcome.
123
303000
2000
nem is sikerült még megoldani.
05:20
So the story of our team, a dedicated team,
124
305000
3000
A mi kutatócsoportunkat akár
'fish and chips'-nek is nevezhetnénk.
05:23
is fish and chips.
125
308000
2000
05:25
We basically are taking
126
310000
2000
Ugyanazokat a csipeket használjuk mi is,
05:27
the same satellite phone parts,
127
312000
2000
mint a műholdas telefonok,
05:29
or the same parts that are in your computer, chips.
128
314000
3000
vagy mint a személyi számítógépek.
05:32
We're putting them together in unusual ways,
129
317000
3000
Más módon rakjuk őket össze,
05:35
and this is taking us into the ocean realm
130
320000
2000
s így forradalmian új bepillantást
05:37
like never before.
131
322000
2000
nyerhetünk az óceán világába.
05:39
And for the first time,
132
324000
2000
Először nyílt lehetőségünk arra,
05:41
we're able to watch the journey of a tuna beneath the ocean
133
326000
3000
hogy megfigyeljük a tonhal útját
05:44
using light and photons
134
329000
2000
az óceán mélyén, fény és fotonok
05:46
to measure sunrise and sunset.
135
331000
3000
segítségével, amelyek a napfelkeltét
és a naplementét mérik.
és a naplementét mérik.
05:49
Now, I've been working with tunas for over 15 years.
136
334000
3000
Én már több mint 15 éve
foglalkozom tonhalakkal.
foglalkozom tonhalakkal.
05:52
I have the privilege of being a partner
137
337000
2000
Megtiszteltetés a monterey-i akvárium
05:54
with the Monterey Bay Aquarium.
138
339000
2000
partnerének lennünk.
05:56
We've actually taken a sliver of the ocean,
139
341000
2000
Például kiállítottuk
05:58
put it behind glass,
140
343000
2000
az óceán egy részletét is,
06:00
and we together
141
345000
2000
amelyben kékúszójú és
06:02
have put bluefin tuna and yellowfin tuna on display.
142
347000
3000
sárgaúszójú tonhalak láthatók.
06:05
When the veil of bubbles lifts every morning,
143
350000
3000
Mikor reggelente felemelkedik
a buborékfüggöny,
a buborékfüggöny,
06:08
we can actually see a community from the Pelagic ocean,
144
353000
3000
a nyílt óceán élővilágát
vehetjük szemügyre.
vehetjük szemügyre.
06:11
one of the only places on Earth
145
356000
2000
Az Akvárium egyike azon
ritka helyeknek,
ritka helyeknek,
06:13
you can see giant bluefin swim by.
146
358000
3000
ahol kékúszójú tonhalat láthatnak.
06:16
We can see in their beauty of form and function,
147
361000
2000
Csodálhatják formájuk, mozgásuk szépségét,
szüntelen tevékenykedésüket.
06:19
their ceaseless activity.
148
364000
2000
Mintha repülnének az óceán mélyén.
06:21
They're flying through their space, ocean space.
149
366000
3000
06:24
And we can bring two million people a year
150
369000
2000
Évente kétmillió látogató
06:26
into contact with this fish
151
371000
2000
gyönyörködhet itt
06:28
and show them its beauty.
152
373000
3000
kékúszójú tonhalakban.
06:31
Behind the scenes is a working lab at Stanford University
153
376000
3000
A kulisszák mögött egy stanfordi
kutatólaboratórium rejtőzik,
kutatólaboratórium rejtőzik,
06:34
partnered with the Monterey Bay Aquarium.
154
379000
2000
amely a Monterey-öböl
Akvárium partnere.
Akvárium partnere.
06:36
Here, for over 14 or 15 years,
155
381000
2000
Itt már több, mint 14 éve
06:38
we've actually brought in
156
383000
2000
tartunk kékúszójú és
06:40
both bluefin and yellowfin in captivity.
157
385000
2000
sárgaúszójú tonhalat fogságban.
06:42
We'd been studying these fish,
158
387000
2000
Először természetesen
06:44
but first we had to learn how to husbandry them.
159
389000
2000
meg kellett tanulnunk a tartásukat.
06:46
What do they like to eat?
160
391000
2000
Mi a kedvenc táplálékuk?
06:48
What is it that they're happy with?
161
393000
2000
Milyen körülmények közt
érzik jól magukat?
érzik jól magukat?
06:50
We go in the tanks with the tuna -- we touch their naked skin --
162
395000
3000
Beléphetünk a tonhalak tartályaiba,
s megérinthetjük a bőrüket.
s megérinthetjük a bőrüket.
06:53
it's pretty amazing. It feels wonderful.
163
398000
3000
Csodálatos érzés.
06:56
And then, better yet,
164
401000
2000
Ráadásul néhány munkatársunk
06:58
we've got our own version of tuna whisperers,
165
403000
2000
akár tonhal-bűvölőnek is beillik.
07:00
our own Chuck Farwell, Alex Norton,
166
405000
2000
Kollégáink, Chuck Farwell és Alex Norton
07:02
who can take a big tuna
167
407000
2000
egy mozdulattal befogják
07:04
and in one motion,
168
409000
2000
a tonhalakat,
07:06
put it into an envelope of water,
169
411000
2000
s óceánvízzel teli zsákba helyezik őket.
07:08
so that we can actually work with the tuna
170
413000
2000
Így tapasztalhatjuk ki
07:10
and learn the techniques it takes
171
415000
2000
az olyan trükköket,
07:12
to not injure this fish
172
417000
2000
melyek segítségével épen foghatjuk ki
07:14
who never sees a boundary in the open sea.
