Mission Blue Voyage
Barbara Block: Tagging tuna in the deep ocean
Barbara Block: Derin okyanusta tuna etiketleme
Filmed:
Readability: 4.4
368,018 views
Tunalar okyanusun atletleridirler, hızlı uzun menzilli ve alışkanlıklarını daha yeni anlamaya başladığımız yırtıcılardır. Deniz biyoloğu Barbara Block tunalara izleme etiketleri koyup (uydu vericisiyle tamamlanan) bu büyüleyici ve nesli tehdit altındaki hayvanlar hakkında eşine rastlanmamış miktarda bilgi alışlarını ve onların okyanustaki doğal ortamlarını anlatıyor.
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
Tüm hayatım boyunca mavi yüzgeçli
00:18
by the beauty, form and function
1
3000
2000
dev tuna balığının güzelliği, şekli ve
00:20
of giant bluefin tuna.
2
5000
3000
fonksiyonu karşısında büyülenmişimdir.
00:23
Bluefin are warmblooded like us.
3
8000
3000
Mavi yüzgeçliler bizim gibi sıcakkanlıdır.
00:26
They're the largest of the tunas,
4
11000
3000
Tunaların içinde en büyükleridirler ve büyüklükleriyle
00:29
the second-largest fish in the sea -- bony fish.
5
14000
3000
denizde yaşayan kemikli balıkların arasında da ikinci sırada yer alırlar
00:32
They actually are a fish
6
17000
2000
Aynı bir memeli gibi
00:34
that is endothermic --
7
19000
2000
okyanusta sıcak kaslarıyla
00:36
powers through the ocean with warm muscles like a mammal.
8
21000
3000
ısı alma gücü olan balıklardır.
00:40
That's one of our bluefin at the Monterey Bay Aquarium.
9
25000
3000
Bu Monterrey Bay akvaryumundaki balıklarımızdan biri
00:43
You can see in its shape and its streamlined design
10
28000
3000
Şeklini ve okyanus yüzüşü için kuvvetlendirilmiş
00:46
it's powered for ocean swimming.
11
31000
3000
aerodinamik dizaynını görebilirsiniz
00:49
It flies through the ocean on its pectoral fins, gets lift,
12
34000
3000
Tüm okyanusu göğüs yüzgeçleri ile geçer,
00:52
powers its movements
13
37000
2000
kendini yükseltir ve
00:54
with a lunate tail.
14
39000
2000
hilal biçimli kuyruğuyla hareketlerine güç verir.
00:56
It's actually got a naked skin for most of its body,
15
41000
3000
Vücudunun büyük bir bölümünde derisi çıplaktır
00:59
so it reduces friction with the water.
16
44000
3000
Böylece sudaki sürtünmeyi azaltır.
01:02
This is what one of nature's finest machines.
17
47000
3000
Bu yüzden doğanın en iyi makinelerinden biridir.
01:05
Now, bluefin
18
50000
2000
Mavi yüzgeçli Tunalar
01:07
were revered by Man
19
52000
2000
tüm insanlık tarihi boyunca
01:09
for all of human history.
20
54000
3000
insanlardan saygı görmüştür.
01:12
For 4,000 years, we fished sustainably for this animal,
21
57000
3000
4000 yıldır bu balığı avlıyoruz,
01:15
and it's evidenced
22
60000
2000
Ve binlerce yıl önce
01:17
in the art that we see
23
62000
2000
şu an gördüğümüz bu sanat eserleri
01:19
from thousands of years ago.
24
64000
2000
üzerinde belirtilmişlerdir.
01:21
Bluefin are in cave paintings in France.
25
66000
3000
Mavi yüzgeçli Tunalar Fransa’da mağara çizimlerinde de bulunmuştur.
01:24
They're on coins
26
69000
2000
3000 yıllık geçmişe sahip
01:26
that date back 3,000 years.
27
71000
3000
madeni paraların üzerinde de varlar.
01:29
This fish was revered by humankind.
28
74000
3000
İnsanoğlu bu balığa saygı göstermiştir.
01:32
It was fished sustainably
29
77000
2000
Ve bizim neslimiz hariç
01:34
till all of time,
30
79000
2000
tüm zamanlar boyunca da
01:36
except for our generation.
