TEDGlobal 2011
Paul Snelgrove: A census of the ocean
Paul Snelgrove: Spis mieszkańców oceanów.
Filmed:
Readability: 4
336,429 views
Oceanograf Paul Snelgrove przedstawia wyniki trwającego 10 lat projektu, którego celem było stworzenie spisu wszystkich istot zamieszkujących oceany. Dzieli się z nami zdjęciami niesamowitych podwodnych odkryć Census of Marine Life (Spis Morskich Form Życia).
Paul Snelgrove - Marine biologist
Paul Snelgrove led the group that pulled together the findings of the Census of Marine Life -- synthesizing 10 years and 540 expeditions into a book of wonders. Full bio
Paul Snelgrove led the group that pulled together the findings of the Census of Marine Life -- synthesizing 10 years and 540 expeditions into a book of wonders. Full bio
Double-click the English transcript below to play the video.
00:15
The oceans cover some 70 percent of our planet.
0
0
3000
Oceany zajmują 70% powierzchni naszej planety.
00:18
And I think Arthur C. Clarke probably had it right
1
3000
2000
Arthur C. Clarke mógł mieć rację
00:20
when he said that perhaps we ought to call our planet
2
5000
3000
mówiąc, że Ziemię powinniśmy raczej nazywać
00:23
Planet Ocean.
3
8000
2000
Planetą Oceanem.
00:25
And the oceans are hugely productive,
4
10000
2000
Oceany są bardzo urodzajne.
00:27
as you can see by the satellite image
5
12000
2000
Jak widać na zdjęciu satelitarnym,
00:29
of photosynthesis, the production of new life.
6
14000
2000
umożliwiają fotosyntezę, tworzenie nowego życia.
00:31
In fact, the oceans produce half of the new life every day on Earth
7
16000
3000
Codziennie oceany produkują połowę życia na Ziemi
00:34
as well as about half the oxygen that we breathe.
8
19000
3000
i połowę tlenu, którym oddychamy.
00:37
In addition to that, it harbors a lot of the biodiversity on Earth,
9
22000
3000
Dają też schronienie wielu różnym formom życia,
00:40
and much of it we don't know about.
10
25000
2000
o których nadal niewiele wiemy.
00:42
But I'll tell you some of that today.
11
27000
2000
Dzisiaj wam o nich opowiem.
00:44
That also doesn't even get into the whole protein extraction
12
29000
2000
Pominę jednak szczegóły
00:46
that we do from the ocean.
13
31000
2000
dotyczące czerpania z oceanu białek,
00:48
That's about 10 percent of our global needs
14
33000
2000
które zaspokajają ok. 10% naszych potrzeb,
00:50
and 100 percent of some island nations.
15
35000
3000
a 100% potrzeb ludności niektórych wysp.
00:53
If you were to descend
16
38000
2000
Gdybyśmy zeszli do największych głębin
00:55
into the 95 percent of the biosphere that's livable,
17
40000
2000
nadających się do zamieszkania
00:57
it would quickly become pitch black,
18
42000
2000
szybko zrobiłoby się ciemno.
00:59
interrupted only by pinpoints of light
19
44000
2000
Jedynym źródłem światła
01:01
from bioluminescent organisms.
20
46000
2000
byłyby bioluminescencyjne organizmy.
01:03
And if you turn the lights on,
21
48000
2000
Po zapaleniu światła
01:05
you might periodically see spectacular organisms swim by,
22
50000
2000
dojrzelibyśmy mijające nas niezwykłe istoty
01:07
because those are the denizens of the deep,
23
52000
2000
które zamieszkują największe głębiny.
01:09
the things that live in the deep ocean.
24
54000
2000
które zamieszkują największe głębiny.
01:11
And eventually, the deep sea floor would come into view.
25
56000
3000
Wreszcie można by ujrzeć morskie dno.
01:14
This type of habitat covers more of the Earth's surface
26
59000
3000
To środowisko zajmuje większy obszar Ziemi
01:17
than all other habitats combined.
27
62000
2000
niż wszystkie inne środowiska razem wzięte.
01:19
And yet, we know more about the surface of the Moon and about Mars
28
64000
2000
Jednak więcej wiemy o Księżycu czy Marsie,
01:21
than we do about this habitat,
29
66000
2000
niż o środowisku podwodnym,
01:23
despite the fact that we have yet to extract
30
68000
2000
z którego czerpiemy
01:25
a gram of food, a breath of oxygen or a drop of water
31
70000
3000
żywność, tlen i wodę.
01:28
from those bodies.
32
73000
2000
żywność, tlen i wodę.
01:30
And so 10 years ago,
33
75000
2000
10 lat temu rozpoczęto
01:32
an international program began called the Census of Marine Life,
34
77000
3000
międzynarodowy program zwany Spisem Morskich Form Życia,
01:35
which set out to try and improve our understanding
35
80000
2000
mający na celu poszerzenie naszej wiedzy
01:37
of life in the global oceans.
36
82000
2000
o życiu w oceanach.
01:39
It involved 17 different projects around the world.
37
84000
3000
Objął 17 różnych projektów na świecie.
01:42
As you can see, these are the footprints of the different projects.
38
87000
2000
Widzimy tu zasięg różnych projektów.
01:44
And I hope you'll appreciate the level of global coverage
39
89000
3000
Mam nadzieję, że docenicie globalny wymiar
01:47
that it managed to achieve.
40
92000
2000
jaki udało się osiągnąć.
01:49
It all began when two scientists, Fred Grassle and Jesse Ausubel,
41
94000
2000
Wszystko zapoczątkowała para naukowców, Fred Grassle i Jesse Ausubel,
01:51
met in Woods Hole, Massachusetts
42
96000
3000
na spotkaniu w Woods Hole, Massachusetts,
01:54
where both were guests at the famed oceanographic institute.
43
99000
2000
gdzie gościli w znanym instytucie oceanograficznym.
01:56
And Fred was lamenting the state of marine biodiversity
44
101000
3000
Fred ubolewał nad stanem morskiej bioróżnorodności,
01:59
and the fact that it was in trouble and nothing was being done about it.
45
104000
3000
jej problemami i faktem, że nic się z tym nie robi.
