Mission Blue Voyage
Barbara Block: Tagging tuna in the deep ocean
ברברה בלוק: מתייגת טונות באוקיינוס העמוק
Filmed:
Readability: 4.4
368,018 views
טונה הם ספורטאי האוקיינוס -- טורפים מהירים, בעלי טווח תנועה רחב שאת הרגליהם אנחנו רק מתחילים להבין. ברבוסה בלוק בילוגית ימית מחברת לדגי טונה תגי מעקב (הכוללים אמצעי שידור) שמקליטים מידע נהדר, על דגי הטונה שבסכנת הכחדה ועל שוכנים הים שהם פוגשים.
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
הייתי מרותקת כל חיי
00:18
by the beauty, form and function
1
3000
2000
מהיופי, הצורה ותפקודם
00:20
of giant bluefin tuna.
2
5000
3000
של דגי הטונה כחולת הסנפיר הענקיים.
00:23
Bluefin are warmblooded like us.
3
8000
3000
דגי הטונה כחולת הספיר הם בעלי "דם חם" כמונו.
00:26
They're the largest of the tunas,
4
11000
3000
הם הגדולים בטונות,.
00:29
the second-largest fish in the sea -- bony fish.
5
14000
3000
השניים בגודלם בים בין דגי הגרם.
00:32
They actually are a fish
6
17000
2000
הם למעשה דג
00:34
that is endothermic --
7
19000
2000
שצורך אנרגיה (אנדותרמים).
00:36
powers through the ocean with warm muscles like a mammal.
8
21000
3000
כוח שעובר דרך האוקינוס, עם שרירים כמו של יונקים.
00:40
That's one of our bluefin at the Monterey Bay Aquarium.
9
25000
3000
זה אחד מטונת כחולת הסנפיר שלנu באקווריום " מונטה ריי".
00:43
You can see in its shape and its streamlined design
10
28000
3000
אפשר לראות בצורתו ובעיצובו
00:46
it's powered for ocean swimming.
11
31000
3000
שכוחו מיועד לשחיה באוקינוס.
00:49
It flies through the ocean on its pectoral fins, gets lift,
12
34000
3000
הוא "עף" דרך הים בעזרת שרירי חזה, תופס תנופה,
00:52
powers its movements
13
37000
2000
ומפעיל את תנועותיו
00:54
with a lunate tail.
14
39000
2000
בעזרת זנבו.
00:56
It's actually got a naked skin for most of its body,
15
41000
3000
למעשה לטונה יש עור חשוף לרוב גופו,
00:59
so it reduces friction with the water.
16
44000
3000
לכן קטן החיכוך עם המים.
01:02
This is what one of nature's finest machines.
17
47000
3000
הוא אחד ממכונות הטבע המשובחות.
01:05
Now, bluefin
18
50000
2000
טונות כחולות ספיר
01:07
were revered by Man
19
52000
2000
נערצו על ידי האדם
01:09
for all of human history.
20
54000
3000
לכל אורך ההיסטוריה האנושית.
01:12
For 4,000 years, we fished sustainably for this animal,
21
57000
3000
כ 4,000 שנה, דגנו מתוך אחריות סביבתית לחיה זו,
01:15
and it's evidenced
22
60000
2000
והעדות לכך
01:17
in the art that we see
23
62000
2000
זו האומנות שאנו רואים
01:19
from thousands of years ago.
24
64000
2000
מלפני אלפי שנים.
01:21
Bluefin are in cave paintings in France.
25
66000
3000
טונות מתועדים בציורי מערות בצרפת.
01:24
They're on coins
26
69000
2000
הם במטבעות
01:26
that date back 3,000 years.
27
71000
3000
שתאריכם לפני 3,000 שנה.
01:29
This fish was revered by humankind.
28
74000
3000
הדג הוערץ על ידי בני אדם.
01:32
It was fished sustainably
29
77000
2000
דגנו את החיה מתוך אחריות סביבתית
01:34
till all of time,
30
79000
2000
כל הזמן,
01:36
except for our generation.
31
81000
2000
למעט הדור שלנו.
01:38
Bluefin are pursued wherever they go --
32
83000
3000
טונות נרדפות לכל מקום אליו הן הולכות.
01:41
there is a gold rush on Earth,
33
86000
2000
יש בהלה לזהב על כדור הארץ,
01:43
and this is a gold rush for bluefin.
34
88000
2000
וזו היא בהלת הזהב לטונות.
01:45
There are traps that fish sustainably
35
90000
2000
היו מלכודות דגים בעלות נזק מזערי
01:47
up until recently.
36
92000
3000
עד לאחרונה.
01:50
And yet, the type of fishing going on today,
37
95000
3000
ובכל זאת, סוג הדייג שרווח היום,
01:53
with pens, with enormous stakes,
38
98000
3000
עם המכלאות, והסכומים העצומים,
01:56
is really wiping bluefin
39
101000
2000
באמת מעלים את טונות
01:58
ecologically off the planet.
40
103000
2000
מבחינה אקולוגית.
02:00
Now bluefin, in general,
41
105000
2000
הטונות, בדרך כלל,
02:02
goes to one place: Japan.
42
107000
2000
הולכות למקום אחד, יפן.
02:04
Some of you may be guilty
43
109000
2000
חלקכם יהיה אשם
02:06
of having contributed to the demise of bluefin.
44
111000
2000
בלקיחת חלק בהשמדת הטונות.
02:08
They're delectable muscle,
45
113000
2000
שריריהם טעימים,
02:10
rich in fat --
46
115000
2000
עשירים בשומן --
02:12
absolutely taste delicious.
47
117000
2000
בהחלט טעימים מאוד.
02:14
And that's their problem; we're eating them to death.
48
119000
3000
וזאת היא הבעיה שלהם; אנחנו אוכלים אותם עד מוות.
02:17
Now in the Atlantic, the story is pretty simple.
49
122000
3000
באוקיינוס האטלנטי הסיפור פשוט מאוד.
02:20
Bluefin have two populations: one large, one small.
50
125000
3000
לטונות יש שתי אוכלוסיות, אחת גדולה, אחת קטנה.
02:23
The North American population
51
128000
2000
האוכלוסייה בצפון אמריקה
02:25
is fished at about 2,000 ton.
52
130000
3000
שאותה אנו דגים בערך 2,000 טון.
02:28
The European population and North African -- the Eastern bluefin tuna --
53
133000
3000
האוכלוסייה האירופית והצפון אפריקנית -- היא הטונה המזרחית --
02:31
is fished at tremendous levels:
54
136000
3000
שם הדייג בכמויות עצומות:
02:34
50,000 tons over the last decade almost every year.
55
139000
3000
בעשור האחרון 50,000 טון מדי שנה.
02:37
The result is whether you're looking
56
142000
2000
התוצאה היא שלכל מקום אליו אנו מסתכלים
02:39
at the West or the Eastern bluefin population,
57
144000
3000
במזרח או במערב על אוכלוסיות הטונה,
02:42
there's been tremendous decline on both sides,
58
147000
2000
יש ירידה עצומה בשני הצדדים
02:44
as much as 90 percent
59
149000
2000
עד 90 אחוז
02:46
if you go back with your baseline
60
151000
2000
אם נחזור אחורה לבסיס
02:48
to 1950.