173
419000
3000
a vadon élő példányokat.
07:17
Jeff and Jason there, are scientists
174
422000
2000
Jeff és Jason van a képen.
07:19
who are going to take a tuna
175
424000
2000
Mindketten tudósok, és éppen
07:21
and put it in the equivalent of a treadmill, a flume.
176
426000
3000
úsztató csatornába
teszik az egyik tonhalat.
teszik az egyik tonhalat.
07:24
And that tuna thinks it's going to Japan, but it's staying in place.
177
429000
3000
Ez a tonhal úgy véli, Japánba tart,
de helyben úszik.
de helyben úszik.
07:27
We're actually measuring its oxygen consumption,
178
432000
2000
Mi pedig megmérjük,
mennyi oxigént
mennyi oxigént
07:29
its energy consumption.
179
434000
2000
és energiát fogyaszt úszás közben.
07:32
We're taking this data and building better models.
180
437000
3000
Az adatok alapján
jobb modelleket készíthetünk.
jobb modelleket készíthetünk.
07:35
And when I see that tuna -- this is my favorite view --
181
440000
3000
S mikor elnézem a tonhalat,
– ez itt kedvenc látószögem –,
– ez itt kedvenc látószögem –,
07:38
I begin to wonder:
182
443000
2000
az jár a fejemben: vajon hogy oldotta meg
07:40
how did this fish solve the longitude problem before we did?
183
445000
3000
ez a faj az embert megelőzve
a tájékozódás dilemmáját?
a tájékozódás dilemmáját?
07:44
So take a look at that animal.
184
449000
2000
Nézzék csak meg jól ezt a példányt.
07:46
That's the closest you'll probably ever get.
185
451000
2000
Közelebb valószínűleg sosem jutnak hozzá.
07:48
Now, the activities from the lab
186
453000
3000
A laborban végzett tevékenység
07:51
have taught us now how to go out in the open ocean.
187
456000
3000
felkészített minket
a nyílt óceáni munkákra.
a nyílt óceáni munkákra.
07:54
So in a program called Tag-A-Giant
188
459000
3000
Egy program keretében,
amely "Címkézz meg egy óriást"
amely "Címkézz meg egy óriást"
07:57
we've actually gone from Ireland to Canada,
189
462000
3000
néven fut, elmentünk Írországtól egészen
Kanadáig, Korzikától Spanyolországig.
08:00
from Corsica to Spain.
190
465000
2000
08:02
We've fished with many nations around the world
191
467000
3000
Világszerte sok néppel
08:05
in an effort to basically
192
470000
2000
halásztunk már együtt,
hogy pici számítógépeket ültessünk
08:07
put electronic computers
193
472000
3000
08:10
inside giant tunas.
194
475000
2000
az óriási tonhalakba.
08:12
We've actually tagged 1,100 tunas.
195
477000
3000
Idáig 1100 tonhalat sikerült megjelölnünk.
08:15
And I'm going to show you three clips,
196
480000
2000
S most három klipet szeretnék mutatni,
08:17
because I tagged 1,100 tunas.
197
482000
3000
mert én magam 1100 tonhalat jelöltem meg!
08:20
It's a very hard process, but it's a ballet.
198
485000
3000
Nehéz folyamat, pontosan koreografáltuk.
08:23
We bring the tuna out, we measure it.
199
488000
3000
A hajóra vonjuk a tonhalat,
majd megmérjük.
majd megmérjük.
08:26
A team of fishers, captains, scientists and technicians
200
491000
3000
Egy halászokból,
kapitányokból, tudósokból
kapitányokból, tudósokból
08:29
work together to keep this animal out of the ocean
201
494000
3000
és műszakiakból álló csoport közös erővel
08:32
for about four to five minutes.
202
497000
3000
a hajón tartja az állatot kb. 4-5 percig.
08:35
We put water over its gills, give it oxygen.
203
500000
3000
Vizet pumpálunk a kopoltyúira,
oxigénnel is ellátjuk.
oxigénnel is ellátjuk.
08:38
And then with a lot of effort, after tagging,
204
503000
3000
S miután sikerült címkével megjelölnünk,
08:41
putting in the computer,
205
506000
2000
betápláljuk az adatait a számítógépbe.
08:43
making sure the stalk is sticking out so it senses the environment,
206
508000
3000
Úgy erősítjük rá a csipet,
hogy érzékelje a környezetét.
hogy érzékelje a környezetét.
08:46
we send this fish back into the sea.
207
511000
3000
Nagy erőfeszítés árán
visszalökjük a halat az óceánba.
visszalökjük a halat az óceánba.
08:49
And when it goes, we're always happy.
208
514000
2000
S mikor ismét vízbe ér,
megkönnyebbülünk.
megkönnyebbülünk.
08:51
We see a flick of the tail.
209
516000
2000
A hal pedig legyint egyet az uszonyával.
08:53
And from our data that gets collected,
210
518000
3000
Mikor visszakerül hozzánk a címkéje,
08:56
when that tag comes back,
211
521000
2000
mert ezerdolláros jutalom fejében
08:58
because a fisher returns it
212
523000
2000
a halászok visszajuttatják nekünk,
09:00
for a thousand-dollar reward,
213
525000
2000
az összegyűjtött adatokból
09:02
we can get tracks beneath the sea
214
527000
2000
nyomon követhetjük
09:04
for up to five years now,
215
529000
2000
immár öt éve
09:06
on a backboned animal.