02:02
Well, from that discussion grew this program
46
107000
2000
W ten sposób powstał program
02:04
that involved 2,700 scientists
47
109000
2000
w który zaangażowało się 2700 naukowców
02:06
from more than 80 countries around the world
48
111000
2000
z ponad 80 krajów,
02:08
who engaged in 540 ocean expeditions
49
113000
3000
którzy uczestniczyli w 540 wyprawach oceanicznych
02:11
at a combined cost of 650 million dollars
50
116000
3000
za łączną kwotę 650 mln dolarów,
02:14
to study the distribution, diversity and abundance
51
119000
2000
by badać rozmieszczenie, różnorodność i obfitość
02:16
of life in the global ocean.
52
121000
3000
życia w oceanach.
02:19
And so what did we find?
53
124000
2000
Co odkryliśmy?
02:21
We found spectacular new species,
54
126000
2000
Nowe zaskakujące gatunki,
02:23
the most beautiful and visually stunning things everywhere we looked --
55
128000
3000
piękne i zdumiewające, gdzie tylko nie spojrzeliśmy,
02:26
from the shoreline to the abyss,
56
131000
2000
od samego brzegu aż po oceaniczną głębię,
02:28
form microbes all the way up to fish and everything in between.
57
133000
3000
od mikrobów po ryby.
02:31
And the limiting step here wasn't the unknown diversity of life,
58
136000
3000
Nie ograniczała nas obfitość form życia,
02:34
but rather the taxonomic specialists
59
139000
2000
lecz raczej specjaliści ds. taksonomii,
02:36
who can identify and catalog these species
60
141000
2000
identyfikujący i katalogujący te gatunki.
02:38
that became the limiting step.
61
143000
2000
identyfikujący i katalogujący te gatunki.
02:40
They, in fact, are an endangered species themselves.
62
145000
3000
Oni sami są zagrożonym gatunkiem.
02:43
There are actually four to five new species
63
148000
2000
Codziennie opisuje się zaledwie 4-5
02:45
described everyday for the oceans.
64
150000
2000
nowych gatunków żyjących w oceanach.
02:47
And as I say, it could be a much larger number.
65
152000
3000
A można by więcej.
02:50
Now, I come from Newfoundland in Canada --
66
155000
3000
Pochodzę z Nowej Fundlandii w Kanadzie.
02:53
It's an island off the east coast of that continent --
67
158000
2000
To wyspa na wschodnim wybrzeżu,
02:55
where we experienced one of the worst fishing disasters
68
160000
3000
gdzie miało miejsce największe wyniszczenie łowisk
02:58
in human history.
69
163000
2000
w dziejach.
03:00
And so this photograph shows a small boy next to a codfish.
70
165000
2000
Na zdjęciu widzimy małego chłopca obok dorszy.
03:02
It's around 1900.
71
167000
2000
Było to mniej więcej w roku 1900.
03:04
Now, when I was a boy of about his age,
72
169000
2000
Gdy ja byłem w jego wieku
03:06
I would go out fishing with my grandfather
73
171000
2000
jeździłem na ryby z dziadkiem
03:08
and we would catch fish about half that size.
74
173000
2000
i łowiliśmy ryby o połowę mniejsze.
03:10
And I thought that was the norm,
75
175000
2000
Myślałem, że to normalne,
03:12
because I had never seen fish like this.
76
177000
2000
ponieważ nigdy wcześniej nie widziałem większych ryb.
03:14
If you were to go out there today, 20 years after this fishery collapsed,
77
179000
3000
Gdybyście pojechali tam teraz, 20 lat po upadku rybołówstwa,
03:17
if you could catch a fish, which would be a bit of a challenge,
78
182000
3000
i złowili rybę, co byłoby nie lada wyzwaniem,
03:20
it would be half that size still.
79
185000
2000
byłaby ona jeszcze o połowę mniejsza.
03:22
So what we're experiencing is something called shifting baselines.
80
187000
3000
Doświadczamy tzw. przesuwania linii bazowych.
03:25
Our expectations of what the oceans can produce
81
190000
2000
Oczekiwania odnośnie tego, co dostarczają oceany
03:27
is something that we don't really appreciate
82
192000
2000
są mniejsze,
03:29
because we haven't seen it in our lifetimes.
83
194000
3000
ponieważ nie sądzimy, że może być lepiej.
03:32
Now most of us, and I would say me included,
84
197000
3000
Większość z nas, w tym ja,
03:35
think that human exploitation of the oceans
85
200000
2000
uważa, że eksploatacja oceanów przez ludzi
03:37
really only became very serious
86
202000
2000
stała się poważnym problemem
03:39
in the last 50 to, perhaps, 100 years or so.
87
204000
2000
w ciągu ostatnich 50-100 lat.
03:41
The census actually tried to look back in time,
88
206000
2000
Spis miał uwzględnić wcześniejszy okres
03:43
using every source of information they could get their hands on.
89
208000
3000
wykorzystując wszelkie możliwe źródła informacji,
03:46
And so anything from restaurant menus
90
211000
2000
od restauracyjnych menu,
03:48
to monastery records to ships' logs
91
213000
2000
poprzez kroniki zakonne i dzienniki pokładowe,
03:50
to see what the oceans looked like.
92
215000
2000
aby dowiedzieć się, jak wyglądały oceany.
03:52
Because science data really goes back
93
217000
2000
Dane naukowe w większości nie wybiegają wstecz
03:54
to, at best, World War II, for the most part.
94
219000
2000
poza drugą wojnę światową.
03:56
And so what they found, in fact,
95
221000
2000
Odkryto, że prawdziwa
03:58
is that exploitation really began heavily with the Romans.
96
223000
2000
eksploatacja zaczęła się wraz z panowaniem Rzymian.
04:00
And so at that time, of course, there was no refrigeration.
97
225000
3000
W tamtych czasach nie było chłodzenia,
04:03
So fishermen could only catch
98
228000
2000
więc rybacy łowili tylko tyle,
04:05
what they could either eat or sell that day.
99
230000
2000
ile mogli zjeść lub sprzedać tego samego dnia.
04:07
But the Romans developed salting.
100
232000
2000
Rzymianie wykorzystywali sól,
04:09
And with salting,
101
234000
2000
dzięki czemu
04:11
it became possible to store fish and to transport it long distances.
102
236000
3000
przechowywanie i transport ryb stały się możliwe.
04:14
And so began industrial fishing.
103
239000
3000
Tak zaczęło się rybołówstwo przemysłowe.
