Mission Blue Voyage
Daniel Pauly: The ocean's shifting baseline
Daniel Pauly: A inconstante linha de referência do oceano
Filmed:
Readability: 3.8
254,411 views
O oceano tem-se degradado durante a nossa vida, conforme se mostra pela decrescente dimensão média dos peixes. Mas Daniel Pauly mostra-nos na Mission Blue que, sempre que a linha de referência baixa, nós consideramo-la "normal". Quando é que deixaremos de a reajustar nessa descida?
Daniel Pauly - Fisheries biologist
Daniel Pauly is the principal investigator at the Sea Around Us Project, which studies the impact of the world's fisheries on marine ecosystems. The software he's helped develop is used around the world to model and track the ocean. Full bio
Daniel Pauly is the principal investigator at the Sea Around Us Project, which studies the impact of the world's fisheries on marine ecosystems. The software he's helped develop is used around the world to model and track the ocean. Full bio
Double-click the English transcript below to play the video.
00:12
I'm going to speak
0
0
2000
Vou falar duma pequena ideia, minúscula.
00:14
about a tiny, little idea.
1
2000
3000
00:17
And this is about shifting baseline.
2
5000
4000
É sobre mudar a linha de referência.
00:21
And because the idea can be explained in one minute,
3
9000
4000
Visto que posso explicar
a ideia num minuto,
a ideia num minuto,
00:25
I will tell you three stories before
4
13000
3000
primeiro vou contar-vos três histórias
00:28
to fill in the time.
5
16000
2000
para preencher o tempo.
00:30
And the first story
6
18000
2000
A primeira história
00:32
is about Charles Darwin, one of my heroes.
7
20000
3000
é sobre Charles Darwin,
um dos meus heróis.
um dos meus heróis.
00:35
And he was here, as you well know, in '35.
8
23000
3000
Ele esteve aqui, como bem sabem, em 1835.
00:38
And you'd think he was chasing finches,
9
26000
2000
Talvez pensem que ele
andava atrás de pássaros,
andava atrás de pássaros,
00:40
but he wasn't.
10
28000
2000
mas não andava,
andava a apanhar peixes.
andava a apanhar peixes.
00:42
He was actually collecting fish.
11
30000
2000
00:44
And he described one of them
12
32000
2000
Descreveu um deles
00:46
as very "common."
13
34000
2000
como muito "comum."
00:48
This was the sailfin grouper.
14
36000
2000
Era o Mycteroperca olfax.
00:50
A big fishery was run on it
15
38000
2000
Foi pescado intensivamente
00:52
until the '80s.
16
40000
3000
até aos anos 80.
00:55
Now the fish is on the IUCN Red List.
17
43000
3000
Agora o peixe está
na lista vermelha da UICN.
na lista vermelha da UICN.
00:58
Now this story,
18
46000
2000
Já ouvimos esta história muitas vezes
01:00
we have heard it lots of times
19
48000
3000
01:03
on Galapagos and other places,
20
51000
2000
nos Galápagos e noutros lugares,
01:05
so there is nothing particular about it.
21
53000
3000
por isso, não há nada de especial nesta.
01:08
But the point is, we still come to Galapagos.
22
56000
3000
Mas a questão é que ainda
vamos aos Galápagos.
vamos aos Galápagos.
01:11
We still think it is pristine.
23
59000
3000
Ainda pensamos que é um local virgem.
01:14
The brochures still say
24
62000
3000
As brochuras ainda dizem
01:17
it is untouched.
25
65000
2000
que nunca foi tocada.
01:19
So what happens here?
26
67000
3000
Então, o que é que se passa?
01:22
The second story, also to illustrate another concept,
27
70000
3000
A segunda história, também
para ilustrar outro conceito,
para ilustrar outro conceito,
01:25
is called shifting waistline.
28
73000
2000
chama-se mudar a linha da cintura.
01:27
(Laughter)
29
75000
3000
(Risos)
01:30
Because I was there in '71,
30
78000
2000
Porque eu estava lá em 1971,
01:32
studying a lagoon in West Africa.
31
80000
2000
a estudar uma lagoa na África Ocidental.
01:34
I was there because I grew up in Europe
32
82000
3000
Eu estava lá porque cresci na Europa
01:37
and I wanted later to work in Africa.
33
85000
2000
e queria ir trabalhar para África.
01:39
And I thought I could blend in.
34
87000
2000
Pensava que conseguia integrar-me.