61
153000
2000
ל-1950.
02:50
For that, bluefin have been given a status
62
155000
3000
בשביל זה, טונות הוכרו במצב
02:53
equivalent to tigers, to lions,
63
158000
3000
שווה לטיגריסים, לאריות,
02:56
to certain African elephants
64
161000
2000
לכמה פילים באפריקה
02:58
and to pandas.
65
163000
2000
ולפנדות.
03:00
These fish have been proposed
66
165000
2000
הדגים הללו הוצעו
03:02
for an endangered species listing in the past two months.
67
167000
3000
לרשימת המינים בסכנת הכחדה בחודשיים האחרונים.
03:05
They were voted on and rejected
68
170000
2000
ההצעות להכניסם לרשימות נדונו ונדחו,
03:07
just two weeks ago,
69
172000
2000
רק לפני שבועיים,
03:09
despite outstanding science
70
174000
2000
וזאת למרות מחקר יוצא דופן
03:11
that shows from two committees
71
176000
3000
שמוכיח משתי ועדות
03:14
this fish meets the criteria of CITES I.
72
179000
3000
שהדגים הללו מתאימים לקריטריון של CITES.
03:17
And if it's tunas you don't care about,
73
182000
2000
ואם לא אכפת לך מהטונות
03:19
perhaps you might be interested
74
184000
2000
אולי יהיה לך אכפת
03:21
that international long lines and pursing
75
186000
2000
שקבוצות דיג עם רשתות ארוכות טווח
03:23
chase down tunas and bycatch animals
76
188000
3000
צדות טונות וחיות
03:26
such as leatherbacks, sharks,
77
191000
2000
כמו כרישים,
03:28
marlin, albatross.
78
193000
2000
דגי חרב, ואבטרוס,
03:30
These animals and their demise
79
195000
2000
החיות הללו והמוות שלהם
03:32
occurs in the tuna fisheries.
80
197000
3000
מתרחשות באזורי הדיג של הטונה.
03:35
The challenge we face
81
200000
2000
האתגר מולו אנחנו מתמודדים
03:37
is that we know very little about tuna,
82
202000
3000
הוא שאנחנו יודעים מעט מאוד על טונות,
03:40
and everyone in the room knows what it looks like
83
205000
3000
למשל כולם בחדר יודעים איך זה נראה
03:43
when an African lion
84
208000
2000
כשאריה אפריקני
03:45
takes down its prey.
85
210000
2000
מכניע את טרפו.
03:47
I doubt anyone has seen a giant bluefin feed.
86
212000
3000
אני בספק אם משהו ראה טונה כחולת ספיר אוכלת.
03:50
This tuna symbolizes
87
215000
3000
הטונה הזאת מסמלת
03:53
what's the problem for all of us in the room.
88
218000
3000
את הבעיה של כולנו בחדר זה.
03:56
It's the 21st century, but we really have only just begun
89
221000
3000
אנחנו במאה ה-21, אבל למעשה רק התחלנו
03:59
to really study our oceans in a deep way.
90
224000
3000
ללמוד את האוקיינוסים בדרך מעמיקה.
04:02
Technology has come of age
91
227000
2000
טכנולוגיה הגיעה לזמן
04:04
that's allowing us to see the Earth from space
92
229000
3000
שבו היא מאפשרת לנו לראות את כדור הארץ מהחלל
04:07
and go deep into the seas remotely.
93
232000
3000
ולהגיע לעומק הימים בשליטה מרחוק.
04:10
And we've got to use these technologies immediately
94
235000
2000
ואנחנו צריכים להשתמש בטכנולוגיה זו במהירות
04:12
to get a better understanding
95
237000
2000
בשביל לקבל הבנה יותר טובה
04:14
of how our ocean realm works.
96
239000
3000
על ממלכת האוקיינוס שלנו ואיך היא פועלת.
04:17
Most of us from the ship -- even I --
97
242000
2000
חלקנו הרב מספינה, אפילו אני,
04:19
look out at the ocean and see this homogeneous sea.
98
244000
3000
מסתכלים על האוקיינוס ורואים את הים ההומוגני.
04:22
We don't know where the structure is.
99
247000
2000
אנחנו לא מכירים את המבנה.
04:24
We can't tell where are the watering holes
100
249000
3000
אנחנו לא יכולים להגיד איפה מקווה המים
04:27
like we can on an African plain.
101
252000
3000
כמו שאנחנו יכולים להגיד על מישורי אפריקה.
04:30
We can't see the corridors,
102
255000
2000
אנחנו לא יכולים לראות מסדרונות
04:32
and we can't see what it is
103
257000
2000
ואנחנו לא יכולים לראות מה הוא הגורם
04:34
that brings together a tuna,
104
259000
2000
שמקבץ ביחד טונות,
04:36
a leatherback and an albatross.
105
261000
2000
צבי ים ואלבטרוס.
04:38
We're only just beginning to understand
106
263000
2000
אנחנו רק מתחילים להבין
04:40
how the physical oceanography
107
265000
2000
איך האוקיאנוגרפיה הפיזיקלית
04:42
and the biological oceanography
108
267000
2000
והאוקיאנוגרפיה הביולוגית
04:44
come together
109
269000
2000
מתחברות
04:46
to create a seasonal force
110
271000
2000
לייצר כוח עונתי
04:48
that actually causes the upwelling
111
273000
2000
שלמעשה גורם לעליית מי העומק
04:50
that might make a hot spot a hope spot.
112
275000
3000
שיכול לגרום לנקודה חמה להפוך לנקודת תקווה.
04:53
The reasons these challenges are great
113
278000
2000
הסיבות שהאתגרים הללו עצומים
04:55
is that technically it's difficult to go to sea.
114
280000
3000
הן שמבחינה טכנית קשה לגשת לים.
04:58
It's hard to study a bluefin on its turf,
115
283000
2000
קשה ללמוד על אזורי האכילה של טונות,
05:00
the entire Pacific realm.
116
285000
2000
ומיקומם על פני האוקינוס השקט.
05:02
It's really tough to get up close and personal with a mako shark
117
287000
4000
זה באמת קשה להתקרב לכריש מקו
05:06
and try to put a tag on it.
118
291000
2000
ולנסות לשים עליו תג זיהוי.
05:08
And then imagine being Bruce Mate's team from OSU,
119
293000
3000
דמיינו לכם להיות בקבוצת ברוס מייטס מ-OSU,
05:11
getting up close to a blue whale
120
296000
2000
מתקרב ללווייתן כחול
05:13
and fixing a tag on the blue whale that stays,
121
298000
3000
ומתקן את תג הזיהוי על הלווייתן כך שיישאר,
05:16
an engineering challenge
122
301000
2000
זהו אתגר הנדסי
05:18
we've yet to really overcome.
123
303000
2000
שעליו אנחנו עדיין צריכים להתגבר.