04:17
And so these are the sorts of extrapolations that we have
104
242000
3000
To szacunkowe dane
04:20
of what sort of loss we've had
105
245000
2000
o zmniejszeniu różnych populacji
04:22
relative to pre-human impacts on the ocean.
106
247000
3000
wobec naturalnych oddziaływań na ocean.
04:25
They range from 65 to 98 percent
107
250000
2000
Wahają się od 65 do 98%
04:27
for these major groups of organisms,
108
252000
2000
dla dużych grup organizmów,
04:29
as shown in the dark blue bars.
109
254000
2000
jak widać na ciemnoniebieskich paskach.
04:31
Now for those species the we managed to leave alone, that we protect --
110
256000
3000
W przypadku zwierząt objętych ochroną,
04:34
for example, marine mammals in recent years and sea birds --
111
259000
2000
np. ssaków morskich i ptaków,
04:36
there is some recovery.
112
261000
2000
sytuacja się polepszyła.
04:38
So it's not all hopeless.
113
263000
2000
Wciąż jest więc nadzieja.
04:40
But for the most part, we've gone from salting to exhausting.
114
265000
3000
Jednak solenie doprowadziło do przeławiania.
04:43
Now this other line of evidence is a really interesting one.
115
268000
2000
Kolejna linia dowodów jest bardzo interesująca.
04:45
It's from trophy fish caught off the coast of Florida.
116
270000
3000
To zdjęcie z zawodów rybackich u wybrzeży Florydy.
04:48
And so this is a photograph from the 1950s.
117
273000
3000
Zdjęcie jest z lat 50.
04:51
I want you to notice the scale on the slide,
118
276000
2000
Zwróćcie uwagę na skalę z boku,
04:53
because when you see the same picture from the 1980s,
119
278000
2000
ponieważ na zdjęciu z lat 80.
04:55
we see the fish are much smaller
120
280000
2000
ryby są już o wiele mniejsze.
04:57
and we're also seeing a change
121
282000
2000
Widać również zmianę
04:59
in terms of the composition of those fish.
122
284000
2000
w budowie tych ryb.
05:01
By 2007, the catch was actually laughable
123
286000
2000
W roku 2007 odłów był śmieszny
05:03
in terms of the size for a trophy fish.
124
288000
2000
pod względem rozmiarów ryb konkursowych.
05:05
But this is no laughing matter.
125
290000
2000
Ale nie ma się z czego śmiać.
05:07
The oceans have lost a lot of their productivity
126
292000
2000
Oceany straciły na produktywności
05:09
and we're responsible for it.
127
294000
3000
i jesteśmy za to odpowiedzialni.
05:12
So what's left? Actually quite a lot.
128
297000
2000
Co więc pozostało? Właściwie to dużo.
05:14
There's a lot of exciting things, and I'm going to tell you a little bit about them.
129
299000
3000
Opowiem o kilku z wielu fascynujących rzeczy.
05:17
And I want to start with a bit on technology,
130
302000
2000
Zacznę od technologii,
05:19
because, of course, this is a TED Conference
131
304000
2000
ponieważ to konferencja TED
05:21
and you want to hear something on technology.
132
306000
2000
i chcecie usłyszeć o technologii.
05:23
So one of the tools that we use to sample the deep ocean
133
308000
2000
Jednymi z narzędzi do pobierania próbek z głębin oceanów
05:25
are remotely operated vehicles.
134
310000
2000
są zdalnie sterowane pojazdy głębinowe.
05:27
So these are tethered vehicles we lower down to the sea floor
135
312000
3000
Opuszczane są na dno morza,
05:30
where they're our eyes and our hands for working on the sea bottom.
136
315000
3000
gdzie są naszymi oczami i rękami.
05:33
So a couple of years ago, I was supposed to go on an oceanographic cruise
137
318000
3000
Parę lat temu miałem udać się w rejs oceanograficzny,
05:36
and I couldn't go because of a scheduling conflict.
138
321000
3000
ale nie mogłem, z uwagi na inne obowiązki.
05:39
But through a satellite link I was able to sit at my study at home
139
324000
3000
Poprzez połączenie satelitarne mogłem z domu,
05:42
with my dog curled up at my feet, a cup of tea in my hand,
140
327000
3000
z psem przy nogach i z kubkiem herbaty w ręku,
05:45
and I could tell the pilot, "I want a sample right there."
141
330000
2000
instruować pilota skąd ma pobrać próbki.
05:47
And that's exactly what the pilot did for me.
142
332000
2000
Zrobił dokładnie to, o co prosiłem.
05:49
That's the sort of technology that's available today
143
334000
3000
Taka technologia
05:52
that really wasn't available even a decade ago.
144
337000
2000
jeszcze dekadę temu była nieosiągalna.
05:54
So it allows us to sample these amazing habitats
145
339000
2000
Pozwala na pobieranie próbek ze środowisk
05:56
that are very far from the surface
146
341000
2000
znacznie oddalonych od powierzchni i światła.
05:58
and very far from light.
147
343000
2000
znacznie oddalonych od powierzchni i światła.
06:00
And so one of the tools that we can use to sample the oceans
148
345000
3000
Jednym z narzędzi do badania oceanów
06:03
is acoustics, or sound waves.
149
348000
2000
jest akustyka - fale dźwiękowe.
06:05
And the advantage of sound waves
150
350000
2000
Zaletą fal dźwiękowych jest to,
06:07
is that they actually pass well through water, unlike light.
151
352000
2000
że w przeciwieństwie do światła, dobrze rozchodzą się w wodzie.
06:09
And so we can send out sound waves,
152
354000
2000
Emitowane fale dźwiękowe
06:11
they bounce off objects like fish and are reflected back.
153
356000
3000
odbijają się np. od ryb i do nas wracają.
06:14
And so in this example, a census scientist took out two ships.
154
359000
3000
Widzimy tu dwa nasze statki badawcze.
06:17
One would send out sound waves that would bounce back.
155
362000
2000
Jeden wysyłał fale dźwiękowe, które wracały po odbiciu.
06:19
They would be received by a second ship,
156
364000
2000
Odbierał je drugi statek,
06:21
and that would give us very precise estimates, in this case,
157
366000
3000
otrzymując bardzo dokładne wyniki,
06:24
of 250 billion herring
158
369000
2000
w tym przypadku 250 mld śledzi
06:26
in a period of about a minute.