01:41
And I got a big sunburn,
35
89000
2000
Mas apanhei uma grande queimadura solar
01:43
and I was convinced that I was really not from there.
36
91000
3000
e fiquei convencido
que, de facto, não era de lá.
que, de facto, não era de lá.
01:46
This was my first sunburn.
37
94000
2000
Foi a minha primeira queimadura solar.
01:48
And the lagoon
38
96000
3000
A lagoa estava rodeada de palmeiras,
01:51
was surrounded by palm trees,
39
99000
2000
01:53
as you can see, and a few mangrove.
40
101000
2000
como podem ver, e de mangais.
01:55
And it had tilapia
41
103000
2000
E tinha tilápias com cerca
de 20 centímetros,
de 20 centímetros,
01:57
about 20 centimeters,
42
105000
2000
01:59
a species of tilapia called blackchin tilapia.
43
107000
2000
uma espécie de tilápias
chamada Sarotherodon melanotheron.
chamada Sarotherodon melanotheron.
02:01
And the fisheries for this tilapia
44
109000
2000
A pesca para esta espécie de tilápias
02:03
sustained lots of fish and they had a good time
45
111000
3000
sustentava muitos pescadores
que passavam um tempo agradável
que passavam um tempo agradável
02:06
and they earned more than average
46
114000
2000
e ganhavam mais do que a média,
no Gana.
no Gana.
02:08
in Ghana.
47
116000
2000
02:10
When I went there 27 years later,
48
118000
3000
Quando lá cheguei, 27 anos depois,
02:13
the fish had shrunk to half of their size.
49
121000
3000
o peixe tinha reduzido
para metade do tamanho.
para metade do tamanho.
02:16
They were maturing at five centimeters.
50
124000
2000
Já eram adultos com 5 centímetros.
02:18
They had been pushed genetically.
51
126000
2000
Tinham sido manipulados geneticamente.
02:20
There were still fishes.
52
128000
2000
Ainda havia peixes.
02:22
They were still kind of happy.
53
130000
2000
Ainda eram felizes.
02:24
And the fish also were happy to be there.
54
132000
5000
E os peixes também eram felizes
por estarem ali.
por estarem ali.
02:29
So nothing has changed,
55
137000
2000
Portanto, nada mudara,
02:31
but everything has changed.
56
139000
2000
mas tudo tinha mudado.
02:33
My third little story
57
141000
2000
A minha terceira historieta
02:35
is that I was an accomplice
58
143000
2000
é que eu fui cúmplice
02:37
in the introduction of trawling
59
145000
2000
na introdução do arrasto
no sudeste asiático.
no sudeste asiático.
02:39
in Southeast Asia.
60
147000
2000
02:41
In the '70s -- well, beginning in the '60s --
61
149000
3000
Nos anos 70 — aliás, começou nos anos 60 —
02:44
Europe did lots of development projects.
62
152000
3000
a Europa fez muitos projetos
de desenvolvimento.
de desenvolvimento.
02:47
Fish development
63
155000
2000
O desenvolvimento dos peixes
02:49
meant imposing on countries
64
157000
2000
significou impor aos países
02:51
that had already 100,000 fishers
65
159000
3000
que já tinham 100 000 pescadores
02:54
to impose on them industrial fishing.
66
162000
3000
a pesca industrial.
02:57
And this boat, quite ugly,
67
165000
2000
Este barco, bastante feio,
chama-se Mutiara 4.
chama-se Mutiara 4.
02:59
is called the Mutiara 4.
68
167000
2000
03:01
And I went sailing on it,
69
169000
2000
Era nele que eu andava a fazer pesquisas
03:03
and we did surveys
70
171000
3000
03:06
throughout the southern South China sea
71
174000
3000
pelo mar do sul da China,
03:09
and especially the Java Sea.
72
177000
2000
em especial, no Mar Java.
03:11
And what we caught,
73
179000
2000
Apanhávamos coisas
03:13
we didn't have words for it.
74
181000
2000
que nem sabíamos como se chamavam.
03:15
What we caught, I know now,
75
183000
3000
Sei agora que o que apanhávamos
03:18
is the bottom of the sea.
76
186000
2000
era o fundo do mar.
03:20
And 90 percent of our catch
77
188000
2000
Uns 90% da nossa pesca eram esponjas,
03:22
were sponges,
78
190000
2000
03:24
other animals that are fixed on the bottom.
79
192000
3000
outros animais que estavam
fixados no fundo.
fixados no fundo.