31
81000
2000
sürekli bir şekilde avlanmıştır.
01:38
Bluefin are pursued wherever they go --
32
83000
3000
Mavi yüzgeçliler her nereye gittilerse takip edilmişlerdir.
01:41
there is a gold rush on Earth,
33
86000
2000
Bir devlet kuşu gibi
01:43
and this is a gold rush for bluefin.
34
88000
2000
mavi yüzgeçlilere hücum edilmiştir.
01:45
There are traps that fish sustainably
35
90000
2000
Yakın zamana kadar bu balıklar için
01:47
up until recently.
36
92000
3000
sürekli tuzaklar hazırlanıyordu.
01:50
And yet, the type of fishing going on today,
37
95000
3000
Ağlarla ve dev gibi kazıklarla yapılan avlanma
01:53
with pens, with enormous stakes,
38
98000
3000
bugün hala devam etmekte
01:56
is really wiping bluefin
39
101000
2000
ve mavi yüzgeçlileri ekolojik olarak
01:58
ecologically off the planet.
40
103000
2000
gezegenimizden silmektedir.
02:00
Now bluefin, in general,
41
105000
2000
Mavi yüzgeçliler genel olarak
02:02
goes to one place: Japan.
42
107000
2000
tek bir yere gider: Japonya
02:04
Some of you may be guilty
43
109000
2000
Bazılarınız mavi yüzgeçlilerin ölümüne katkı sağladığı için
02:06
of having contributed to the demise of bluefin.
44
111000
2000
kendilerini suçlu hissedebilir.
02:08
They're delectable muscle,
45
113000
2000
Onlar yağ bakımından zengin
02:10
rich in fat --
46
115000
2000
ve kesinlikle
02:12
absolutely taste delicious.
47
117000
2000
çok lezzetli nefis kas yığınlarıdır.
02:14
And that's their problem; we're eating them to death.
48
119000
3000
Ve problemleri de bizim onları öldüresiye yememiz.
02:17
Now in the Atlantic, the story is pretty simple.
49
122000
3000
Şimdi Atlantik’teki problem oldukça basit.
02:20
Bluefin have two populations: one large, one small.
50
125000
3000
Mavi yüzgeçlilerin iki popülasyonu vardır: bir büyük, bir küçük
02:23
The North American population
51
128000
2000
Kuzey Amerika popülasyonunun
02:25
is fished at about 2,000 ton.
52
130000
3000
yaklaşık 2000 tonu avlandı.
02:28
The European population and North African -- the Eastern bluefin tuna --
53
133000
3000
Avrupa ve kuzey Afrika popülasyonu ( doğulu mavi yüzgeçli Tunalar)
02:31
is fished at tremendous levels:
54
136000
3000
inanılmaz seviyelerde avlandılar.
02:34
50,000 tons over the last decade almost every year.
55
139000
3000
Son on yıldır nerdeyse her yıl 50.000 tonun üzerinde avlanıyorlar.
02:37
The result is whether you're looking
56
142000
2000
Sonuç olarak hangi tarafa bakarsanız bakın
02:39
at the West or the Eastern bluefin population,
57
144000
3000
ister batı ister doğu,
02:42
there's been tremendous decline on both sides,
58
147000
2000
1950ler deki verilere göre
02:44
as much as 90 percent
59
149000
2000
mavi yüzgeçli Tunaların popülâsyonunda
02:46
if you go back with your baseline
60
151000
2000
çok büyük bir azalma var,
02:48
to 1950.
61
153000
2000
bu oran %90lara kadar gidiyor.
02:50
For that, bluefin have been given a status
62
155000
3000
Bu yüzden mavi yüzgeçlilere
02:53
equivalent to tigers, to lions,
63
158000
3000
kaplanlar, aslanlar,
02:56
to certain African elephants
64
161000
2000
Afrika filleri ve pandalarla
02:58
and to pandas.
65
163000
2000
eşit statü verilmiş
03:00
These fish have been proposed
66
165000
2000
Bu balıkların iki ay önce
03:02
for an endangered species listing in the past two months.
67
167000
3000
nesli tükenen canlılar listesinde yer alması teklif edildi.