159
371000
2000
w przeciągu zaledwie minuty
06:28
And that's an area about the size of Manhattan Island.
160
373000
3000
na obszarze rozmiarów Manhattanu.
06:31
And to be able to do that is a tremendous fisheries tool,
161
376000
2000
To rewelacyjny przyrząd rybacki,
06:33
because knowing how many fish are there is really critical.
162
378000
3000
gdyż poznanie liczby ryb jest nader istotne.
06:36
We can also use satellite tags
163
381000
2000
Używamy również nadajników satelitarnych
06:38
to track animals as they move through the oceans.
164
383000
2000
do namierzania zwierząt wędrownych.
06:40
And so for animals that come to the surface to breathe,
165
385000
2000
Wypływając na powierzchnię by zaczerpnąć powietrza,
06:42
such as this elephant seal,
166
387000
2000
zwierzęta takie jak foki
06:44
it's an opportunity to send data back to shore
167
389000
2000
umożliwiają przesłanie danych na brzeg
06:46
and tell us where exactly it is in the ocean.
168
391000
3000
i określenie swojej pozycji.
06:49
And so from that we can produce these tracks.
169
394000
2000
Z uzyskanych danych można odtworzyć ich szlaki.
06:51
For example, the dark blue
170
396000
2000
Np. kolor ciemnoniebieski
06:53
shows you where the elephant seal moved in the north Pacific.
171
398000
2000
ukazuje wędrówkę fok po północnym Pacyfiku.
06:55
Now I realize for those of you who are colorblind, this slide is not very helpful,
172
400000
3000
Ten slajd nie jest zbyt pomocny dla daltonistów,
06:58
but stick with me nonetheless.
173
403000
2000
ale mimo to, zostańcie ze mną.
07:00
For animals that don't surface,
174
405000
2000
Dla zwierząt niewypływających na powierzchnię
07:02
we have something called pop-up tags,
175
407000
2000
mamy specjalne nadajniki satelitarne,
07:04
which collect data about light and what time the sun rises and sets.
176
409000
3000
zapisujące czas wschodów i zachodów Słońca,
07:07
And then at some period of time
177
412000
2000
które w pewnym momencie odczepiają się
07:09
it pops up to the surface and, again, relays that data back to shore.
178
414000
3000
i wypływają na powierzchnię przesyłając dane na ląd.
07:12
Because GPS doesn't work under water. That's why we need these tools.
179
417000
3000
Potrzebujemy tych urządzeń, bo GPS nie działa pod wodą.
07:15
And so from this we're able to identify these blue highways,
180
420000
3000
Dzięki tym danym możemy określić szlaki,
07:18
these hot spots in the ocean,
181
423000
2000
najważniejsze punkty aktywności,
07:20
that should be real priority areas
182
425000
2000
które powinny być obszarami priorytetowymi
07:22
for ocean conservation.
183
427000
2000
w ochronie oceanów.
07:24
Now one of the other things that you may think about
184
429000
2000
Za każdym razem
07:26
is that, when you go to the supermarket and you buy things, they're scanned.
185
431000
3000
gdy kupujemy w supermarkecie, produkty są skanowane.
07:29
And so there's a barcode on that product
186
434000
2000
Na produktach znajduje się kod kreskowy
07:31
that tells the computer exactly what the product is.
187
436000
3000
mówiący komputerowi czym jest dana rzecz.
07:34
Geneticists have developed a similar tool called genetic barcoding.
188
439000
3000
Genetycy stworzyli podobny system zwany metkowaniem genetycznym.
07:37
And what barcoding does
189
442000
2000
Metkowanie analizuje specjalny gen zwany CO1,
07:39
is use a specific gene called CO1
190
444000
2000
Metkowanie analizuje specjalny gen zwany CO1,
07:41
that's consistent within a species, but varies among species.
191
446000
3000
różniący się dla poszczególnych gatunków, lecz zgodny w obrębie jednego.
07:44
And so what that means is we can unambiguously identify
192
449000
2000
Pozwala to na jednoznaczne zidentyfikowanie gatunków,
07:46
which species are which
193
451000
2000
Pozwala to na jednoznaczne zidentyfikowanie gatunków,
07:48
even if they look similar to each other,
194
453000
2000
które wyglądają podobnie,
07:50
but may be biologically quite different.
195
455000
2000
jednak różnią się pod względem biologicznym.
07:52
Now one of the nicest examples I like to cite on this
196
457000
2000
Najlepszym przykładem
07:54
is the story of two young women, high school students in New York City,
197
459000
3000
jest historia dwóch uczennic z Nowego Jorku,
07:57
who worked with the census.
198
462000
2000
które pracowały przy spisie.
07:59
They went out and collected fish from markets and from restaurants in New York City
199
464000
3000
Zdobywały ryby ze sklepów i restauracji w Nowym Jorku
08:02
and they barcoded it.
200
467000
2000
i metkowały je.
08:04
Well what they found was mislabeled fish.
201
469000
2000
Znalazły źle opisaną rybę,
08:06
So for example,
202
471000
2000
Znalazły źle opisaną rybę,
08:08
they found something which was sold as tuna, which is very valuable,
203
473000
2000
sprzedawaną jako tuńczyk, który jest dość kosztowny,
08:10
was in fact tilapia, which is a much less valuable fish.
204
475000
3000
a który okazał się być tilapią, wartą znacznie mniej.
08:13
They also found an endangered species
205
478000
2000
Znalazły też zagrożone gatunki
08:15
sold as a common one.
206
480000
2000
sprzedawane jako pospolite ryby.
08:17
So barcoding allows us to know what we're working with
207
482000
2000
Dzięki metkowaniu wiemy z czym mamy do czynienia
08:19
and also what we're eating.
208
484000
3000
oraz co jemy.
08:22
The Ocean Biogeographic Information System
209
487000
2000
System Biogeograficznych Danych Oceanicznych
08:24
is the database for all the census data.
210
489000
2000
to baza danych z uzyskanymi informacjami.
08:26
It's open access; you can all go in and download data as you wish.
211
491000
3000
Jest ogólnodostępna, więc można z niej pobierać dane.
08:29
And it contains all the data from the census
212
494000
3000
Są tam wszystkie dane ze spisu
08:32
plus other data sets that people were willing to contribute.