216
531000
2000
a tonhal útvonalát az óceánban.
09:08
Now sometimes the tunas are really large,
217
533000
3000
A tonhalak néha hatalmasra nőnek
09:11
such as this fish off Nantucket.
218
536000
2000
mint pl. ez a nantucketi példány.
09:13
But that's about half the size
219
538000
2000
De még ő is csak feleakkora,
09:15
of the biggest tuna we've ever tagged.
220
540000
2000
mint a legnagyobb megjelölt példányunk.
09:17
It takes a human effort,
221
542000
2000
Fáradságos munka
09:19
a team effort, to bring the fish in.
222
544000
2000
becserkészni őket.
09:21
In this case, what we're going to do
223
546000
2000
Ezt a tonhalat
09:23
is put a pop-up satellite archival tag on the tuna.
224
548000
3000
műholdas címkével látjuk el.
09:27
This tag rides on the tuna,
225
552000
2000
A címke a hal hátán "lovagol",
09:29
senses the environment around the tuna
226
554000
3000
érzékeli a hal környezetét
09:32
and actually will come off the fish,
227
557000
3000
majd egyszer csak leválik róla,
09:35
detach, float to the surface
228
560000
2000
a felszínre bukkan, mint egy bója,
09:37
and send back to Earth-orbiting satellites
229
562000
3000
és a Föld körül keringő műholdnak
09:40
position data estimated by math on the tag,
230
565000
3000
elküldi összes tárolt adatát: helyzetéről,
09:43
pressure data and temperature data.
231
568000
3000
a nyomásról és a hőmérsékletről.
09:46
And so what we get then from the pop-up satellite tag
232
571000
2000
Az ilyen műholdas címkékkel
09:48
is we get away from having to have a human interaction
233
573000
3000
emberi beavatkozás nélkül is
09:51
to recapture the tag.
234
576000
2000
be lehet gyűjteni az adatokat.
09:53
Both the electronic tags I'm talking about are expensive.
235
578000
3000
Mindkét elektronikus címke drága.
09:56
These tags have been engineered
236
581000
2000
Sok észak-amerikai kutatócsoport
09:58
by a variety of teams in North America.
237
583000
3000
mérnöki munkájának köszönhetjük őket.
10:01
They are some of our finest instruments,
238
586000
2000
A legkifinomultabb
10:03
our new technology in the ocean today.
239
588000
3000
óceánkutató eszközeink közé tartoznak.
10:07
One community in general
240
592000
2000
Egy közösség többet segített nekünk
10:09
has given more to help us than any other community.
241
594000
2000
bármely másiknál.
10:11
And that's the fisheries off the state of North Carolina.
242
596000
3000
Az észak-karolinai partokon lévő
halászatokra gondolok.
halászatokra gondolok.
10:14
There are two villages, Harris and Morehead City,
243
599000
3000
Két falu van ott, Harris és Morehead City,
10:17
every winter for over a decade,
244
602000
2000
amelyek egy évtizede minden télen
10:19
held a party called Tag-A-Giant,
245
604000
3000
a "Címkézz meg egy óriást"
összejövetel házigazdái,
összejövetel házigazdái,
10:22
and together, fishers worked with us
246
607000
2000
s velünk együtt ők is
10:24
to tag 800 to 900 fish.
247
609000
3000
8-900 tonhalat címkéztek meg.
10:27
In this case, we're actually going to measure the fish.
248
612000
3000
Itt mérjük a halakat.
10:30
We're going to do something that in recent years we've started:
249
615000
3000
Még egy dolgot tervezünk,
amire csak pár éve van lehetőségünk.
amire csak pár éve van lehetőségünk.
10:33
take a mucus sample.
250
618000
2000
Nyálkamintát vettünk.
10:35
Watch how shiny the skin is; you can see my reflection there.
251
620000
3000
Nézzék, hogy ragyog a hal bőre;
látszik rajta a tükörképem.
látszik rajta a tükörképem.
10:38
And from that mucus, we can get gene profiles,
252
623000
3000
A nyálkából géntérképet nyerhetünk ki.
10:41
we can get information on gender,
253
626000
2000
de megtudhatjuk a megjelölt hal nemét is.
10:43
checking the pop-up tag one more time,
254
628000
2000
Most gyorsan ellenőrizzük a csipet,
10:45
and then it's out in the ocean.
255
630000
2000
s már megy is a hal a nyílt óceánra.
10:47
And this is my favorite.
256
632000
2000
S ez a felvétel e kedvencem!
10:49
With the help of my former postdoc, Gareth Lawson,
257
634000
3000
Gareth Lawson, régi
kedves diákom segítségével
kedves diákom segítségével
10:52
this is a gorgeous picture of a single tuna.
258
637000
2000
lélegzetelállító hőtérképet készítettünk.
10:54
This tuna is actually moving on a numerical ocean.
259
639000
3000
Ez a tonhal a számok tengerében siklik.
10:57
The warm is the Gulf Stream,
260
642000
2000
Az a meleg folt a Golf-áramlat,
10:59
the cold up there in the Gulf of Maine.
261
644000
3000
a hideg pedig a Maine-áramlat.
11:02
That's where the tuna wants to go -- it wants to forage on schools of herring --
262
647000
3000
Oda igyekezne a tonhal is,
hogy heringrajokból lakmározzon.
hogy heringrajokból lakmározzon.
11:05
but it can't get there. It's too cold.
263
650000
2000
De túl hideg van hozzá.