03:05
They were voted on and rejected
68
170000
2000
Teklif, iki komitenin
03:07
just two weeks ago,
69
172000
2000
bu balığın CITES 1 kriterlerine uygun olduğuna dair
03:09
despite outstanding science
70
174000
2000
dikkat çeken bilimsel çalışmalarına rağmen
03:11
that shows from two committees
71
176000
3000
iki hafta önce oylandı
03:14
this fish meets the criteria of CITES I.
72
179000
3000
ve reddedildi.
03:17
And if it's tunas you don't care about,
73
182000
2000
Eğer konu Tunalarsa ilgilenmezsiniz
03:19
perhaps you might be interested
74
184000
2000
muhtemelen uluslar arası uzun hatlarla,
03:21
that international long lines and pursing
75
186000
2000
yakalanan Tunalarla yahut
03:23
chase down tunas and bycatch animals
76
188000
3000
kazara avlanan deniz kaplumbağaları,
03:26
such as leatherbacks, sharks,
77
191000
2000
köpek balıkları, kılıçbalıkları ve
03:28
marlin, albatross.
78
193000
2000
albatroslarla daha çok ilgilenebilirsiniz.
03:30
These animals and their demise
79
195000
2000
Bu hayvanların sudan çıkışı ve onların ölümü
03:32
occurs in the tuna fisheries.
80
197000
3000
tuna balıkçılığı sırasında meydana geliyor.
03:35
The challenge we face
81
200000
2000
Karşı karşıya kaldığımız problem
03:37
is that we know very little about tuna,
82
202000
3000
tuna balıkları hakkında çok az bilgiye sahip oluşumuz
03:40
and everyone in the room knows what it looks like
83
205000
3000
oysa bu odadaki hemen hemen herkes
03:43
when an African lion
84
208000
2000
bir Afrika aslanının
03:45
takes down its prey.
85
210000
2000
avını nasıl parçalara ayırdığını bilir.
03:47
I doubt anyone has seen a giant bluefin feed.
86
212000
3000
Oysa bu odadakilerin bir mavi yüzgeçli tunanın beslendiğini görmüş olabileceğinden şüphe duyuyorum.
03:50
This tuna symbolizes
87
215000
3000
Bu tuna balığı bu odadakilerin probleminin
03:53
what's the problem for all of us in the room.
88
218000
3000
ne olduğunu sembolize ediyor.
03:56
It's the 21st century, but we really have only just begun
89
221000
3000
21. yüzyıldayız ancak okyanuslar hakkında
03:59
to really study our oceans in a deep way.
90
224000
3000
derin çalışmalara daha yeni başladık.
04:02
Technology has come of age
91
227000
2000
Teknoloji öyle bir zamana geldi ki
04:04
that's allowing us to see the Earth from space
92
229000
3000
artık dünyadan uzayı görmemize,
04:07
and go deep into the seas remotely.
93
232000
3000
uzaktan okyanus diplerine ulaşmamıza izin veriyor
04:10
And we've got to use these technologies immediately
94
235000
2000
Ve okyanus diyarının
04:12
to get a better understanding
95
237000
2000
esas işinin ne olduğunu anlayabilmek için
04:14
of how our ocean realm works.
96
239000
3000
bu teknolojiyi hemen kullanmak zorundayız.
04:17
Most of us from the ship -- even I --
97
242000
2000
Pek çoğumuz hatta ben bile gemiden baktığımızda
04:19
look out at the ocean and see this homogeneous sea.
98
244000
3000
homojen bir okyanus görürüz.
04:22
We don't know where the structure is.
99
247000
2000
Temelin nerede olduğunu bilmeyiz.
04:24
We can't tell where are the watering holes
100
249000
3000
Afrika ovalarını gördüğümüz gibi
04:27
like we can on an African plain.
101
252000
3000
sudaki deliklerin nerede olduğunu söyleyemeyiz.
04:30
We can't see the corridors,
102
255000
2000
Sudaki koridorları göremeyiz
04:32
and we can't see what it is
103
257000
2000
ve bir tuna balığını, deniz kaplumbağasını
04:34
that brings together a tuna,
104
259000
2000
veya bir albatrosu nelerin bir araya
04:36
a leatherback and an albatross.