213
497000
2000
oraz te dodane przez ochotników.
08:34
And so what you can do with that
214
499000
2000
Za ich pomocą można
08:36
is to plot the distribution of species and where they occur in the oceans.
215
501000
3000
określić rozmieszczenie gatunków w oceanach.
08:39
What I've plotted up here is the data that we have on hand.
216
504000
2000
Naniosłem na mapę dane, którymi dysponujemy.
08:41
This is where our sampling effort has concentrated.
217
506000
3000
To tu głównie pobieraliśmy próbki.
08:44
Now what you can see
218
509000
2000
Do terenów badań należał Północny Atlantyk,
08:46
is we've sampled the area in the North Atlantic,
219
511000
2000
Do terenów badań należał Północny Atlantyk,
08:48
in the North Sea in particular,
220
513000
2000
głównie Morze Północne
08:50
and also the east coast of North America fairly well.
221
515000
2000
i wschodnie wybrzeże Ameryki Północnej.
08:52
That's the warm colors which show a well-sampled region.
222
517000
3000
Zbadane rejony oznaczone są ciepłymi kolorami.
08:55
The cold colors, the blue and the black,
223
520000
2000
Zimne kolory: niebieski i czarny,
08:57
show areas where we have almost no data.
224
522000
2000
to obszary z których nie mamy prawie żadnych danych.
08:59
So even after a 10-year census,
225
524000
2000
Nawet po 10 latach spisywania gatunków,
09:01
there are large areas that still remain unexplored.
226
526000
3000
istnieją duże niezbadane obszary.
09:04
Now there are a group of scientists living in Texas, working in the Gulf of Mexico
227
529000
3000
Grupa teksańskich naukowców pracujących w Zatoce Meksykańskiej
09:07
who decided really as a labor of love
228
532000
2000
zdecydowała się bezinteresownie
09:09
to pull together all the knowledge they could
229
534000
2000
zjednoczyć siły i wiedzę
09:11
about biodiversity in the Gulf of Mexico.
230
536000
2000
o bioróżnorodności w Zatoce Meksykańskiej.
09:13
And so they put this together, a list of all the species,
231
538000
3000
Stworzyli listę wszystkich tamtejszych gatunków
09:16
where they're known to occur,
232
541000
2000
oraz ich miejsc występowania.
09:18
and it really seemed like a very esoteric, scientific type of exercise.
233
543000
3000
Było to bardzo wymagające zadanie.
09:21
But then, of course, there was the Deep Horizon oil spill.
234
546000
3000
Później miał miejsce wyciek ropy na platformie Deepwater Horizon.
09:24
So all of a sudden, this labor of love
235
549000
2000
Nagle ta bezinteresowna praca
09:26
for no obvious economic reason
236
551000
3000
niewynikająca z pobudek finansowych
09:29
has become a critical piece of information
237
554000
2000
stała się najważniejszym źródłem informacji
09:31
in terms of how that system is going to recover, how long it will take
238
556000
3000
na temat tego, jak przywrócić środowisko do normy,
09:34
and how the lawsuits
239
559000
2000
ile czasu to zajmie
09:36
and the multi-billion-dollar discussions that are going to happen in the coming years
240
561000
3000
oraz w jaki sposób rozwiązać kwestię pozwów
09:39
are likely to be resolved.
241
564000
3000
i przyszłych rozmów o miliardach dolarów.
09:42
So what did we find?
242
567000
2000
Co odkryliśmy?
09:44
Well, I could stand here for hours, but, of course, I'm not allowed to do that.
243
569000
2000
Wyliczałbym godzinami, ale oczywiście nie mogę.
09:46
But I will tell you some of my favorite discoveries
244
571000
2000
Opiszę więc tylko moje ulubione odkrycia
09:48
from the census.
245
573000
2000
ze spisu.
09:50
So one of the things we discovered is where are the hot spots of diversity?
246
575000
3000
Poznaliśmy główne skupiska bioróżnorodności,
09:53
Where do we find the most species of ocean life?
247
578000
3000
w których znajdziemy najwięcej gatunków w oceanach.
09:56
And what we find if we plot up the well-known species
248
581000
2000
Po wyznaczeniu tras znanych zwierząt
09:58
is this sort of a distribution.
249
583000
2000
otrzymujemy właśnie takie rozmieszczenie.
10:00
And what we see is that for coastal tags,
250
585000
2000
Organizmy przybrzeżne,
10:02
for those organisms that live near the shoreline,
251
587000
2000
żyjące blisko linii brzegowej,
10:04
they're most diverse in the tropics.
252
589000
2000
wykazują największe zróżnicowane w tropikach.
10:06
This is something we've actually known for a while,
253
591000
2000
Wiedzieliśmy o tym od jakiegoś czasu,
10:08
so it's not a real breakthrough.
254
593000
2000
więc nie jest to dla nas żaden przełom.
10:10
What is really exciting though
255
595000
2000
Ekscytujące jest natomiast to,
10:12
is that the oceanic tags, or the ones that live far from the coast,
256
597000
2000
że zwierzęta żyjące daleko od brzegu
10:14
are actually more diverse at intermediate latitudes.
257
599000
2000
są najbardziej zróżnicowane na średnich szerokościach geograficznych.
10:16
This is the sort of data, again, that managers could use
258
601000
3000
To rodzaj danych, który można wykorzystać
10:19
if they want to prioritize areas of the ocean that we need to conserve.
259
604000
3000
do ustalenia najważniejszych obszarów ochronnych
10:22
You can do this on a global scale, but you can also do it on a regional scale.
260
607000
3000
zarówno na skalę globalną, jak i regionalną.
10:25
And that's why biodiversity data can be so valuable.
261
610000
3000
Dlatego dane o bioróżnorodności są tak cenne.
10:28
Now while a lot of the species we discovered in the census
262
613000
3000
Chociaż większość nowoodkrytych stworzeń
10:31
are things that are small and hard to see,
263
616000
2000
to małe, prawie niewidoczne gołym okiem organizmy,
10:33
that certainly wasn't always the case.
264
618000
2000
to zdarzają się wyjątki.
10:35
For example, while it's hard to believe
265
620000
2000
Trudno uwierzyć,
10:37
that a three kilogram lobster could elude scientists,
266
622000
2000
że 3-kilogramowy homar dał radę umknąć naukowcom.