03:27
And actually most of the fish,
80
195000
2000
Mas a maior parte dos peixes
03:29
they are a little spot on the debris,
81
197000
2000
eram uma pequena mancha
no meio dos detritos,
no meio dos detritos,
03:31
the piles of debris, were coral reef fish.
82
199000
3000
montes de detritos,
eram peixes do recife de coral.
eram peixes do recife de coral.
03:34
Essentially the bottom of the sea came onto the deck
83
202000
2000
Era, essencialmente,
o fundo do mar em cima do convés
o fundo do mar em cima do convés
03:36
and then was thrown down.
84
204000
2000
que depois era devolvido ao mar.
03:38
And these pictures are extraordinary
85
206000
3000
Estas fotos são extraordinárias
03:41
because this transition is very rapid.
86
209000
3000
porque esta transição é muito rápida.
03:44
Within a year, you do a survey
87
212000
3000
Num ano, fazemos uma pesquisa
03:47
and then commercial fishing begins.
88
215000
2000
e depois começa a pesca comercial.
03:49
The bottom is transformed
89
217000
2000
O fundo fica transformado.
03:51
from, in this case, a hard bottom or soft coral
90
219000
3000
Neste caso, um fundo duro ou coral macio
03:54
into a muddy mess.
91
222000
3000
passa a ser uma barafunda enlameada.
03:57
This is a dead turtle.
92
225000
2000
Isto é uma tartaruga morta.
03:59
They were not eaten, they were thrown away because they were dead.
93
227000
3000
Não eram comidas, eram deitadas fora
porque estavam mortas.
porque estavam mortas.
04:02
And one time we caught a live one.
94
230000
2000
Uma vez apanhámos uma viva.
04:04
It was not drowned yet.
95
232000
2000
Ainda não se tinha afogado.
04:06
And then they wanted to kill it because it was good to eat.
96
234000
3000
Quiseram matá-la
porque era boa para comer.
porque era boa para comer.
04:09
This mountain of debris
97
237000
3000
Este montão de detritos
04:12
is actually collected by fishers
98
240000
3000
é apanhado pelos pescadores
04:15
every time they go
99
243000
2000
cada vez que vão para uma área
04:17
into an area that's never been fished.
100
245000
2000
onde nunca houve pescas.
04:19
But it's not documented.
101
247000
2000
Mas não está documentada.
04:21
We transform the world,
102
249000
2000
Nós transformamos o mundo,
04:23
but we don't remember it.
103
251000
2000
mas não o recordamos.
04:25
We adjust our baseline
104
253000
3000
Vamos ajustando
o nosso nível de referência
o nosso nível de referência
04:28
to the new level,
105
256000
2000
a um novo nível.
04:30
and we don't recall what was there.
106
258000
4000
e não recordamos
o que lá havia anteriormente.
o que lá havia anteriormente.
04:34
If you generalize this,
107
262000
2000
Se generalizarmos,
04:36
something like this happens.
108
264000
2000
acontece mais ou menos uma coisa assim.
04:38
You have on the y axis some good thing:
109
266000
3000
Temos no eixo Y qualquer coisa boa:
04:41
biodiversity, numbers of orca,
110
269000
3000
biodiversidade, o número de orcas,
04:44
the greenness of your country, the water supply.
111
272000
3000
a vegetação do nosso país,
o abastecimento de água.
o abastecimento de água.
04:47
And over time it changes --
112
275000
2000
Com o tempo, isso muda
04:49
it changes
113
277000
2000
e muda porque as pessoas
fazem coisas,
fazem coisas,
04:51
because people do things, or naturally.
114
279000
2000
ou elas ocorrem de forma natural.
04:53
Every generation
115
281000
2000
Cada geração vai usar as imagens
04:55
will use the images
116
283000
2000
04:57
that they got at the beginning of their conscious lives
117
285000
3000
que receberam no início
da sua vida consciente
da sua vida consciente
05:00
as a standard
118
288000
2000
como um padrão.
05:02
and will extrapolate forward.
119
290000
2000
E vai extrapolar a partir delas.
05:04
And the difference then,
120
292000
2000
A diferença é encarada como uma perda
05:06
they perceive as a loss.
121
294000
2000
05:08
But they don't perceive what happened before as a loss.
122
296000
3000
Mas não encaram o que aconteceu
anteriormente como uma perda.
anteriormente como uma perda.
05:11
You can have a succession of changes.
123
299000
2000
Temos uma sucessão de alterações.