105
261000
2000
getirdiğini bilemeyiz
04:38
We're only just beginning to understand
106
263000
2000
Şu an sadece
04:40
how the physical oceanography
107
265000
2000
fiziksel ve biyolojik okyanus biliminin
04:42
and the biological oceanography
108
267000
2000
bir araya gelip mevsimsel bir güç yaratarak
04:44
come together
109
269000
2000
sıcak su akıntısı
04:46
to create a seasonal force
110
271000
2000
oluşturduğunu ve sıcak noktaları
04:48
that actually causes the upwelling
111
273000
2000
umut noktaları haline getirebileceğini
04:50
that might make a hot spot a hope spot.
112
275000
3000
yeni yeni anlamaya başladık.
04:53
The reasons these challenges are great
113
278000
2000
Bu sorunların bu kadar büyük olmasının nedeni
04:55
is that technically it's difficult to go to sea.
114
280000
3000
teknik olarak denize ulaşmanın zor oluşu.
04:58
It's hard to study a bluefin on its turf,
115
283000
2000
Kendi bölgelerinde Tunaları
05:00
the entire Pacific realm.
116
285000
2000
yahut tüm pasifik diyarı üzerinde çalışmak çok zor.
05:02
It's really tough to get up close and personal with a mako shark
117
287000
4000
Bir mako köpekbalığına kişisel olarak yaklaşmak ve
05:06
and try to put a tag on it.
118
291000
2000
üzerine bir etiket koymayı denemek gerçekten çok zor.
05:08
And then imagine being Bruce Mate's team from OSU,
119
293000
3000
Ve OSU dan Bruce Mate'in takımında olduğunuzu
05:11
getting up close to a blue whale
120
296000
2000
ve bir mavi balinaya yaklaştığınızı
05:13
and fixing a tag on the blue whale that stays,
121
298000
3000
o orda dururken üzerine bir etiket koymaya çalıştığınızı hayal edin.
05:16
an engineering challenge
122
301000
2000
Daha üstesinden gelmemiz gereken
05:18
we've yet to really overcome.
123
303000
2000
gerçek bir mühendislik sorunumuz var.
05:20
So the story of our team, a dedicated team,
124
305000
3000
Bizim takımımızın, adanmış bir takımın hikayesi
05:23
is fish and chips.
125
308000
2000
balıklar ve çiplerdir.
05:25
We basically are taking
126
310000
2000
Uydu telefonunuzdaki ya da
05:27
the same satellite phone parts,
127
312000
2000
bilgisayarınızdaki çipleri
05:29
or the same parts that are in your computer, chips.
128
314000
3000
alıp kullanıyoruz aslında.
05:32
We're putting them together in unusual ways,
129
317000
3000
Onları normalden çok farklı bir şekilde bir araya getiriyoruz
05:35
and this is taking us into the ocean realm
130
320000
2000
ve bu bizi okyanus diyarının daha önce hiç gitmediğimiz
05:37
like never before.
131
322000
2000
yerlerine götürüyor.
05:39
And for the first time,
132
324000
2000
Böylece ilk defa
05:41
we're able to watch the journey of a tuna beneath the ocean
133
326000
3000
bir tuna balığının okyanus altındaki yolculuğunu
05:44
using light and photons
134
329000
2000
ışık ve foton kullanarak gün batımı ve
05:46
to measure sunrise and sunset.
135
331000
3000
gün doğumunu ölçerek izleyebildik.
05:49
Now, I've been working with tunas for over 15 years.
136
334000
3000
15 yıldan fazla bir süredir Tunalarla çalışıyorum
05:52
I have the privilege of being a partner
137
337000
2000
Monterrey Bay akvaryumunun
05:54
with the Monterey Bay Aquarium.
138
339000
2000
partneri olma ayrıcalığına sahibim
05:56
We've actually taken a sliver of the ocean,
139
341000
2000
Okyanustan küçük bir kesit alıp
05:58
put it behind glass,
140
343000
2000
mavi yüzgeçli Tunaları
06:00
and we together
141
345000
2000
ve sarı yüzgeçli Tunaları bir araya getirip
06:02
have put bluefin tuna and yellowfin tuna on display.
142
347000
3000
camekânın arkasında koyup sergiliyoruz.