10:39
it did until a few years ago
267
624000
2000
Tak było, dopóki kilka lat temu
10:41
when South African fishermen requested an export permit
268
626000
3000
południowoafrykański rybak złożył wniosek o zezwolenie na eksport
10:44
and scientists realized that this was something new to science.
269
629000
3000
i okazało się, że to nowinka w nauce.
10:47
Similarly this Golden V kelp
270
632000
2000
Także złota brunatnica V
10:49
collected in Alaska just below the low water mark
271
634000
2000
zebrana na Alasce tuż pod poziomem wody niskiej
10:51
is probably a new species.
272
636000
2000
może być nowym gatunkiem.
10:53
Even though it's three meters long,
273
638000
2000
Mimo że ma 3 metry wysokości,
10:55
it actually, again, eluded science.
274
640000
2000
wymknęła się nauce.
10:57
Now this guy, this bigfin squid, is seven meters in length.
275
642000
3000
Ta kałamarnica z gatunku Magnapinna ma aż 7 m długości.
11:00
But to be fair, it lives in the deep waters of the Mid-Atlantic Ridge,
276
645000
3000
Żyje jednak w głębinach Grzbietu Środkowoatlantyckiego,
11:03
so it was a lot harder to find.
277
648000
2000
więc ciężko było ją znaleźć.
11:05
But there's still potential for discovery of big and exciting things.
278
650000
3000
Nadal są szanse na znalezienie dużych i ciekawych rzeczy.
11:08
This particular shrimp, we've dubbed it the Jurassic shrimp,
279
653000
3000
Tą krewetkę nazwaliśmy krewetką jurajską,
11:11
it's thought to have gone extinct 50 years ago --
280
656000
2000
którą uważano za wymarłą 50 lat temu,
11:13
at least it was, until the census discovered
281
658000
2000
aż podczas spisu odkryto,
11:15
it was living and doing just fine off the coast of Australia.
282
660000
3000
że żyje i ma się dobrze u wybrzeży Australii.
11:18
And it shows that the ocean, because of its vastness,
283
663000
3000
To dowodzi, że ocean, ze względu na swój ogrom,
11:21
can hide secrets for a very long time.
284
666000
2000
może bardzo długo skrywać tajemnice.
11:23
So, Steven Spielberg, eat your heart out.
285
668000
3000
Steven Spielberg może się schować.
11:26
If we look at distributions, in fact distributions change dramatically.
286
671000
3000
Rozmieszczenia zmieniają się diametralnie.
11:29
And so one of the records that we had
287
674000
3000
Część danych dotyczyła
11:32
was this sooty shearwater, which undergoes these spectacular migrations
288
677000
3000
burzyka szarego, który odbywa spektakularne migracje
11:35
all the way from New Zealand
289
680000
2000
z Nowej Zelandii
11:37
all the way up to Alaska and back again
290
682000
2000
na Alaskę i z powrotem,
11:39
in search of endless summer
291
684000
2000
w poszukiwaniu niekończącego się lata,
11:41
as they complete their life cycles.
292
686000
2000
by w końcu zamknąć swój cykl życia.
11:43
We also talked about the White Shark Cafe.
293
688000
2000
Dyskutowaliśmy też o White Shark Cafe,
11:45
This is a location in the Pacific where white shark converge.
294
690000
3000
miejscu na Pacyfiku, w którym gromadzą się żarłacze białe.
11:48
We don't know why they converge there, we simply don't know.
295
693000
2000
Nie wiemy dlaczego się tam zbierają.
11:50
That's a question for the future.
296
695000
2000
To zagadka do rozwiązania.
11:52
One of the things that we're taught in high school
297
697000
2000
W szkole uczą nas,
11:54
is that all animals require oxygen in order to survive.
298
699000
3000
że zwierzęta do przeżycia potrzebują tlenu.
11:57
Now this little critter, it's only about half a millimeter in size,
299
702000
3000
To małe stworzenie wielkości ok. 1 mm,
12:00
not terribly charismatic.
300
705000
2000
niezbyt atrakcyjne,
12:02
But it was only discovered in the early 1980s.
301
707000
2000
zostało odkryte na początku lat 80.
12:04
But the really interesting thing about it
302
709000
2000
Interesujące jest,
12:06
is that, a few years ago, census scientists discovered
303
711000
3000
że kilka lat temu naukowcy biorący udział w spisie odkryli,
12:09
that this guy can thrive in oxygen-poor sediments
304
714000
2000
że potrafi ono przetrwać w środowisku ubogim w tlen
12:11
in the deep Mediterranean Sea.
305
716000
2000
w głębiach Morza Śródziemnego.
12:13
So now they know that, in fact,
306
718000
2000
Teraz wiadomo,
12:15
animals can live without oxygen, at least some of them,
307
720000
2000
że istnieją zwierzęta zdolne do życia bez tlenu.
12:17
and that they can adapt to even the harshest of conditions.
308
722000
3000
Potrafią przystosować się do najsurowszych warunków.
12:20
If you were to suck all the water out of the ocean,
309
725000
3000
Gdyby wypompować z oceanów całą wodę,
12:23
this is what you'd be left behind with,
310
728000
2000
oto co by pozostało.
12:25
and that's the biomass of life on the sea floor.
311
730000
2000
To biomasa z dna morskiego.
12:27
Now what we see is huge biomass towards the poles
312
732000
3000
Najwięcej jej przy biegunach,
12:30
and not much biomass in between.
313
735000
3000
a niewiele przy równiku.
12:33
We found life in the extremes.
314
738000
2000
Odkryliśmy życie w ekstremalnych warunkach.
12:35
And so there were new species that were found
315
740000
2000
Odkryliśmy nowe gatunki
12:37
that live inside ice
316
742000
2000
żyjące wewnątrz lodu,
12:39
and help to support an ice-based food web.
317
744000
2000
utrzymujące sieć żywieniową opartą na lodzie.
12:41
And we also found this spectacular yeti crab
318
746000
2000
Odkryliśmy również tego niesamowitego kraba yeti
12:43
that lives near boiling hot hydrothermal vents at Easter Island.
319
748000
3000
wśród gorących kominów hydrotermalnych koło Wyspy Wielkanocnej.
12:46
And this particular species
320
751000
2000
Ten niezwykły gatunek
12:48
really captured the public's attention.