05:20
So the story of our team, a dedicated team,
124
305000
3000
לכן סיפור קבוצתנו, קבוצה מסורה,
05:23
is fish and chips.
125
308000
2000
נקרא דגים ותגים.
05:25
We basically are taking
126
310000
2000
אנחנו בדרך כלל לוקחים
05:27
the same satellite phone parts,
127
312000
2000
את אותם חלקי טלפון לוויני,
05:29
or the same parts that are in your computer, chips.
128
314000
3000
או את אותם חלקים שבמחשב שלכם, שבבים.
05:32
We're putting them together in unusual ways,
129
317000
3000
אנחנו מרכיבים אותם בדרכים לא רגילות,
05:35
and this is taking us into the ocean realm
130
320000
2000
וזה לוקח אותנו לממלכת האוקיינוס
05:37
like never before.
131
322000
2000
בדרך שלא נראתה קודם.
05:39
And for the first time,
132
324000
2000
ובפעם הראשונה,
05:41
we're able to watch the journey of a tuna beneath the ocean
133
326000
3000
אנחנו מסוגלים להסתכל על מסע הטונה מתחת האוקיינוס
05:44
using light and photons
134
329000
2000
בעזרת אורות ופוטונים
05:46
to measure sunrise and sunset.
135
331000
3000
למדוד שקיעה וזריחה.
05:49
Now, I've been working with tunas for over 15 years.
136
334000
3000
עכשיו, אני עובדת עם טונות מעל 15 שנה.
05:52
I have the privilege of being a partner
137
337000
2000
ויש לי את הזכות להיות בשותפות
05:54
with the Monterey Bay Aquarium.
138
339000
2000
עם האקווריום במפרץ מונטריי.
05:56
We've actually taken a sliver of the ocean,
139
341000
2000
למעשה לקחנו רסיס מהאוקיינוס,
05:58
put it behind glass,
140
343000
2000
שמנו מאחורי זכוכית,
06:00
and we together
141
345000
2000
וביחד
06:02
have put bluefin tuna and yellowfin tuna on display.
142
347000
3000
שמנו טונה כחולת סנפיר וטונה זהובת סנפיר לתצוגה.
06:05
When the veil of bubbles lifts every morning,
143
350000
3000
כשמסך הבועות עולה כל בוקר,
06:08
we can actually see a community from the Pelagic ocean,
144
353000
3000
אנחנו יכולים לראות חיי קהילה מהאוקיינוס הפתוח,
06:11
one of the only places on Earth
145
356000
2000
אחד מהמקומות היחידים בעולם
06:13
you can see giant bluefin swim by.
146
358000
3000
שבו תוכלו לראות טונות כחולות ספיר שוחות .
06:16
We can see in their beauty of form and function,
147
361000
2000
אנחנו יכולים לראות ביופי צורתם והפונקציונליות שלהם,
06:19
their ceaseless activity.
148
364000
2000
את פעילותם הבלתי פוסקת.
06:21
They're flying through their space, ocean space.
149
366000
3000
הם עפים דרך החלל שלהם, חלל האוקיינוס.
06:24
And we can bring two million people a year
150
369000
2000
ואנחנו יכולים להביא 2 מיליון אנשים בשנה
06:26
into contact with this fish
151
371000
2000
למגע עם הדג הזה
06:28
and show them its beauty.
152
373000
3000
ולהראות להם את יופיו.
06:31
Behind the scenes is a working lab at Stanford University
153
376000
3000
מאחורי הקלעים פועלת מעבדת אוניברסיטת סטנפורד
06:34
partnered with the Monterey Bay Aquarium.
154
379000
2000
ששותפה לאקווריום מפרץ מונטריי.
06:36
Here, for over 14 or 15 years,
155
381000
2000
כאן, אחרי 14 או 15 שנה,
06:38
we've actually brought in
156
383000
2000
הבאנו לכם
06:40
both bluefin and yellowfin in captivity.
157
385000
2000
גם טונה כחולת סנפיר וגם טונה זהובת סנפיר בשבי.
06:42
We'd been studying these fish,
158
387000
2000
למדנו דג זה.
06:44
but first we had to learn how to husbandry them.
159
389000
2000
אך קודם כל היינו צריכים ללמוד כיצד לגדל אותו.
06:46
What do they like to eat?
160
391000
2000
מה הם אוהבים לאכול?
06:48
What is it that they're happy with?
161
393000
2000
עם מה הם מרגישים בנוח ?
06:50
We go in the tanks with the tuna -- we touch their naked skin --
162
395000
3000
אנחנו נכנסים למכלים עם הטונות. נוגעים בעורם החשוף.
06:53
it's pretty amazing. It feels wonderful.
163
398000
3000
זה די מדהים. זה מרגיש נפלא.
06:56
And then, better yet,
164
401000
2000
ובנוסף,
06:58
we've got our own version of tuna whisperers,
165
403000
2000
יש לנו גירסא של "לוחשים לטונות"
07:00
our own Chuck Farwell, Alex Norton,
166
405000
2000
צ'ק פארוול ואלכס נורת'
07:02
who can take a big tuna
167
407000
2000
שיכולים לקחת טונה גדול
07:04
and in one motion,
168
409000
2000
ובתנועה אחת
07:06
put it into an envelope of water,
169
411000
2000
לשים אותה במעטפת בתוך מים
07:08
so that we can actually work with the tuna
170
413000
2000
בכדי שנוכל לעבוד עם הטונה
07:10
and learn the techniques it takes
171
415000
2000
וללמוד את השיטות
07:12
to not injure this fish
172
417000
2000
שבהן לו נפגע בדג
07:14
who never sees a boundary in the open sea.
173
419000
3000
שמעולם לא נתקל במחסומים בים הפתוח.
07:17
Jeff and Jason there, are scientists
174
422000
2000
ג'ף וג'ייסון הם מדענים
07:19
who are going to take a tuna
175
424000
2000
שהולכים לקחת טונה
07:21
and put it in the equivalent of a treadmill, a flume.
176
426000
3000
ולשים אותה במקבילה של ההליכון, תעלה,
07:24
And that tuna thinks it's going to Japan, but it's staying in place.
177
429000
3000
והטונה חושבת שהיא בדרכה ליפן, אבל היא נשארת במקומה.
07:27
We're actually measuring its oxygen consumption,
178
432000
2000
אנחנו למעשה מודדים את תצרוכת החמצן,
07:29
its energy consumption.
179
434000
2000
את תצרוכת האנרגיה.
07:32
We're taking this data and building better models.
180
437000
3000
אנחנו לוקחים מידע זה ובונים מודלים טובים יותר.
07:35
And when I see that tuna -- this is my favorite view --
181
440000
3000
וכשאני רואה את הטונה הזאת -- זאת דרך הראייה האהובה אלי --
07:38
I begin to wonder:
182
443000
2000
אני מתחילה לחשוב:
07:40
how did this fish solve the longitude problem before we did?
183
445000
3000
איך דג זה פתר את בעיות קוי האורך לפנינו?
07:44
So take a look at that animal.
184
449000
2000
תסתכלו על חיה זו.