06:05
When the veil of bubbles lifts every morning,
143
350000
3000
Her sabah baloncuk duvağının yukarıya çıkışında
06:08
we can actually see a community from the Pelagic ocean,
144
353000
3000
aslında açık denizlerdeki bir topluluğu,
06:11
one of the only places on Earth
145
356000
2000
dünya üzerinde dev mavi yüzgeçli tunanın
06:13
you can see giant bluefin swim by.
146
358000
3000
yüzebileceği tek yeri görüyorsunuz.
06:16
We can see in their beauty of form and function,
147
361000
2000
Onların şekillerindeki, fonksiyonlarındaki ve
06:19
their ceaseless activity.
148
364000
2000
bitmeyen hareketlerindeki güzelliği görebiliyorsunuz
06:21
They're flying through their space, ocean space.
149
366000
3000
Kendi alanlarında, okyanusta durmadan yüzüp duruyorlar.
06:24
And we can bring two million people a year
150
369000
2000
Yılda iki milyon insanı
06:26
into contact with this fish
151
371000
2000
bu balıklarla buluşturup,
06:28
and show them its beauty.
152
373000
3000
güzelliklerini onlara gösterebiliyoruz.
06:31
Behind the scenes is a working lab at Stanford University
153
376000
3000
Sahnenin arkasında Monterrey Bay akvaryumu
06:34
partnered with the Monterey Bay Aquarium.
154
379000
2000
diğer partneri Stanford Üniversitesi laboratuarıyla da çalışıyor.
06:36
Here, for over 14 or 15 years,
155
381000
2000
Burada 14-15 yıldan beri
06:38
we've actually brought in
156
383000
2000
mavi ve sarı yüzgeçli Tunaları
06:40
both bluefin and yellowfin in captivity.
157
385000
2000
bir arada tutabiliyoruz.
06:42
We'd been studying these fish,
158
387000
2000
Bu balıklar üzerinde çalışıyoruz.
06:44
but first we had to learn how to husbandry them.
159
389000
2000
İlk öğrenmemiz gereken de onları nasıl idare edeceğimizdi.
06:46
What do they like to eat?
160
391000
2000
ne yerler?
06:48
What is it that they're happy with?
161
393000
2000
ne ile mutlu olurlar?
06:50
We go in the tanks with the tuna -- we touch their naked skin --
162
395000
3000
Su tanklarına girdik ve onların çıplak tenlerine dokunduk
06:53
it's pretty amazing. It feels wonderful.
163
398000
3000
İnanılmaz harika hissettiren bir şey bu.
06:56
And then, better yet,
164
401000
2000
Ve sonra daha da iyisi
06:58
we've got our own version of tuna whisperers,
165
403000
2000
kendi tuna ustamızı chuck Farwellimizi,
07:00
our own Chuck Farwell, Alex Norton,
166
405000
2000
Alex Nortonumuzu bulduk.
07:02
who can take a big tuna
167
407000
2000
Bu adam tek bir hareketle tunayı tutup
07:04
and in one motion,
168
409000
2000
başka bir
07:06
put it into an envelope of water,
169
411000
2000
su havuzuna aktarabilir.
07:08
so that we can actually work with the tuna
170
413000
2000
Böylece bizde o tunayla çalışabiliyor
07:10
and learn the techniques it takes
171
415000
2000
ve açık denizde hiçbir sınır görmeyen
07:12
to not injure this fish
172
417000
2000
bu balığı
07:14
who never sees a boundary in the open sea.
173
419000
3000
incitmeme tekniklerini öğrenebiliyoruz
07:17
Jeff and Jason there, are scientists
174
422000
2000
Bilim adamları Jeff ve Jason
07:19
who are going to take a tuna
175
424000
2000
bir tuna balığını
07:21
and put it in the equivalent of a treadmill, a flume.
176
426000
3000
su kanalına eş değer bir banda koyacaklar
07:24
And that tuna thinks it's going to Japan, but it's staying in place.
177
429000
3000
Aynı yerde durduğu halde tuna kendini Japonya ya gidiyor sanıyor.
07:27
We're actually measuring its oxygen consumption,
178
432000
2000
Biz aslında balığın oksijen
07:29
its energy consumption.