321
753000
3000
wzbudził spore zainteresowanie.
12:51
We also found the deepest vents known yet -- 5,000 meters --
322
756000
3000
Odkryliśmy również najgłębsze kominy - 5 km,
12:54
the hottest vents at 407 degrees Celsius --
323
759000
3000
najgorętsze - 407 °C,
12:57
vents in the South Pacific and also in the Arctic
324
762000
2000
kominy w południowym Pacyfiku i Arktyce,
12:59
where none had been found before.
325
764000
2000
dotąd nieznane.
13:01
So even new environments are still within the domain of the discoverable.
326
766000
3000
Tak więc zupełnie nowe środowiska czekają na odkrycie.
13:04
Now in terms of the unknowns, there are many.
327
769000
2000
Przed nami nadal wiele niewiadomych.
13:06
And I'm just going to summarize just a few of them
328
771000
2000
Opiszę pokrótce kilka z nich.
13:08
very quickly for you.
329
773000
2000
Opisze pokrótce kilka z nich.
13:10
First of all, we might ask, how many fishes in the sea?
330
775000
3000
Po pierwsze: ile w morzu jest ryb?
13:13
We actually know the fishes better than we do any other group in the ocean
331
778000
2000
O rybach wiemy więcej niż o innych mieszkańcach oceanów,
13:15
other than marine mammals.
332
780000
2000
poza ssakami morskimi.
13:17
And so we can actually extrapolate based on rates of discovery
333
782000
3000
Na podstawie współczynnika odkryć możemy oszacować
13:20
how many more species we're likely to discover.
334
785000
3000
ile nowych gatunków jeszcze odkryjemy.
13:23
And from that, we actually calculate
335
788000
2000
Możemy w ten sposób obliczyć,
13:25
that we know about 16,500 marine species
336
790000
3000
że skoro znamy około 16,5 tys. gatunków morskich
13:28
and there are probably another 1,000 to 4,000 left to go.
337
793000
2000
to pewnie jest jeszcze 1-4 tys. do odkrycia.
13:30
So we've done pretty well.
338
795000
2000
Tak więc spisaliśmy się całkiem nieźle.
13:32
We've got about 75 percent of the fish,
339
797000
2000
Znamy blisko 75% gatunków ryb,
13:34
maybe as much as 90 percent.
340
799000
2000
może nawet 90%.
13:36
But the fishes, as I say, are the best known.
341
801000
3000
Ryby jednak są najbardziej znane.
13:39
So our level of knowledge is much less for other groups of organisms.
342
804000
3000
Nasza wiedza o innych organizmach jest dużo mniejsza.
13:42
Now this figure is actually based on a brand new paper
343
807000
2000
Ten wykres oparty jest na najnowszych badaniach,
13:44
that's going to come out in the journal PLoS Biology.
344
809000
3000
które zostaną opublikowane w magazynie PLoS Biology.
13:47
And what is does is predict how many more species there are
345
812000
2000
Mają na celu przewidzieć liczbę nieodkrytych gatunków
13:49
on land and in the ocean.
346
814000
2000
na lądzie i w wodzie.
13:51
And what they found
347
816000
2000
Według badań znamy ok. 9% gatunków zamieszkujących oceany.
13:53
is that they think that we know of about nine percent of the species in the ocean.
348
818000
3000
Według badań znamy ok. 9% gatunków zamieszkujących oceany.
13:56
That means 91 percent, even after the census,
349
821000
2000
A więc nawet po naszym spisie gatunków
13:58
still remain to be discovered.
350
823000
2000
91% pozostaje do odkrycia.
14:00
And so that turns out to be about two million species
351
825000
2000
W sumie da nam to
14:02
once all is said and done.
352
827000
2000
blisko 2 miliony gatunków.
14:04
So we still have quite a lot of work to do
353
829000
2000
Pozostało więc jeszcze wiele do zrobienia
14:06
in terms of unknowns.
354
831000
2000
w zakresie nieznanych gatunków.
14:08
Now this bacterium
355
833000
2000
Oto bakteria
14:10
is part of mats that are found off the coast of Chile.
356
835000
3000
występująca w dużych koloniach u wybrzeży Chile.
14:13
And these mats actually cover an area the size of Greece.
357
838000
2000
Bakteryjne maty pokrywają tam obszar wielkości Grecji.
14:15
And so this particular bacterium is actually visible to the naked eye.
358
840000
3000
Bakteria widoczna jest gołym okiem,
14:18
But you can imagine the biomass that represents.
359
843000
3000
więc nietrudno sobie wyobrazić biomasę jaką reprezentuje.
14:21
But the really intriguing thing about the microbes
360
846000
2000
Intrygujący w mikrobach jest
14:23
is just how diverse they are.
361
848000
2000
stopień ich zróżnicowania.
14:25
A single drop of seawater
362
850000
2000
Pojedyncza kropla morskiej wody
14:27
could contain 160 different types of microbes.
363
852000
2000
może zawierać do 160 różnych rodzajów mikrobów.
14:29
And the oceans themselves
364
854000
2000
Same oceany
14:31
are thought potentially to contain as many as a billion different types.
365
856000
3000
mogą zawierać ich prawie 1 mld rodzajów.
14:34
So that's really exciting. What are they all doing out there?
366
859000
3000
To bardzo ekscytujące. Co one wszystkie tam robią?
14:37
We actually don't know.
367
862000
2000
Tego niestety nie wiemy.
14:39
The most exciting thing, I would say, about this census
368
864000
2000
Najwspanialszą rzeczą w spisie gatunków
14:41
is the role of global science.
369
866000
2000
jest rola globalnej nauki.
14:43
And so as we see in this image of light during the night,
370
868000
2000
Na zdjęciu Ziemi nocą
14:45
there are lots of areas of the Earth
371
870000
2000
widzimy wiele obszarów
14:47
where human development is much greater
372
872000
3000
zwiększonej ingerencji człowieka
14:50
and other areas where it's much less,
373
875000
2000
i obszary mniej rozwinięte,
14:52
but between them we see large dark areas
374
877000
2000
a pomiędzy nimi duże czarne obszary
14:54
of relatively unexplored ocean.
375
879000
2000
stosunkowo niezbadanego oceanu.