07:46
That's the closest you'll probably ever get.
185
451000
2000
זה הכי קרוב שכנראה תוכלו להתקרב בחייכם.
07:48
Now, the activities from the lab
186
453000
3000
עכשיו, הפעילויות מהמעבדה
07:51
have taught us now how to go out in the open ocean.
187
456000
3000
לימדו אותנו איך לצאת לאוקיינוס הפתוח.
07:54
So in a program called Tag-A-Giant
188
459000
3000
אז בתוכנית שנקראת תייג ענק
07:57
we've actually gone from Ireland to Canada,
189
462000
3000
אנחנו למעשה נסענו מאירלנד לקנדה,
08:00
from Corsica to Spain.
190
465000
2000
מקורסיקה לספרד.
08:02
We've fished with many nations around the world
191
467000
3000
אנחנו דגנו עם הרבה עמים סביב העולם
08:05
in an effort to basically
192
470000
2000
במאמץ
08:07
put electronic computers
193
472000
3000
להחדיר מחשבונים אלקטרונים
08:10
inside giant tunas.
194
475000
2000
לתוך טונות ענקיות.
08:12
We've actually tagged 1,100 tunas.
195
477000
3000
אנחנו למעשה תייגנו 1,100 טונות.
08:15
And I'm going to show you three clips,
196
480000
2000
ואני הולכת להראות לכם שלושה קליפים,
08:17
because I tagged 1,100 tunas.
197
482000
3000
בגלל שאני תייגתי 1,100 טונות.
08:20
It's a very hard process, but it's a ballet.
198
485000
3000
התהליך קשה מאוד, אבל זה כמו בלט.
08:23
We bring the tuna out, we measure it.
199
488000
3000
אנחנו מוציאים את הטונות. מודדים אותן.
08:26
A team of fishers, captains, scientists and technicians
200
491000
3000
קבוצה של דייגים, קפטנים, מדענים וטכנאים
08:29
work together to keep this animal out of the ocean
201
494000
3000
עובדים ביחד לשמור על החיות הללו מחוץ לאקיינוס
08:32
for about four to five minutes.
202
497000
3000
במשך ארבע לחמש דקות.
08:35
We put water over its gills, give it oxygen.
203
500000
3000
אנחנו שמים מים על הזימים שלהם, מביאים להם חמצן.
08:38
And then with a lot of effort, after tagging,
204
503000
3000
ולאחר מכן עם הרבה מאמץ, אחרי תיוג,
08:41
putting in the computer,
205
506000
2000
והזנה למחשב,
08:43
making sure the stalk is sticking out so it senses the environment,
206
508000
3000
מוודאים שהמכשיר מעקב בולט כך שהוא יחוש את הסביבה.
08:46
we send this fish back into the sea.
207
511000
3000
אנחנו שולחים את הדגים חזרה למים.
08:49
And when it goes, we're always happy.
208
514000
2000
ותמיד כשהם חוזרים, אנחנו מאושרים.
08:51
We see a flick of the tail.
209
516000
2000
אנחנו רואים הצלפה של זנב.
08:53
And from our data that gets collected,
210
518000
3000
ומהמידע שאנחנו אוספים,
08:56
when that tag comes back,
211
521000
2000
כששבב זה חוזר,
08:58
because a fisher returns it
212
523000
2000
בגלל שדייג מחזיר אותו
09:00
for a thousand-dollar reward,
213
525000
2000
בעד פרס של 1,000 דולר,
09:02
we can get tracks beneath the sea
214
527000
2000
אנחנו יכולים לקבל רצועות מתחת לים
09:04
for up to five years now,
215
529000
2000
של חמש שנים עד עכשיו,
09:06
on a backboned animal.
216
531000
2000
על גבי עמוד השדרה של החיה.
09:08
Now sometimes the tunas are really large,
217
533000
3000
לפעמים הטונות באמת גדולות,
09:11
such as this fish off Nantucket.
218
536000
2000
כמו הדג הזה שמעל ננטקט (אי באוקיינוס האטלנטי).
09:13
But that's about half the size
219
538000
2000
אבל זה בערך חצי מהגודל
09:15
of the biggest tuna we've ever tagged.
220
540000
2000
של הטונות הגדולות ביותר שאנחנו תייגנו.
09:17
It takes a human effort,
221
542000
2000
זה לוקח מאמץ אנושי,
09:19
a team effort, to bring the fish in.
222
544000
2000
מאמץ קבוצתי, להביא את הדג פנימה.
09:21
In this case, what we're going to do
223
546000
2000
במקרה הזה, מה שנעשה
09:23
is put a pop-up satellite archival tag on the tuna.
224
548000
3000
זה נצמיד לטונה תג הקלטה לוויני מתנתק
09:27
This tag rides on the tuna,
225
552000
2000
תג זה רוכב על הטונה
09:29
senses the environment around the tuna
226
554000
3000
חש את הסביבה סביב הטונה
09:32
and actually will come off the fish,
227
557000
3000
ולמעשה מתנתק מן הטונה
09:35
detach, float to the surface
228
560000
2000
צף אל פני המים
09:37
and send back to Earth-orbiting satellites
229
562000
3000
ומשדר חזרה אל לווינים המקיפים את כדור הארץ
09:40
position data estimated by math on the tag,
230
565000
3000
מידע מיקומי מוערך על ידי מתמטיקה על השבב,
09:43
pressure data and temperature data.
231
568000
3000
מידע על לחץ וטמפרטורה.
09:46
And so what we get then from the pop-up satellite tag
232
571000
2000
ואז זה מה שאנחנו מקבלים מהשבב הלווייני המתנתק
09:48
is we get away from having to have a human interaction
233
573000
3000
זה שאנחנו מתרחקים מהצורך באינטראקציה אנושית
09:51
to recapture the tag.
234
576000
2000
כדי להחזיר את השבב.
09:53
Both the electronic tags I'm talking about are expensive.
235
578000
3000
שני השבבים האלקטרונים שאני מדברת עליהם יקרים מאוד.
09:56
These tags have been engineered
236
581000
2000
השבבים הללו הונדסו
09:58
by a variety of teams in North America.
237
583000
3000
על ידי מגוון צוותים מצפון אמריקה.
10:01
They are some of our finest instruments,
238
586000
2000
הם חלק מהכלים הטובים ביותר שלנו,
10:03
our new technology in the ocean today.
239
588000
3000
הטכנולוגיה הכי עכשווית באוקינוס כיום.
10:07
One community in general
240
592000
2000
קהילה אחת בגדול
10:09
has given more to help us than any other community.
241
594000
2000
הביאה יותר עזרה מכל קהילה אחרת.
10:11
And that's the fisheries off the state of North Carolina.
242
596000
3000
ואלה הם דייגי צפון קרולינה.
10:14
There are two villages, Harris and Morehead City,
243
599000
3000
יש שם שני כפרים, האריס ומורהיד סיטי.
10:17
every winter for over a decade,
244
602000
2000
כל חורף במשך עשור,
10:19
held a party called Tag-A-Giant,
245
604000
3000
עורכים מסיבה שנקראת "תייג ענק"
10:22
and together, fishers worked with us
246
607000
2000
וביחד איתנו עזרו לנו הדייגים
10:24
to tag 800 to 900 fish.