179
434000
2000
ve enerji tüketimini ölçüyoruz.
07:32
We're taking this data and building better models.
180
437000
3000
Bu datayı alıyor ve daha iyi modeller üretiyoruz.
07:35
And when I see that tuna -- this is my favorite view --
181
440000
3000
Bu tunayı gördüğüm zaman—bu en favori manzaramdır.
07:38
I begin to wonder:
182
443000
2000
Merak etmeye başladım:
07:40
how did this fish solve the longitude problem before we did?
183
445000
3000
Daha biz boylam problemini çözemeden bu balık nasıl çözdü?
07:44
So take a look at that animal.
184
449000
2000
Şu balığa bir bakın
07:46
That's the closest you'll probably ever get.
185
451000
2000
Muhtemelen görebileceğiniz en yakın mesafeden bakıyorsunuz şu an
07:48
Now, the activities from the lab
186
453000
3000
Labaratuvar çalışmaları
07:51
have taught us now how to go out in the open ocean.
187
456000
3000
açık okyanusa nasıl gideceğimizi artık bize öğretti.
07:54
So in a program called Tag-A-Giant
188
459000
3000
Tag-a-gigant adlı programımız sayesinde
07:57
we've actually gone from Ireland to Canada,
189
462000
3000
İrlanda’dan kanadaya,
08:00
from Corsica to Spain.
190
465000
2000
korsikadan ispanyaya gidebiliyoruz.
08:02
We've fished with many nations around the world
191
467000
3000
Dünya üzerinde pek çok ülkeyle avlanıyoruz
08:05
in an effort to basically
192
470000
2000
bunu yaparkende
08:07
put electronic computers
193
472000
3000
dev tunaların içine
08:10
inside giant tunas.
194
475000
2000
elektronik bilgisayarlar koyuyoruz.
08:12
We've actually tagged 1,100 tunas.
195
477000
3000
Bugüne kadar 1100 tunayı etiketledik.
08:15
And I'm going to show you three clips,
196
480000
2000
Şimdi size 3 tane klip göstereceğim
08:17
because I tagged 1,100 tunas.
197
482000
3000
çünkü bu 1100 tunayı ben etiketledim.
08:20
It's a very hard process, but it's a ballet.
198
485000
3000
Çok zor bir işlem ama bir bale gibi.
08:23
We bring the tuna out, we measure it.
199
488000
3000
Tunayı sudan çıkarırız, ölçeriz ,
08:26
A team of fishers, captains, scientists and technicians
200
491000
3000
balıkçılar, kaptanlar, bilim adamları ve teknikerler den
08:29
work together to keep this animal out of the ocean
201
494000
3000
oluşan bir takım bu hayvanı
08:32
for about four to five minutes.
202
497000
3000
4-5 dakikalığına suyun dışında tutmaya çalışıyor
08:35
We put water over its gills, give it oxygen.
203
500000
3000
Solungaçlarına su dökerek ona oksijen veririz.
08:38
And then with a lot of effort, after tagging,
204
503000
3000
Etiketleme,bunun çevreyi algıladığından emin olduktan sonra,
08:41
putting in the computer,
205
506000
2000
veriyi bilgisayara girdikten sonra
08:43
making sure the stalk is sticking out so it senses the environment,
206
508000
3000
yine büyük bir eforla
08:46
we send this fish back into the sea.
207
511000
3000
onu suya bırakırız.
08:49
And when it goes, we're always happy.
208
514000
2000
Gittiği zaman hep mutlu oluruz.
08:51
We see a flick of the tail.
209
516000
2000
Kuyruğunun suya vurduğunu görürüz.
08:53
And from our data that gets collected,
210
518000
3000
Topladığımız veri sayesinde
08:56
when that tag comes back,
211
521000
2000
etiketlenen balık geri döndüğünde biliriz --
08:58
because a fisher returns it
212
523000
2000
bin dolarlık bir ödül için
09:00
for a thousand-dollar reward,
213
525000
2000
bir balıkçı o etiketi getirir--
09:02
we can get tracks beneath the sea
214
527000
2000
önümüzdeki 5 yıl boyunca
09:04
for up to five years now,
215
529000
2000
denizde o balığı
09:06
on a backboned animal.