05:13
At the end you want to sustain
124
301000
3000
No final, queremos sustentar
uns restos miseráveis.
uns restos miseráveis.
05:16
miserable leftovers.
125
304000
3000
05:19
And that, to a large extent, is what we want to do now.
126
307000
3000
Em grande medida, é o que
queremos fazer agora.
queremos fazer agora.
05:22
We want to sustain things that are gone
127
310000
3000
Queremos sustentar coisas
que já não existem
que já não existem
05:25
or things that are not the way they were.
128
313000
4000
ou coisas que já não são
o que eram.
o que eram.
05:29
Now one should think
129
317000
2000
Podíamos pensar
que este problema afetava as pessoas
que este problema afetava as pessoas
05:31
this problem affected people
130
319000
2000
05:33
certainly when in predatory societies,
131
321000
4000
certamente quando,
em sociedades predatórias,
em sociedades predatórias,
05:37
they killed animals
132
325000
2000
matavam animais
05:39
and they didn't know they had done so
133
327000
2000
e não sabiam que isso era feito
05:41
after a few generations.
134
329000
2000
ao fim de algumas gerações.
05:43
Because, obviously,
135
331000
3000
Porque, obviamente,
05:46
an animal that is very abundant,
136
334000
5000
um animal que é muito abundante
05:51
before it gets extinct,
137
339000
3000
antes de se extinguir,
05:54
it becomes rare.
138
342000
3000
torna-se raro.
05:57
So you don't lose abundant animals.
139
345000
3000
Portanto, nunca perdemos
animais abundantes,
animais abundantes,
só perdemos animais raros.
06:00
You always lose rare animals.
140
348000
2000
06:02
And therefore they're not perceived
141
350000
2000
Por isso, nunca consideramos isso
06:04
as a big loss.
142
352000
2000
como uma grande perda.
06:06
Over time,
143
354000
2000
Com o tempo, concentramo-nos
nos grandes animais,
nos grandes animais,
06:08
we concentrate on large animals,
144
356000
2000
06:10
and in a sea that means the big fish.
145
358000
2000
No mar, isso significa os grandes peixes.
06:12
They become rarer because we fish them.
146
360000
3000
Tornam-se raros porque os pescamos.
06:15
Over time we have a few fish left
147
363000
2000
Com o tempo, restam poucos peixes
06:17
and we think this is the baseline.
148
365000
3000
e pensamos que é essa
a base de referência.
a base de referência.
06:20
And the question is,
149
368000
2000
A pergunta é:
06:22
why do people accept this?
150
370000
5000
Porque é que as pessoas aceitam isso?
06:27
Well because they don't know that it was different.
151
375000
3000
Porque não sabem que era diferente.
06:30
And in fact, lots of people, scientists,
152
378000
3000
Com efeito, há muitos cientistas
06:33
will contest that it was really different.
153
381000
2000
que discutem se seria,
de facto, diferente.
de facto, diferente.
06:35
And they will contest this
154
383000
2000
Discutem isso
06:37
because the evidence
155
385000
2000
porque os indícios apresentados
num modelo anterior
num modelo anterior
06:39
presented in an earlier mode
156
387000
5000
06:44
is not in the way
157
392000
3000
não estão apresentados
da forma como eles querem
que sejam apresentados os indícios.
que sejam apresentados os indícios.
06:47
they would like the evidence presented.
158
395000
2000
06:49
For example,
159
397000
2000
Por exemplo,
a história que alguns apresentam
06:51
the anecdote that some present,
160
399000
2000
06:53
as Captain so-and-so
161
401000
2000
de que o capitão fulano de tal
06:55
observed lots of fish in this area
162
403000
3000
observou muitos peixes nesta área
06:58
cannot be used
163
406000
2000
não pode ser usada
07:00
or is usually not utilized by fishery scientists,
164
408000
3000
ou geralmente, não é usada
pelos cientistas das pescas,
pelos cientistas das pescas,
07:03
because it's not "scientific."
165
411000
2000
porque não é "científica".
07:05
So you have a situation
166
413000
2000
Portanto, temos uma situação
07:07
where people don't know the past,
167
415000
3000
em que as pessoas
não conhecem o passado,
não conhecem o passado,
07:10
even though we live in literate societies,
168
418000
3000
apesar de vivermos
em sociedades literatas,
em sociedades literatas,
07:13
because they don't trust
169
421000
2000
porque não confiam
nas fontes do passado.
nas fontes do passado.
07:15
the sources of the past.