11:07
But then it warms up, and the tuna pops in, gets some fish,
264
652000
3000
Mikor kicsit felmelegszik a víz,
a tonhal is nekiveselkedik,
a tonhal is nekiveselkedik,
11:10
maybe comes back to home base,
265
655000
2000
talán egyszer visszanéz
a hazai vizekre,
a hazai vizekre,
11:12
goes in again
266
657000
2000
aztán megint ki a nyílt óceánra,
11:14
and then comes back to winter down there in North Carolina
267
659000
3000
majd leúszik az észak-karolinai
partokra telelni,
partokra telelni,
11:17
and then on to the Bahamas.
268
662000
2000
s aztán irány a Bahamák.
S ez a kedvenc felvételem.
Három tonhal a Mexikói-öbölbe tart.
Három tonhal a Mexikói-öbölbe tart.
11:19
And my favorite scene, three tunas going into the Gulf of Mexico.
269
664000
3000
11:22
Three tunas tagged.
270
667000
2000
Mind a három meg van jelölve!
11:24
Astronomically, we're calculating positions.
271
669000
2000
Kiszámítjuk a helyzetüket.
11:26
They're coming together. That could be tuna sex --
272
671000
3000
Egymás felé úsznak. Talán párzanak is!
11:29
and there it is.
273
674000
2000
S tessék, itt a Mexikói-öbölben
11:31
That is where the tuna spawn.
274
676000
2000
ívnak a tonhalak.
11:33
So from data like this,
275
678000
2000
Az összegyűjtött adatok alapján
11:35
we're able now to put the map up,
276
680000
2000
részletes térképeket készíthetünk.
11:37
and in this map
277
682000
2000
Ezen a térképen például
11:39
you see thousands of positions
278
684000
2000
ezernyi hal helyzetét láthatják.
11:41
generated by this decade and a half of tagging.
279
686000
3000
Másfél évtized jelölési
munkájának gyümölcsét.
munkájának gyümölcsét.
11:44
And now we're showing that tunas on the western side
280
689000
3000
S most azt láthatják, hogy
11:47
go to the eastern side.
281
692000
2000
a nyugati tonhalak kelet felé úsznak.
11:49
So two populations of tunas --
282
694000
2000
Tehát két tonhal populáció van,
11:51
that is, we have a Gulf population, one that we can tag --
283
696000
2000
a Golf-áramlatosokból párat megjelöltünk.
11:53
they go to the Gulf of Mexico, I showed you that --
284
698000
3000
Ahogy láthatták, ezek a halak
a Mexikói-öböl felé tartanak.
a Mexikói-öböl felé tartanak.
11:56
and a second population.
285
701000
2000
De van egy másik populáció is.
11:58
Living amongst our tunas -- our North American tunas --
286
703000
2000
Az észak-amerikai tonhalaink közt
12:00
are European tunas that go back to the Med.
287
705000
3000
vannak európaiak is,
amelyek a Földközi-tenger felé úsznak.
amelyek a Földközi-tenger felé úsznak.
12:03
On the hot spots -- the hope spots --
288
708000
2000
A különlegesen veszélyeztetett helyeken
12:05
they're mixed populations.
289
710000
2000
keveredik a két populáció.
12:07
And so what we've done with the science
290
712000
2000
A kutatásunkkal már sikeresen
12:09
is we're showing the International Commission,
291
714000
2000
szemléltettük a nemzetközi bizottságnak,
12:11
building new models,
292
716000
2000
illetve a modelljeinken tisztán látszik,
12:13
showing them that a two-stock no-mixing model --
293
718000
2000
hogy a kétpopulációs, nem-keveredő modell,
12:15
to this day, used to reject
294
720000
3000
s amelyre hivatkozva
12:18
the CITES treaty --
295
723000
2000
a CITES egyezményt elutasították,
12:20
that model isn't the right model.
296
725000
2000
az a modell helytelen.
12:22
This model, a model of overlap,
297
727000
2000
Az új modell, melyben keverednek
12:24
is the way to move forward.
298
729000
2000
az állományok, a helyes modell.
12:26
So we can then predict
299
731000
2000
A segítségével előre kijelölhetjük
12:28
where management places should be.
300
733000
2000
az állomány-gazdálkodásra jó helyeket.
12:30
Places like the Gulf of Mexico and the Mediterranean
301
735000
3000
A Mexikói-öbölben és a Földközi-tengeren
12:33
are places where the single species,
302
738000
2000
egy fajtát, egy populációt
12:35
the single population, can be captured.
303
740000
2000
tudunk csak befogni.
12:37
These become forthright in places we need to protect.
304
742000
3000
Ezeket a helyeket
védetté kell nyilvánítani.
védetté kell nyilvánítani.
12:40
The center of the Atlantic where the mixing is,
305
745000
3000
Az Atlanti-óceán közepén,
ahol a két fajta keveredik,
ahol a két fajta keveredik,
12:43
I could imagine a policy that lets Canada and America fish,
306
748000
2000
olyan irányelvet javasolnék,
mely alapján
mely alapján
12:45
because they manage their fisheries well,
307
750000
3000
az USA és Kanada halászhatna.
Ez a két ország
Ez a két ország
12:48
they're doing a good job.
308
753000
2000
jól gazdálkodik az állományával.
12:50
But in the international realm,
309
755000
2000
De sajnos, a többi felségvízen
12:52
where fishing and overfishing has really gone wild,
310
757000
2000
a túlhalászás annyira elburjánzott,
12:54
these are the places that we have to make hope spots in.
311
759000
3000
hogy nagy, védett
területekre lenne szükség.
területekre lenne szükség.