14:56
The other point I'd like to make about this
376
881000
2000
Należy pamiętać,
14:58
is that this ocean's interconnected.
377
883000
2000
że oceany są połączone.
15:00
Marine organisms do not care about international boundaries;
378
885000
2000
Granice krajów nie dotyczą organizmów morskich.
15:02
they move where they will.
379
887000
2000
Przemieszczają się gdzie chcą.
15:04
And so the importance then of global collaboration
380
889000
3000
Tym ważniejsza staje się
15:07
becomes all the more important.
381
892000
2000
globalna współpraca.
15:09
We've lost a lot of paradise.
382
894000
2000
Straciliśmy wiele wspaniałych rzeczy,
15:11
For example, these tuna that were once so abundant in the North Sea
383
896000
3000
np. tuńczyki pływające licznie w Morzu Północnym
15:14
are now effectively gone.
384
899000
2000
całkowicie wyginęły.
15:16
There were trawls taken in the deep sea in the Mediterranean,
385
901000
3000
W Morzu Śródziemnym zarzucano głęboko sieci,
15:19
which collected more garbage than they did animals.
386
904000
2000
które zebrały więcej śmieci niż zwierząt.
15:21
And that's the deep sea, that's the environment that we consider to be
387
906000
3000
A głębiny morskie jedno z najbardziej dziewiczych środowisk
15:24
among the most pristine left on Earth.
388
909000
2000
jakie pozostały na Ziemi.
15:26
And there are a lot of other pressures.
389
911000
2000
Problemów jest więcej.
15:28
Ocean acidification is a really big issue that people are concerned with,
390
913000
3000
Dużym zmartwieniem jest zakwaszenie oceanów
15:31
as well as ocean warming, and the effects they're going to have on coral reefs.
391
916000
3000
i ocieplenie wód, które mogą wpływać na rafy koralowe.
15:34
On the scale of decades, in our lifetimes,
392
919000
3000
Jeszcze za naszego życia
15:37
we're going to see a lot of damage to coral reefs.
393
922000
2000
będziemy świadkami ogromnych szkód na rafach koralowych.
15:39
And I could spend the rest of my time, which is getting very limited,
394
924000
3000
Mógłbym jeszcze długo, choć kończy mi się czas,
15:42
going through this litany of concerns about the ocean,
395
927000
2000
wymieniać troski związane z oceanem,
15:44
but I want to end on a more positive note.
396
929000
2000
ale wolę zakończyć bardziej pozytywnie.
15:46
And so the grand challenge then
397
931000
2000
Będzie ogromnym wyzwaniem
15:48
is to try and make sure that we preserve what's left,
398
933000
2000
ochrona tego, co jeszcze mamy,
15:50
because there is still spectacular beauty.
399
935000
2000
a zostało na Ziemi wiele nieopisanego piękna.
15:52
And the oceans are so productive,
400
937000
2000
Oceany są tak produktywne
15:54
there's so much going on in there that's of relevance to humans
401
939000
3000
i dzieje się w nich tak wiele rzeczy mających wpływ na człowieka,
15:57
that we really need to, even from a selfish perspective,
402
942000
3000
że naprawdę musimy, choćby z egoistycznych pobudek,
16:00
try to do better than we have in the past.
403
945000
2000
postarać się bardziej niż w przeszłości.
16:02
So we need to recognize those hot spots
404
947000
2000
Musimy odnaleźć kluczowe miejsca
16:04
and do our best to protect them.
405
949000
2000
i zrobić wszystko, by je chronić.
16:06
When we look at pictures like this, they take our breath away,
406
951000
2000
Oceany zapierają nam dech,
16:08
in addition to helping to give us breath
407
953000
2000
ale zapewniają też tlen,
16:10
by the oxygen that the oceans provide.
408
955000
2000
którym oddychamy.
16:12
Census scientists worked in the rain, they worked in the cold,
409
957000
3000
Naukowcy pracujący nad spisem pracowali w deszczu, zimnie,
16:15
they worked under water and they worked above water
410
960000
2000
pod i ponad powierzchnią wody,
16:17
trying to illuminate the wondrous discovery,
411
962000
2000
starając się wyjaśnić fenomen
16:19
the still vast unknown,
412
964000
2000
pozostający wciąż tajemnicą,
16:21
the spectacular adaptations that we see in ocean life.
413
966000
3000
niezwykłą zdolność przystosowawczą obecną w oceanach.
16:24
So whether you're a yak herder living in the mountains of Chile,
414
969000
3000
Nie ważne, czy wypasasz jaki w górach w Chile,
16:27
whether you're a stockbroker in New York City
415
972000
3000
czy jesteś maklerem w Nowym Jorku,
16:30
or whether you're a TEDster living in Edinburgh,
416
975000
2000
albo miłośnikiem TED mieszkającym w Edynburgu,
16:32
the oceans matter.
417
977000
2000
ocean ma znaczenie.
16:34
And as the oceans go so shall we.
418
979000
2000
Dopóki istnieją oceany, istniejemy i my.
16:36
Thanks for listening.
419
981000
2000
Dziękuję za uwagę.
16:38
(Applause)
420
983000
2000
(Oklaski)
ABOUT THE SPEAKER
Paul Snelgrove - Marine biologistPaul Snelgrove led the group that pulled together the findings of the Census of Marine Life -- synthesizing 10 years and 540 expeditions into a book of wonders.
Why you should listen
From 2000 to 2010, the Census of Marine Life ran a focused international effort to catalogue as much knowledge as possible about the creatures living in our oceans. (It had never really been done before.) Some 2,700 scientists from 80 countries, on 540 expeditions, worked to assess the diversity, distribution, and abundance of marine life. More than 6,000 potential new species were discovered, amid scenes of ocean degradation, resilience, and wonder.
It was Paul Snelgrove's job to synthesize this mass of findings into a book. Snelgrove, a professor at Memorial University in Newfoundland who studies benthic sedimentary ecosystems, led the team that produced the book Discoveries of the Census of Marine Life, about the most important and dramatic findings of the CML: new species and habitats, unexpected and epic migration routes and changing distribution patterns. The census revealed how diverse, surprising, still vastly unknown, and tenacious life is in the oceans.
He says: "How to distill thousands of scientific papers and dozens of books into a coherent story? The answer was to lock myself in the basement, shut off email, and read, read, read."
Paul Snelgrove | Speaker | TED.com