170
423000
3000
07:18
And hence, the enormous role
171
426000
3000
Daí, o papel importantíssimo
que pode ter uma área marinha protegida.
07:21
that a marine protected area can play.
172
429000
2000
07:23
Because with marine protected areas,
173
431000
3000
Porque com áreas marinhas protegidas,
07:26
we actually recreate the past.
174
434000
4000
recriamos o passado.
07:30
We recreate the past that people cannot conceive
175
438000
3000
Recriamos o passado
que as pessoas não conhecem
que as pessoas não conhecem
07:33
because the baseline has shifted
176
441000
2000
porque a linha de referência mudou
07:35
and is extremely low.
177
443000
2000
e está extremamente baixa.
07:37
That is for people
178
445000
2000
Isto para as pessoas
07:39
who can see a marine protected area
179
447000
5000
que veem uma área marinha protegida
e que podem beneficiar
07:44
and who can benefit
180
452000
2000
07:46
from the insight that it provides,
181
454000
3000
da visão que ela proporciona
e que lhes permite reajustar
a sua linha de referência.
a sua linha de referência.
07:49
which enables them to reset their baseline.
182
457000
4000
07:53
How about the people who can't do that
183
461000
2000
E quanto às pessoas
que não podem fazer isso
que não podem fazer isso
07:55
because they have no access --
184
463000
2000
porque não lhe têm acesso,
07:57
the people in the Midwest for example?
185
465000
3000
por exemplo, as pessoas do Midwest?
08:00
There I think
186
468000
2000
Penso que, para essas,
08:02
that the arts and film
187
470000
2000
a arte e os filmes
talvez possam preencher esse vazio.
talvez possam preencher esse vazio.
08:04
can perhaps fill the gap,
188
472000
2000
08:06
and simulation.
189
474000
2000
E também as simulações
08:08
This is a simulation of Chesapeake Bay.
190
476000
3000
Esta é uma simulação
da Baía de Chesapeake.
da Baía de Chesapeake.
08:11
There were gray whales in Chesapeake Bay a long time ago --
191
479000
2000
Há muito tempo, havia baleias cinzentas
na Baía de Chesapeake
na Baía de Chesapeake
08:13
500 years ago.
192
481000
2000
— há uns 500 anos.
08:15
And you will have noticed that the hues and tones
193
483000
3000
Devem ter reparado
que os matizes e as tonalidades
que os matizes e as tonalidades
08:18
are like "Avatar."
194
486000
2000
são como o "Avatar".
08:20
(Laughter)
195
488000
2000
(Risos)
08:22
And if you think about "Avatar,"
196
490000
2000
Se pensarem no "Avatar",
08:24
if you think of why people were so touched by it --
197
492000
3000
se pensarem porque é
que as pessoas se emocionaram com ele
que as pessoas se emocionaram com ele
08:27
never mind the Pocahontas story --
198
495000
4000
— esqueçam a história da Pocahontas —
porque é que se sentiram
emocionadas com as imagens?
emocionadas com as imagens?
08:31
why so touched by the imagery?
199
499000
4000
08:35
Because it evokes something
200
503000
3000
Porque recorda qualquer coisa
08:38
that in a sense has been lost.
201
506000
2000
que, de certa forma, se perdeu.
08:40
And so my recommendation,
202
508000
2000
Portanto, a minha recomendação
08:42
it's the only one I will provide,
203
510000
2000
é a única que posso fornecer.
08:44
is for Cameron to do "Avatar II" underwater.
204
512000
5000
É Cameron fazer um "Avatar"
debaixo de água.
debaixo de água.
08:49
Thank you very much.
205
517000
2000
Muito obrigado.
(Aplausos)
08:51
(Applause)
206
519000
2000
ABOUT THE SPEAKER
Daniel Pauly - Fisheries biologistDaniel Pauly is the principal investigator at the Sea Around Us Project, which studies the impact of the world's fisheries on marine ecosystems. The software he's helped develop is used around the world to model and track the ocean.
Why you should listen
Daniel Pauly heads the Sea Around Us Project, based at the Fisheries Centre, at the University of British Columbia. Pauly has been a leader in conceptualizing and codeveloping software that’s used by ocean experts throughout the world. At the Sea Around Us and in his other work, he’s developing new ways to view complex ocean data.
Pauly’s work includes the Ecopath ecological/ecosystem modeling software suite; the massive FishBase, the online encyclopaedia of fishes; and, increasingly, the quantitative results of the Sea Around Us Project.
Daniel Pauly | Speaker | TED.com