247
609000
3000
לתייג 800 עד 900 דגים.
10:27
In this case, we're actually going to measure the fish.
248
612000
3000
במקרה הזה, אנחנו הולכים למדוד את הדג.
10:30
We're going to do something that in recent years we've started:
249
615000
3000
אנחנו עומדים לעשות משהו שבשנים האחרונות התחלנו בו:
10:33
take a mucus sample.
250
618000
2000
לקחת דגימת ריר.
10:35
Watch how shiny the skin is; you can see my reflection there.
251
620000
3000
שימו לב כמה הדג מבריק: רואים את ההשתקפות שלי עליו.
10:38
And from that mucus, we can get gene profiles,
252
623000
3000
מהריר אנו יכולים לקחת את הפרופיל הגנטי שלו.
10:41
we can get information on gender,
253
626000
2000
אנו יכולים לדעת מה מינו,
10:43
checking the pop-up tag one more time,
254
628000
2000
לבדוק את התג
10:45
and then it's out in the ocean.
255
630000
2000
ואז הדג חוזר לאוקינוס.
10:47
And this is my favorite.
256
632000
2000
והדבר הבא הוא האהוב עלי.
10:49
With the help of my former postdoc, Gareth Lawson,
257
634000
3000
עזר לי בזה הדוקטור גרת' לוסון
10:52
this is a gorgeous picture of a single tuna.
258
637000
2000
זוהי תמונת מעקב יפיפיה של טונה יחיד.
10:54
This tuna is actually moving on a numerical ocean.
259
639000
3000
דג זה שוחה באוקינוס מספרי.
10:57
The warm is the Gulf Stream,
260
642000
2000
האדום זהו "זרם המפרץ"
10:59
the cold up there in the Gulf of Maine.
261
644000
3000
הכחול זה מפרץ מיין
11:02
That's where the tuna wants to go -- it wants to forage on schools of herring --
262
647000
3000
לשם הדג רוצה להגיע, הוא ניזון מלהקות מליח.
11:05
but it can't get there. It's too cold.
263
650000
2000
אך הוא לא יכול להגיע לשם. קר שם יותר מידי.
11:07
But then it warms up, and the tuna pops in, gets some fish,
264
652000
3000
אבל אז הדג "מתחמם" ודג הטונה נראה שוב בתמונה, ניזון מכמה דגים,
11:10
maybe comes back to home base,
265
655000
2000
אולי חוזר לבסיס הראשוני.
11:12
goes in again
266
657000
2000
ושוב הוא נכנס למפרץ
11:14
and then comes back to winter down there in North Carolina
267
659000
3000
ואז חוזר לחורף בצפון קרוליינה.
11:17
and then on to the Bahamas.
268
662000
2000
משם לבהאמה.
11:19
And my favorite scene, three tunas going into the Gulf of Mexico.
269
664000
3000
והסצנה האהובה עלי, שלושה טונות שוחים למפרץ מקסיקו.
11:22
Three tunas tagged.
270
667000
2000
שלושה טונות שתוייגו.
11:24
Astronomically, we're calculating positions.
271
669000
2000
בגדול אנחנו אוספים מיקומים.
11:26
They're coming together. That could be tuna sex --
272
671000
3000
הם מתאספים יחד. יכול להיות שזה מפגש מיני של טונות.
11:29
and there it is.
273
674000
2000
והנה זה.
11:31
That is where the tuna spawn.
274
676000
2000
כאן דגי הטונה משריצים.
11:33
So from data like this,
275
678000
2000
אז מנתונים כאלו,
11:35
we're able now to put the map up,
276
680000
2000
אנחנו מסוגלים ליצור מפה,
11:37
and in this map
277
682000
2000
ובמפה זו
11:39
you see thousands of positions
278
684000
2000
אתם רואים אלפי מיקומים
11:41
generated by this decade and a half of tagging.
279
686000
3000
שנוצרו בעשור וחצי האחרונים של תיוג.
11:44
And now we're showing that tunas on the western side
280
689000
3000
ועכשיו אנחנו יכולים להראות שהטונות שנמצאות בצד המערבי
11:47
go to the eastern side.
281
692000
2000
שוחים לצד המזרחי.
11:49
So two populations of tunas --
282
694000
2000
אז ישנן שתי אוכלוסיות של טונה
11:51
that is, we have a Gulf population, one that we can tag --
283
696000
2000
יש לנו את אוכלוסית המפרץ, שאנחנו יכולים לתייג אותה
11:53
they go to the Gulf of Mexico, I showed you that --
284
698000
3000
הם שוחים למפרץ מקסיקו, כמו שהראתי לכם
11:56
and a second population.
285
701000
2000
והאוכלוסיה השנייה
11:58
Living amongst our tunas -- our North American tunas --
286
703000
2000
חיה בין הטונות שלנו, טונת צפון אמריקה,
12:00
are European tunas that go back to the Med.
287
705000
3000
היא טונה ארופאית שחוזרת לאגן הים התיכון.
12:03
On the hot spots -- the hope spots --
288
708000
2000
בנקודות האדומות, נקודות ה"תקווה",
12:05
they're mixed populations.
289
710000
2000
יש אוכלוסיות מעורבבות.
12:07
And so what we've done with the science
290
712000
2000
אז מה שעשינו בעזרת המדע
12:09
is we're showing the International Commission,
291
714000
2000
הוא להראות לועדה העולמית,
12:11
building new models,
292
716000
2000
לבנות מודלים חדשים,
12:13
showing them that a two-stock no-mixing model --
293
718000
2000
להראות להם שהמודל של שתי שושלות לא מתערבבות
12:15
to this day, used to reject
294
720000
3000
שעד היום שימש כדי לדחות
12:18
the CITES treaty --
295
723000
2000
את ועדת cites
12:20
that model isn't the right model.
296
725000
2000
הוא אינו נכון.
12:22
This model, a model of overlap,
297
727000
2000
המודל שמראה חפיפה
12:24
is the way to move forward.
298
729000
2000
רק בעזרתו נוכל להתקדם קדימה.
12:26
So we can then predict
299
731000
2000
ואז נוכל לחזות
12:28
where management places should be.
300
733000
2000
היכן המקומות שבהם המעקב צריך להיות.
12:30
Places like the Gulf of Mexico and the Mediterranean
301
735000
3000
מקומות כמו מפרץ מקסיקו והים התיכון
12:33
are places where the single species,
302
738000
2000
ששם נמצא זן אחד
12:35
the single population, can be captured.
303
740000
2000
אוכלוסיה אחת, שיהיה אפשר לעקוב אחריה.
12:37
These become forthright in places we need to protect.
304
742000
3000
וזה חשוב במיוחד בקומות שאנחנו צריכים להגן עליהם.