12:57
That's the size they have to be to protect the bluefin tuna.
312
762000
3000
A faj biztonságához
kb. ekkorának kellene lenniük.
kb. ekkorának kellene lenniük.
13:00
Now in a second project
313
765000
2000
Egy másik projektben, a neve:
13:02
called Tagging of Pacific Pelagics,
314
767000
2000
a "Nyílt tengeri fajták jelölése",
13:04
we took on the planet as a team,
315
769000
2000
az egész bolygót bevállaltuk.
13:06
those of us in the Census of Marine Life.
316
771000
2000
A Tengeri Fajszámláló Program részeként,
13:08
And, funded primarily through Sloan Foundation and others,
317
773000
4000
a Sloan Alapítvány és sokan
mások támogatásának köszönhetően
mások támogatásának köszönhetően
13:12
we were able to actually go in, in our project --
318
777000
3000
belevághattunk a projektunkba.
13:15
we're one of 17 field programs
319
780000
2000
A tizenhét program egyike vagyunk.
13:17
and begin to take on tagging large numbers of predators,
320
782000
3000
Nemcsak tonhalakat, hanem
13:20
not just tunas.
321
785000
2000
sok más ragadozót is megjelöltünk.
13:22
So what we've done
322
787000
2000
Elmentünk egészen Alaszkáig
13:24
is actually gone up to tag salmon shark in Alaska,
323
789000
3000
hogy lazaccápákat jelöljünk meg,
13:27
met salmon shark on their home territory,
324
792000
3000
s hogy a természetes élőhelyükön
figyelhessük meg őket.
figyelhessük meg őket.
13:30
followed them catching salmon
325
795000
2000
Megnéztük, hogyan vadásznak.
13:32
and then went in and figured out
326
797000
2000
Ezután felfedeztük,
13:34
that, if we take a salmon and put it on a line,
327
799000
3000
hogy ha befogunk egy lazacot,
és damilra fűzzük,
és damilra fűzzük,
13:37
we can actually take up a salmon shark --
328
802000
2000
ily módon elcsíphetünk egy lazaccápát is.
13:39
This is the cousin of the white shark --
329
804000
2000
A lazaccápa a fehér cápa távoli rokona.
13:41
and very carefully --
330
806000
2000
Így hát nagyon óvatosak voltunk,
13:43
note, I say "very carefully," --
331
808000
2000
s ezt komolyan mondom ám!
13:45
we can actually keep it calm,
332
810000
2000
Csak így maradt nyugton,
13:47
put a hose in its mouth, keep it off the deck
333
812000
3000
míg mi csövet tettünk a szájába –
13:50
and then tag it with a satellite tag.
334
815000
3000
a fedélzetre nem húztuk fel,
s megjelöltük
s megjelöltük
13:53
That satellite tag will now have your shark phone home
335
818000
3000
egy műholdas üzeneteket küldő címkével,
13:56
and send in a message.
336
821000
2000
mintha "hazatelefonálna" a cápánk!
13:58
And that shark leaping there, if you look carefully, has an antenna.
337
823000
3000
Nézzék csak meg, antennája van!
14:01
It's a free swimming shark with a satellite tag
338
826000
2000
Egy vadon élő, megjelölt cápa
14:03
jumping after salmon,
339
828000
2000
éppen lazacra vadászik,
14:05
sending home its data.
340
830000
3000
de közben küld nekünk adatokat is.
14:09
Salmon sharks aren't the only sharks we tag.
341
834000
2000
Sok másféle cápát is megcímkéztünk.
14:11
But there goes salmon sharks with this meter-level resolution
342
836000
3000
De ezen a hőtérképen
egy lazaccápa útját láthatják
egy lazaccápa útját láthatják
14:14
on an ocean of temperature -- warm colors are warmer.
343
839000
3000
méterre pontosan.
A meleg színek meleg vizet jelölnek.
A meleg színek meleg vizet jelölnek.
14:17
Salmon sharks go down
344
842000
2000
A lazaccápák a trópusokig elúsznak,
14:19
to the tropics to pup
345
844000
2000
ott hozzák világra ivadékaikat,
14:21
and come into Monterey.
346
846000
2000
s a Monterey-öbölben is gyakori vendégek.
14:23
Now right next door in Monterey and up at the Farallones
347
848000
3000
Monterey közelében, a Farallon szigeteknél
14:26
are a white shark team led by Scott Anderson -- there --
348
851000
2000
Scott Anderson és Sal Jorgensen
14:28
and Sal Jorgensen.
349
853000
2000
csapatukkal fehér cápákat tanulmányoznak.
14:30
They can throw out a target --
350
855000
2000
Kitesznek a vízbe egy csalit
14:32
it's a carpet shaped like a seal --
351
857000
2000
– pl. egy fóka alakú szőnyeget –,
14:34
and in will come a white shark, a curious critter
352
859000
3000
s már siet is oda egy fehér cápa,
mert kíváncsi ám nagyon,
mert kíváncsi ám nagyon,
14:37
that will come right up to our 16-ft. boat.
353
862000
3000
akár a 15 méteres hajónk közelébe
is odamerészkedik.
is odamerészkedik.
14:40
It's a several thousand-pound animal.
354
865000
2000
Több ezer kilós állatok.
14:42
And we'll wind in the target.
355
867000
3000
Most szépen behúzzuk a csalit.
14:45
And we'll place an acoustic tag
356
870000
2000
Ellátjuk a cápát egy akusztikus címkével,
14:47
that says, "OMSHARK 10165,"
357
872000
2000
amely üzenetet küld: "OMSHARK10165",
14:49
or something like that, acoustically with a ping.
358
874000
3000
vagy ilyesfélét, akusztikus úton: sípol.
14:52
And then we'll put on a satellite tag
359
877000
2000
Ezután kap egy műholdas címkét is,
14:54
that will give us the long-distance journeys
360
879000
3000
adataiból egy fényen alapuló
helymeghatározó algoritmussal
helymeghatározó algoritmussal
14:57
with the light-based geolocation algorithms
361
882000
2000
a cápára erősített számítógép
14:59
solved on the computer that's on the fish.
362
884000
3000
kiszámítja az állat útját.
15:02
So in this case, Sal's looking at two tags there,
363
887000
3000
Sal ezen térképen két
címke adatait ábrázolta,
címke adatait ábrázolta,
15:05
and there they are: the white sharks of California
364
890000
3000
ezen a vonalon úsznak
a kaliforniai fehér cápák.
a kaliforniai fehér cápák.
15:08
going off to the white shark cafe and coming back.
365
893000
3000
Elúsznak egy cápa-kávézóba
s vissza is térnek.
s vissza is térnek.
Kollégáinkkal makócápákat,
15:12
We also tag makos with our NOAA colleagues,
366
897000
2000
15:14
blue sharks.
367
899000
2000
kék cápákat is címkéztünk.
15:16
And now, together, what we can see
368
901000
2000
Ezen az óceáni hőtérképen
15:18
on this ocean of color that's temperature,
369
903000
2000
makócápák és lazaccápák
15:20
we can see ten-day worms of makos and salmon sharks.
370
905000
3000
tíz nap alatt megtett útját láthatják.
15:24
We have white sharks and blue sharks.
371
909000
2000
Itt a fehér és a kék cápák útvonalát.
15:26
For the first time,
372
911000
2000
Először nyílt lehetőségünk arra,
15:28
an ecoscape as large as ocean-scale,
373
913000
2000
hogy feltérképezzük a cápák útvonalát
15:30
showing where the sharks go.
374
915000
3000
egy óceán méretű élőhelyen.
15:33
The tuna team from TOPP has done the unthinkable:
375
918000
3000
A TOPP tonhalkutató csapata
hihetetlen dolgokat ért el:
hihetetlen dolgokat ért el:
15:36
three teams tagged 1,700 tunas,
376
921000
3000
három csapatunk összesen
1700 tonhalat jelölt meg.
1700 tonhalat jelölt meg.
15:39
bluefin, yellowfin and albacore
377
924000
2000
Volt köztük kékúszójú, sárgaúszójú,
15:41
all at the same time --
378
926000
2000
és hosszú szárnyú is, nem válogattunk.
15:43
carefully rehearsed tagging programs
379
928000
2000
Jól kidolgozott címkéző programok ezek.
15:45
in which we go out, pick up juvenile tunas,
380
930000
3000
Kihajózunk, fiatal tonhalakat fogunk be,
15:48
put in the tags that actually have the sensors,
381
933000
3000
megcímkézzük, érzékelőkkel látjuk el őket,
15:51
stick out the tuna
382
936000
2000
majd így kicicomázva
15:53
and then let them go.
383
938000
2000
ismét szabadon eresztjük őket.
15:55
They get returned, and when they get returned,
384
940000
2000
Visszatérnek az élőhelyükre,
15:57
here on a NASA numerical ocean
385
942000
3000
s mikor ezt megteszik,
16:00
you can see bluefin in blue
386
945000
2000
– nézzék itt megy a kékúszójú,
16:02
go across their corridor,
387
947000
2000
kék színnel jelölve a tengeri folyosón –,
16:04
returning to the Western Pacific.
388
949000
3000
akkor a nyugati Csendes-óceánra
térnek vissza.
térnek vissza.
16:07
Our team from UCSC has tagged elephant seals
389
952000
3000
Csapatunk elefántfókákat is megjelölt.
16:10
with tags that are glued on their heads, that come off when they slough.
390
955000
3000
A címkét a fóka fejére ragasztjuk,
hogy vedléskor lejöjjön róla.
hogy vedléskor lejöjjön róla.
16:13
These elephant seals cover half an ocean,
391
958000
3000
Az elefántfókák a fél óceánt beússzák,
16:16
take data down to 1,800 feet --
392
961000
2000
akár 600 méter mélységből is
16:18
amazing data.
393
963000
2000
küldenek még igen érdekes
adatokat.
adatokat.
16:20
And then there's Scott Shaffer and our shearwaters
394
965000
3000
Ezen a képen Scott Schafert
láthatják egy vészmadárral,
láthatják egy vészmadárral,
16:23
wearing tuna tags, light-based tags,
395
968000
3000
amely szintén tonhalaknak
szánt címkét visel,
szánt címkét visel,
16:26
that now are going to take you from New Zealand to Monterey and back,
396
971000
3000
s nézzék, Új-Zélandtól egészen
Monterey-ig repülnek, és vissza.
Monterey-ig repülnek, és vissza.
16:29
journeys of 35,000 nautical miles
397
974000
3000
Soha nem volt még lehetőségünk
16:32
we had never seen before.
398
977000
2000
65 ezer kilométeres utat dokumentálni.
16:34
But now with light-based geolocation tags that are very small,
399
979000
3000
Ezek a pici, fény alapú
helymeghatározó eszközök
helymeghatározó eszközök
16:37
we can actually see these journeys.
400
982000
2000
tették ezt lehetővé.