12:40
The center of the Atlantic where the mixing is,
305
745000
3000
כמו מרכז האוקינוס האטלנטי ששם נמצאת האוכלוסיה המעורבת,
12:43
I could imagine a policy that lets Canada and America fish,
306
748000
2000
אני יכולה לדמיין מדיניות שנותנת לקנדה ואמריקה לדוג,
12:45
because they manage their fisheries well,
307
750000
3000
בגלל שהם מנהלים את הדייגים והדיג נכון,
12:48
they're doing a good job.
308
753000
2000
הם עושים עבודה טובה.
12:50
But in the international realm,
309
755000
2000
אבל בתחום הבין לאומי,
12:52
where fishing and overfishing has really gone wild,
310
757000
2000
היכן שהדייגים ודייג היתר באמת היו ללא בקרה,
12:54
these are the places that we have to make hope spots in.
311
759000
3000
במקומות אלו אנו צריכים ליצור אזורי "תקווה".
12:57
That's the size they have to be to protect the bluefin tuna.
312
762000
3000
וזה הגודל שהם צריכים להיות בכדי להגן על הטונת כחולת הסנפיר.
13:00
Now in a second project
313
765000
2000
ועכשיו פרויקט נוסף
13:02
called Tagging of Pacific Pelagics,
314
767000
2000
שנקרא לתייג את האוקיינוס השקט
13:04
we took on the planet as a team,
315
769000
2000
אנחנו לוקחים את העולם כקבוצה,
13:06
those of us in the Census of Marine Life.
316
771000
2000
אלו מאיתנו שעובדים במפקדי אוכלוסין של יצורים ימיים.
13:08
And, funded primarily through Sloan Foundation and others,
317
773000
4000
ושממומנים על ידי קרנות שקשורות לנושא,
13:12
we were able to actually go in, in our project --
318
777000
3000
יש ביכולתנו במסגרת הפרויקט
13:15
we're one of 17 field programs
319
780000
2000
שבו אנחנו קבוצה אחת מתוך 17 קבוצות "שדה"
13:17
and begin to take on tagging large numbers of predators,
320
782000
3000
להתחיל לתייג מספר רב של טורפים,
13:20
not just tunas.
321
785000
2000
לא רק טונות.
13:22
So what we've done
322
787000
2000
אז מה שעשינו
13:24
is actually gone up to tag salmon shark in Alaska,
323
789000
3000
היה ללכת לתייג את כריש הסלמון באלסקה,
13:27
met salmon shark on their home territory,
324
792000
3000
פגשנו אותם בטריטוריה הביתית שלהם,
13:30
followed them catching salmon
325
795000
2000
צפינו בהם צדים סלמון
13:32
and then went in and figured out
326
797000
2000
והסקנו
13:34
that, if we take a salmon and put it on a line,
327
799000
3000
שאם ניקח סלמון ונשים אותו על קו,
13:37
we can actually take up a salmon shark --
328
802000
2000
אנחנו ממש נוכל לקחת את כריש הסלמון
13:39
This is the cousin of the white shark --
329
804000
2000
שהוא קרוב משפחה של העמלץ הלבן..
13:41
and very carefully --
330
806000
2000
ומאוד בזהירות
13:43
note, I say "very carefully," --
331
808000
2000
שימו לב שאמרתי מאוד! בזהירות!
13:45
we can actually keep it calm,
332
810000
2000
אנחנו יכולים להשאיר אותו רגוע,
13:47
put a hose in its mouth, keep it off the deck
333
812000
3000
לשים בפיו צינור, מבלי לעלות אותו לסיפון
13:50
and then tag it with a satellite tag.
334
815000
3000
ואז לתייג אותו בתג לוויני.
13:53
That satellite tag will now have your shark phone home
335
818000
3000
מעכשיו התג הלוויני יקשור אותו ל"טלפון " הבייתי שלנו.
13:56
and send in a message.
336
821000
2000
וישלח תשדורות.
13:58
And that shark leaping there, if you look carefully, has an antenna.
337
823000
3000
והכריש שמזנק שם, אם תסתכלו טוב, מחוברת אליו אנטנה.
14:01
It's a free swimming shark with a satellite tag
338
826000
2000
זהו כריש חופשי עם תג לוויני
14:03
jumping after salmon,
339
828000
2000
שקופץ בעקבות גד סלמון,
14:05
sending home its data.
340
830000
3000
ושולח חזרה נתונים.
14:09
Salmon sharks aren't the only sharks we tag.
341
834000
2000
כרישי סלמון אינם הכרישים היחידים שתייגנו.
14:11
But there goes salmon sharks with this meter-level resolution
342
836000
3000
אבל הנה כרישי הסלמון על פי רזולוציה למטר
14:14
on an ocean of temperature -- warm colors are warmer.
343
839000
3000
על אוקיינוס של טמפרטורות, הצבעים החמים מייצגים טמפרטורות גבוהות.
14:17
Salmon sharks go down
344
842000
2000
כריש הסלמון יורד למטה
14:19
to the tropics to pup
345
844000
2000
צץ באזורים הטרופים
14:21
and come into Monterey.
346
846000
2000
ומגיע למונטריי.
14:23
Now right next door in Monterey and up at the Farallones
347
848000
3000
וממש בדלת לייד במונטריי ומעל איי פאראלונס
14:26
are a white shark team led by Scott Anderson -- there --
348
851000
2000
נמצאת קבוצת העמלץ הלבן בהובלת סקוט אנדרסון
14:28
and Sal Jorgensen.
349
853000
2000
וסאל ג'ורגנסון.
14:30
They can throw out a target --
350
855000
2000
הם יכולים לזרוק פתיון-
14:32
it's a carpet shaped like a seal --
351
857000
2000
שטיח שמעוצב כמו כלב ים
14:34
and in will come a white shark, a curious critter
352
859000
3000
וכעבור זמן מה יגיע עמלץ לבן, שהוא יצור סקרן
14:37
that will come right up to our 16-ft. boat.
353
862000
3000
שיגיע עד לסירת חמש מטר שלנו.
14:40
It's a several thousand-pound animal.
354
865000
2000
זוהי חיה ששוקלת מאות קילוגרמים.
14:42
And we'll wind in the target.
355
867000
3000
ואנחנו נניח את המטרה.
14:45
And we'll place an acoustic tag
356
870000
2000
ונמקם עלייה תג אקוסטי
14:47
that says, "OMSHARK 10165,"
357
872000
2000
שאומר כריש מספר 10165
14:49
or something like that, acoustically with a ping.
358
874000
3000
או משהו כזה, אקוסטי עם פינג.
14:52
And then we'll put on a satellite tag
359
877000
2000
ואז נשים עליו תג לוויני
14:54
that will give us the long-distance journeys
360
879000
3000
שיתן לנו נתונים לגבי מרחקי המסעות של הכריש.
14:57
with the light-based geolocation algorithms
361
882000
2000
על פי חישוב נתוני המיקום והאור
14:59
solved on the computer that's on the fish.
362
884000
3000
שנפתרו על ידי המחשב שעל הכריש.
15:02
So in this case, Sal's looking at two tags there,
363
887000
3000
במקרה זה, סאל צופה בשני תגים.
15:05
and there they are: the white sharks of California
364
890000
3000
והנה הם: העמלצים הלבנים של קליפורניה
15:08
going off to the white shark cafe and coming back.
365
893000
3000
בדרכם ל"קפה" של עמלצים לבנים ושבים חזרה.
15:12
We also tag makos with our NOAA colleagues,
366
897000
2000
בנוסף תייגנו כרישי מאקו ביחד עם השותפים שלנו ב"נואא",
15:14
blue sharks.
367
899000
2000
וכרישים כחולים.
15:16
And now, together, what we can see
368
901000
2000
ןעכשיו נוכל לראות,
15:18
on this ocean of color that's temperature,
369
903000
2000
באוקיינוס צבעי הטמפרטורה הזה,
15:20
we can see ten-day worms of makos and salmon sharks.
370
905000
3000
(את מה שנראה כתולעת) הוא מעקב של עשרה ימים של כרישי מאקו וסלמון.
15:24
We have white sharks and blue sharks.
371
909000
2000
ויש לנו גם עמלצים לבנים וכרישים כחולים.
15:26
For the first time,
372
911000
2000
בפעם הראשונה,
15:28
an ecoscape as large as ocean-scale,
373
913000
2000
בקנה מידה של שטח גדול כמימדים של אוקינוס,
15:30
showing where the sharks go.
374
915000
3000
ניתן לראות לאן הכרישים הולכים.
15:33
The tuna team from TOPP has done the unthinkable:
375
918000
3000
קבוצת הטונה מ"טופפ" עשתה את הלא יאומן:
15:36
three teams tagged 1,700 tunas,
376
921000
3000
שלושה צוותים תייגו 1,700 טונות,
15:39
bluefin, yellowfin and albacore
377
924000
2000
כחולת ספיר, צהובת ספיר, טונת אלבקור
15:41
all at the same time --
378
926000
2000
וכולם באותו זמן.
15:43
carefully rehearsed tagging programs
379
928000
2000
בזהירות הם תירגלו את תיוג הטונות
15:45
in which we go out, pick up juvenile tunas,
380
930000
3000
שבה יוצאים לשטח, אוספים דגי טונה צעירים,
15:48
put in the tags that actually have the sensors,
381
933000
3000
מצמידים להם את תג עם חיישנים,
15:51
stick out the tuna
382
936000
2000
שבולט על גוף הדג
15:53
and then let them go.
383
938000
2000
ואז משחררים אותם.
15:55
They get returned, and when they get returned,
384
940000
2000
הם שולחים אות נתונים, וכאשר הם שולחים את האות,
15:57
here on a NASA numerical ocean
385
942000
3000
הנה על האוקינוס שממקם את האותות, שפותח על ידי נאס"א
16:00
you can see bluefin in blue
386
945000
2000
אפשר לראות בכחול דגי טונה כחולת ספיר
16:02
go across their corridor,
387
947000
2000
עוברים דרך המסדרון,
16:04
returning to the Western Pacific.
388
949000
3000
חוזרים למערב האוקינוס השקט.
16:07
Our team from UCSC has tagged elephant seals
389
952000
3000
הקבוצה שלנו מ ucsc ,תייגה פיל ים
16:10
with tags that are glued on their heads, that come off when they slough.
390
955000
3000
עם תג שדבוק על ראשיהם, אשר יורד כשהם מתפלשים בבוץ.
16:13
These elephant seals cover half an ocean,
391
958000
3000
פיל הים הזה גמא שני חצאי אוקינוסים,
16:16
take data down to 1,800 feet --
392
961000
2000
לקח מידע עד עומק של 600 מטר --
16:18
amazing data.
393
963000
2000
מידע מדהים.
16:20
And then there's Scott Shaffer and our shearwaters
394
965000
3000
והנה סקוט שפר והאזור המשותף שלנו
16:23
wearing tuna tags, light-based tags,
395
968000
3000
מתייג טונות בתג
16:26
that now are going to take you from New Zealand to Monterey and back,
396
971000
3000
שעכשיו יקח אותנו מניו זילנד למונטריי וחזרה,
16:29
journeys of 35,000 nautical miles
397
974000
3000
35,000 מייל של מסע ימי
16:32
we had never seen before.
398
977000
2000
שמעולם לא נראה בעבר.
16:34
But now with light-based geolocation tags that are very small,
399
979000
3000
אבל עכשיו עם התגים הקטנים שנותנים לנו מיקום גאוגרפי,
16:37
we can actually see these journeys.
400
982000
2000
אנחנו ממש יכולים לצפות במסע הזה.
16:39
Same thing with Laysan albatross
401
984000
2000
אותו דבר עם אלבטרוס נצחי
16:41
who travel an entire ocean
402
986000
2000
אשר עף על פני אוקינוס שלם
16:43
on a trip sometimes,
403
988000
2000
במהלך מסע,
16:45
up to the same zone the tunas use.
404
990000
2000
אל אותו אזור שמשמש את דגי הטונה.
16:47
You can see why they might be caught.
405
992000
3000
אתם יכולים לראות מה הסיבה שבגללה הם עלולים להיתפס.
16:50
Then there's George Schillinger and our leatherback team out of Playa Grande
406
995000
3000
והנה ג'ורג' שילינג'ר וקבוצת תיוג צבי הים הגילדיים אשר נמצאים בפליה גרנדה
16:53
tagging leatherbacks
407
998000
2000
מתייגים צבי ים גילדיים
16:55
that go right past where we are.
408
1000000
3000
שעוברים בדיוק איפה שאנחנו.
16:58
And Scott Benson's team
409
1003000
2000
והצוות של סקוט בנסון
17:00
that showed that leatherbacks go from Indonesia
410
1005000
2000
שהראתה שצבי הים הגילדיים באים מאינדונזיה
17:02
all the way to Monterey.
411
1007000
2000
כל הדרך למונטריי.
17:04
So what we can see on this moving ocean
412
1009000
3000
אז מה שאנחנו יכולים לראות באוקינוס החי הזה
17:07
is we can finally see where the predators are.
413
1012000
3000
הוא איפה הטורפים נמצאים.
17:10
We can actually see how they're using ecospaces
414
1015000
3000
אנחנו ממש יכולים לראות איך הם מנצלים מרחבים
17:13
as large as an ocean.
415
1018000
2000
גדולים כמו אוקיינוס.
17:15
And from this information,
416
1020000
2000
ומהמידע הזה,
17:17
we can begin to map the hope spots.
417
1022000
3000
אנחנו יכולים להתחיל למפות את נקודות התקווה..
17:20
So this is just three years of data right here --
418
1025000
2000
וזה מידע שנאסף במשך שלוש שנים בלבד.
17:22
and there's a decade of this data.
419
1027000
2000
והנה עשור של מידע זה.
17:24
We see the pulse and the seasonal activities
420
1029000
2000
אנחנו רואים את הפולסים והפעולות העונתיות
17:26
that these animals are going on.
421
1031000
3000
שהחיות הללו עוברות.