16:39
Same thing with Laysan albatross
401
984000
2000
Ez a helyzet a Laysan-albatrosszal is,
16:41
who travel an entire ocean
402
986000
2000
amelyek akár az egész óceánt
16:43
on a trip sometimes,
403
988000
2000
átrepülik, ha kedvük szottyan rá,
16:45
up to the same zone the tunas use.
404
990000
2000
teljesen a tonhalak élőhelyéig.
16:47
You can see why they might be caught.
405
992000
3000
Most már nyilvánvaló,
miért kerültek egy hálóba.
miért kerültek egy hálóba.
16:50
Then there's George Schillinger and our leatherback team out of Playa Grande
406
995000
3000
George Schillingert, a kérges teknős
csapat vezetőjét látják,
csapat vezetőjét látják,
éppen a Playa Grande-on
jelöl meg egy teknőst.
jelöl meg egy teknőst.
16:53
tagging leatherbacks
407
998000
2000
16:55
that go right past where we are.
408
1000000
3000
Nagyon messzire úsznak.
16:58
And Scott Benson's team
409
1003000
2000
Scott Benson csapata pedig
17:00
that showed that leatherbacks go from Indonesia
410
1005000
2000
bebizonyította, hogy a kérges hátúak
17:02
all the way to Monterey.
411
1007000
2000
Indonéziától a Monterey-öbölig elúsznak.
17:04
So what we can see on this moving ocean
412
1009000
3000
Ezen a hullámzó hőtérképen
17:07
is we can finally see where the predators are.
413
1012000
3000
pontosan láthatjuk,
hogy hova utaznak a ragadozók.
hogy hova utaznak a ragadozók.
17:10
We can actually see how they're using ecospaces
414
1015000
3000
Azt is láthatjuk, hogy az élőhelyük
17:13
as large as an ocean.
415
1018000
2000
néha a teljes óceánt felöleli.
17:15
And from this information,
416
1020000
2000
Az adataink alapján
17:17
we can begin to map the hope spots.
417
1022000
3000
megkezdhetjük a védett
területek kijelölését.
területek kijelölését.
17:20
So this is just three years of data right here --
418
1025000
2000
A képen csak három év adatait láthatják,
17:22
and there's a decade of this data.
419
1027000
2000
pedig egy évtizedről van már adatunk.
17:24
We see the pulse and the seasonal activities
420
1029000
2000
Körvonalazódik az állatok általános
17:26
that these animals are going on.
421
1031000
3000
és évszakokra jellemző tevékenysége is.
17:30
So what we're able to do with this information
422
1035000
2000
Az adataink tehát arra is jók,
17:32
is boil it down to hot spots,
423
1037000
3000
hogy feltérképezzük
a különösen veszélyeztetett helyeket.
a különösen veszélyeztetett helyeket.
17:35
4,000 deployments,
424
1040000
2000
Összesen négyezer kutatóutat szerveztünk.
17:37
a huge herculean task,
425
1042000
3000
Héraklészhez illő feladat a kétezer címke.
17:40
2,000 tags
426
1045000
2000
Elértük azonban,
17:42
in an area, shown here for the first time,
427
1047000
2000
hogy például ezen a területen
17:44
off the California coast,
428
1049000
2000
a kaliforniai part közelében
17:46
that appears to be a gathering place.
429
1051000
3000
felfedezhettünk egyféle gyülekezőhelyet.
17:50
And then for sort of an encore from these animals,
430
1055000
3000
S mintha az állatoknak tetszene a munkánk,
17:53
they're helping us.
431
1058000
2000
ők is segítenek nekünk.
17:55
They're carrying instruments
432
1060000
2000
Címkéik akár kétezer méter mélységből is
17:57
that are actually taking data down to 2,000 meters.
433
1062000
3000
szolgáltatnak adatot.
18:00
They're taking information from our planet
434
1065000
2000
A leginkább veszélyeztetett élőhelyekről
18:02
at very critical places like Antarctica and the Poles.
435
1067000
3000
adnak információt:
a Déli- és az Északi-sarkról.
a Déli- és az Északi-sarkról.
18:05
Those are seals from many countries
436
1070000
2000
A képen a szabadon eresztett fókák
18:07
being released
437
1072000
2000
a jégtakaró alatt bóklásznak,
18:09
who are sampling underneath the ice sheets
438
1074000
2000
s oceanográfiai minőségű
18:11
and giving us temperature data of oceanographic quality
439
1076000
3000
hőmérséklet-adatokkal látnak el bennünket
18:14
on both poles.
440
1079000
2000
mindkét sarkvidékről.
18:16
This data, when visualized, is captivating to watch.
441
1081000
3000
Rendkívül látványos,
ha ábrázoljuk ezt az adathalmazt.
ha ábrázoljuk ezt az adathalmazt.
18:19
We still haven't figured out best how to visualize the data.
442
1084000
3000
Még nem sikerült az ábrázolás
optimális módját megtalálni.
optimális módját megtalálni.
18:22
And then, as these animals swim
443
1087000
2000
Ezek az állatok úszás közben
18:24
and give us the information
444
1089000
2000
a klímaváltozásról adatokat közölnek,
18:26
that's important to climate issues,
445
1091000
2000
ezek nagyon fontosak.
18:28
we also think it's critical
446
1093000
2000
Rendkívül lényeges,
18:30
to get this information to the public,
447
1095000
2000
hogy mindezt nyilvánosságra hozzuk,
18:32
to engage the public with this kind of data.
448
1097000
3000
s hogy felkeltsük irántuk
a nagyközönség érdeklődését.
a nagyközönség érdeklődését.
18:35
We did this with the Great Turtle Race --
449
1100000
2000
A "Nagy Teknősverseny" kampányunkban
18:37
tagged turtles, brought in four million hits.
450
1102000
3000
a versenyt az Interneten
négymillióan követték.
négymillióan követték.
18:40
And now with Google's Oceans,
451
1105000
3000
S most a Google új Óceán
funkciójával a víz alatti világban
funkciójával a víz alatti világban
18:43
we can actually put a white shark in that ocean.
452
1108000
2000
akár egy fehér cápát is követhetnénk ott.
18:45
And when we do and it swims,
453
1110000
2000
Ha cápánk a Google óceánját szeli át,
18:47
we see this magnificent bathymetry
454
1112000
2000
csodás mélységeket láthatunk.
18:49
that the shark knows is there on its path
455
1114000
2000
A cápa jól tudja, hogy útján mi várja,
18:51
as it goes from California to Hawaii.
456
1116000
2000
ahogy Kaliforniából Hawaiira tart.
18:53
But maybe Mission Blue
457
1118000
2000
De talán a Mission Blue
18:55
can fill in that ocean that we can't see.
458
1120000
3000
feltárhatja számunkra azt az óceánt is,
amit még nem ismerünk.
amit még nem ismerünk.
18:58
We've got the capacity, NASA has the ocean.
459
1123000
3000
Megvan rá a kapacitásunk,
a NASA pedig feltérképezte az óceánt.
a NASA pedig feltérképezte az óceánt.
19:01
We just need to put it together.
460
1126000
2000
Már csak össze kellene fognunk.
19:03
So in conclusion,
461
1128000
2000
Befejezésképpen
szeretném még hozzáfűzni:
szeretném még hozzáfűzni:
19:05
we know where Yellowstone is for North America;
462
1130000
3000
tudjuk, hogy hol van
Észak-Amerika Yellowstone-ja:
Észak-Amerika Yellowstone-ja:
19:08
it's off our coast.
463
1133000
2000
a part mentén, a víz alatt.
19:10
We have the technology that's shown us where it is.
464
1135000
2000
Eszközeink föltárták a helyét.
19:12
What we need to think about perhaps for Mission Blue
465
1137000
3000
A Mission Blue teljes sikeréhez
19:15
is increasing the biologging capacity.
466
1140000
3000
növelnünk kell a bio-adattárolási
kapacitást.
kapacitást.
19:18
How is it that we can actually
467
1143000
2000
Hogyan tudnánk
19:20
take this type of activity elsewhere?
468
1145000
3000
ezt a tevékenységet máshol folytatni?
19:23
And then finally -- to basically get the message home --
469
1148000
3000
S végül, útravalóként:
19:26
maybe use live links
470
1151000
2000
tegyük élő linkek segítségével
lehetővé egy-egy kék bálna
vagy fehér cápa követését.
vagy fehér cápa követését.
19:28
from animals such as blue whales and white sharks.
471
1153000
2000
19:30
Make killer apps, if you will.
472
1155000
2000
Ha úgy tetszik,
írjanak frankó appokat.
írjanak frankó appokat.
19:32
A lot of people are excited
473
1157000
2000
Rengetegen izgatottan várták
19:34
when sharks actually went under the Golden Gate Bridge.
474
1159000
3000
például, mikor cápák úsztak át a
Golden Gate híd alatt.
Golden Gate híd alatt.
19:37
Let's connect the public to this activity right on their iPhone.
475
1162000
3000
Hadd kövessék őket
a jövőben az iPhone-jukon.
a jövőben az iPhone-jukon.
19:40
That way we do away with a few internet myths.
476
1165000
3000
Legalább így végre néhány
internet-mítosz is kihalna.
internet-mítosz is kihalna.
19:44
So we can save the bluefin tuna.
477
1169000
2000
Meg tudjuk menteni
a kékúszójú tonhalat,
a kékúszójú tonhalat,
19:46
We can save the white shark.
478
1171000
2000
és a fehér cápát is.
19:48
We have the science and technology.
479
1173000
2000
A tudás és a technológia
megvan már hozzá.
megvan már hozzá.
19:50
Hope is here. Yes we can.
480
1175000
2000
Remény is van. Igen, meg tudjuk tenni.
19:52
We need just to apply this capacity
481
1177000
2000
Minden erőnket az óceán
19:54
further in the oceans.
482
1179000
2000
további feltárására kell fordítanunk.
19:56
Thank you.
483
1181000
2000
Köszönöm figyelmüket.
19:58
(Applause)
484
1183000
2000
(Taps)
ABOUT THE SPEAKER
Barbara Block - Marine biologistBarbara Block studies how tuna, billfish and sharks move around (and stay warm) in the open ocean. Knowing how these large predators travel through pelagic waters will help us understand their role in the wider ocean ecosystem.
Why you should listen
Barbara Block takes a multidisciplinary approach to studying how large pelagic fish live and travel in the open ocean. Using novel electronic tags, Block and her team track large predators — tunas, billfish and sharks — on their ocean journeys. She also studies how and why muscle makes heat at a molecular level in fish.
Working out of Stanford's Hopkins Marine Station, Block and her colleagues run the Tuna Research and Conservation Center, a member of the Tagging of Pacific Predators (TOPP) program. Combining tracking data with physiological and genetic analyses, Block (a MacArthur "genius" grant winner) is developing population and ecological models to help us understand these fishes' roles in the ocean ecosystem — and perhaps learn to better manage these important food fish.
Barbara Block | Speaker | TED.com