17:30
So what we're able to do with this information
422
1035000
2000
אז מה שאנחנו יכולים לעשות עם המידע הזה
17:32
is boil it down to hot spots,
423
1037000
3000
מתכווץ לנקודות חמות,
17:35
4,000 deployments,
424
1040000
2000
שפרוסות על 4,000 אזורים,
17:37
a huge herculean task,
425
1042000
3000
משימה ענקית רבת כוח,
17:40
2,000 tags
426
1045000
2000
2,000 שבבים
17:42
in an area, shown here for the first time,
427
1047000
2000
באזור, שנראה כאן בפעם הראשונה,
17:44
off the California coast,
428
1049000
2000
של החוף הקליפורני,
17:46
that appears to be a gathering place.
429
1051000
3000
שמסתמן שהוא מקום התכנסות.
17:50
And then for sort of an encore from these animals,
430
1055000
3000
ואז במה שנראה כמו סוג של מחווה
17:53
they're helping us.
431
1058000
2000
הם עוזרים לנו.
17:55
They're carrying instruments
432
1060000
2000
הם נושאים מכשירים
17:57
that are actually taking data down to 2,000 meters.
433
1062000
3000
שלמעשה לוקחים מידע לעומק של 2,000 מטר.
18:00
They're taking information from our planet
434
1065000
2000
הם לוקחים מידע מכדור הארץ שלנו
18:02
at very critical places like Antarctica and the Poles.
435
1067000
3000
ממקומות קריטיים כמו אנטרקטיקה והקטבים.
18:05
Those are seals from many countries
436
1070000
2000
אלו כלבי ים ממדינות רבות
18:07
being released
437
1072000
2000
ששוחררו
18:09
who are sampling underneath the ice sheets
438
1074000
2000
שדוגמים מתחת למשטחי הקרח
18:11
and giving us temperature data of oceanographic quality
439
1076000
3000
ונותנים לנו נתוני טמפרטורה באיכות אוקיאנוגרפית
18:14
on both poles.
440
1079000
2000
בשני הקטבים.
18:16
This data, when visualized, is captivating to watch.
441
1081000
3000
המידע הזה, כשמוצג באופן חזותי, שובה לב.
18:19
We still haven't figured out best how to visualize the data.
442
1084000
3000
אנחנו עדיין לא הבנו את הדרך הטובה ביותר להציג את המידע.
18:22
And then, as these animals swim
443
1087000
2000
ואז, כשהחיות הללו שוחות
18:24
and give us the information
444
1089000
2000
ונותנות לנו את המידע
18:26
that's important to climate issues,
445
1091000
2000
זה עוזר לנו עם בעיות האקלים,
18:28
we also think it's critical
446
1093000
2000
בנוסף אנחנו חושבים שזה קריטי
18:30
to get this information to the public,
447
1095000
2000
להביא מידע זה לציבור,
18:32
to engage the public with this kind of data.
448
1097000
3000
ולמשוך את הציבור עם מידע מסוג זה.
18:35
We did this with the Great Turtle Race --
449
1100000
2000
עשינו זאת עם תחרות הצב הגדול --
18:37
tagged turtles, brought in four million hits.
450
1102000
3000
תייגנו צבים, שהביאו ארבעה מיליון צפיות.
18:40
And now with Google's Oceans,
451
1105000
3000
ועכשיו עם גוגל אוקיינוסים
18:43
we can actually put a white shark in that ocean.
452
1108000
2000
אנחנו יכולים למעשה לשים כריש לבן באוקיינוס.
18:45
And when we do and it swims,
453
1110000
2000
וכשנעשה זאת והוא יתחיל לשחות,
18:47
we see this magnificent bathymetry
454
1112000
2000
אנחנו נראה את מדידת העומק המרהיבה הזאת
18:49
that the shark knows is there on its path
455
1114000
2000
שהכריש יודע שזה בדרכו
18:51
as it goes from California to Hawaii.
456
1116000
2000
והוא שוחה מקליפורניה להוואי.
18:53
But maybe Mission Blue
457
1118000
2000
אבל אולי משימה כחולה
18:55
can fill in that ocean that we can't see.
458
1120000
3000
יכולה להשלים את אזור האוקיינוס שאנחנו עדיין לא יכולים לראות.
18:58
We've got the capacity, NASA has the ocean.
459
1123000
3000
יש לנו את היכולת, ל-NASA יש את האוקיינוס.
19:01
We just need to put it together.
460
1126000
2000
אנחנו רק צריכים לחבר אותם.
19:03
So in conclusion,
461
1128000
2000
ולכן המסקנה היא,
19:05
we know where Yellowstone is for North America;
462
1130000
3000
אנחנו יודעים איפה יילוסטון, בצפון אמריקה;
19:08
it's off our coast.
463
1133000
2000
זה מעבר לחופים שלנו.
19:10
We have the technology that's shown us where it is.
464
1135000
2000
יש לנו את הטכנולוגיה שמראה לנו איפה זה.
19:12
What we need to think about perhaps for Mission Blue
465
1137000
3000
מה שאנחנו צריכים לחשוב עליו
19:15
is increasing the biologging capacity.
466
1140000
3000
הוא הגדלת נפח הידע
19:18
How is it that we can actually
467
1143000
2000
איך נוכל באמת
19:20
take this type of activity elsewhere?
468
1145000
3000
להשתמש בידע זה בשביל דברים נוספים?
19:23
And then finally -- to basically get the message home --
469
1148000
3000
ולבסוף, להעביר את המסר לבית,
19:26
maybe use live links
470
1151000
2000
אולי בעזרת שימוש בערוצים חיים
19:28
from animals such as blue whales and white sharks.
471
1153000
2000
כמו הלוויתן הכחול והעמלץ הלבן.
19:30
Make killer apps, if you will.
472
1155000
2000
ליצור אפליקציות לניידים, אם תרצו.
19:32
A lot of people are excited
473
1157000
2000
הרבה אנשים התרגשו
19:34
when sharks actually went under the Golden Gate Bridge.
474
1159000
3000
כשכריש עבר מתחת לגשר הזהב.
19:37
Let's connect the public to this activity right on their iPhone.
475
1162000
3000
בוא נחבר אנשים לפעילות כזאת עם האייפון שלהם.
19:40
That way we do away with a few internet myths.
476
1165000
3000
כך אנחנו נפתרים מכמה מיתוסים באינטרנט.
19:44
So we can save the bluefin tuna.
477
1169000
2000
בכדי שנוכל להציל את הטונה כחולת הספיר.
19:46
We can save the white shark.
478
1171000
2000
אנחנו נוכל להציל את העמלץ הלבן.
19:48
We have the science and technology.
479
1173000
2000
יש לנו את המדע והטכנולוגיה בשביל זה.
19:50
Hope is here. Yes we can.
480
1175000
2000
התקווה קיימת. כן אנחנו יכולים.
19:52
We need just to apply this capacity
481
1177000
2000
אנחנו רק צריכים ליישם את היכולת הזאת
19:54
further in the oceans.
482
1179000
2000
רחוק יותר באוקיינוס.
19:56
Thank you.
483
1181000
2000
תודה.
19:58
(Applause)
484
1183000
2000
(תשואות)
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