216
531000
2000
takip edebiliriz.
09:08
Now sometimes the tunas are really large,
217
533000
3000
Bazı Tunalar gerçekten büyük olabilirler,
09:11
such as this fish off Nantucket.
218
536000
2000
mesela Nantucket adası yakınlarındaki bu balık gibi.
09:13
But that's about half the size
219
538000
2000
Ama bu bile benim bugüne kadar
09:15
of the biggest tuna we've ever tagged.
220
540000
2000
etiketlediğim en büyük tunanın yarısı kadar.
09:17
It takes a human effort,
221
542000
2000
Bir balığı tekneye almak
09:19
a team effort, to bring the fish in.
222
544000
2000
insan ve takım çabası gerektirir.
09:21
In this case, what we're going to do
223
546000
2000
Bu vakada tunaya otomatik açılan
09:23
is put a pop-up satellite archival tag on the tuna.
224
548000
3000
uydu arşiv etiketi koyuyoruz.
09:27
This tag rides on the tuna,
225
552000
2000
Bu etiket tunayla
09:29
senses the environment around the tuna
226
554000
3000
yola devam eder, tunanın etrafındaki çevreyi hisseder
09:32
and actually will come off the fish,
227
557000
3000
ve kendiliğinden balığı terk eder.
09:35
detach, float to the surface
228
560000
2000
Ayrılır ve su yüzeyinde yüzer,
09:37
and send back to Earth-orbiting satellites
229
562000
3000
üzerindeki elektronik işlemci sayesinde
09:40
position data estimated by math on the tag,
230
565000
3000
dünya yörüngesindeki yerine
09:43
pressure data and temperature data.
231
568000
3000
etiketteki basınç ve sıcaklık verileri hesaplanarak geri gönderilir.
09:46
And so what we get then from the pop-up satellite tag
232
571000
2000
Böylece bir insan kontağı olmadan
09:48
is we get away from having to have a human interaction
233
573000
3000
otomatik açılan uydu etiketini
09:51
to recapture the tag.
234
576000
2000
yerine geri göndeririz.
09:53
Both the electronic tags I'm talking about are expensive.
235
578000
3000
Bu haklarında konuştuğum iki elektronik etikette pahalı etiketler.
09:56
These tags have been engineered
236
581000
2000
Kuzey Amerika’daki çeşitli mühendisler
09:58
by a variety of teams in North America.
237
583000
3000
tarafından geliştirildiler,
10:01
They are some of our finest instruments,
238
586000
2000
Ve şu an okyanusta sahip olduğumuz
10:03
our new technology in the ocean today.
239
588000
3000
en iyi ve yeni teknolojiye sahip gereçlerimizden ikisidirler.
10:07
One community in general
240
592000
2000
Bize bir topluluk bugüne kadar
10:09
has given more to help us than any other community.
241
594000
2000
diğer tüm topluluklardan daha çok yardım etti.
10:11
And that's the fisheries off the state of North Carolina.
242
596000
3000
Bu toplulukta Kuzey Karolayna balıkçılar topluluğudur.
10:14
There are two villages, Harris and Morehead City,
243
599000
3000
Orda Harris ve Morehead isimli iki kasaba var.,
10:17
every winter for over a decade,
244
602000
2000
10 yılı aşkın bir süredir
10:19
held a party called Tag-A-Giant,
245
604000
3000
her kış Tag-a-Gigant isimli bir
10:22
and together, fishers worked with us
246
607000
2000
parti düzenliyorlar ve
10:24
to tag 800 to 900 fish.
247
609000
3000
balıkçılarla birlikte 800-900 balığı etiketliyoruz.
10:27
In this case, we're actually going to measure the fish.
248
612000
3000
Bu görüntüde balığın ölçümünü yapıyoruz.
10:30
We're going to do something that in recent years we've started:
249
615000
3000
Ve son yıllarda yapmaya başladığımız bir şeyi yapacağız:
10:33
take a mucus sample.
250
618000
2000
mukus örneği alacağız.
10:35
Watch how shiny the skin is; you can see my reflection there.
251
620000
3000
Derisinin ne kadar parlak olduğuna bir bakın, benim yansımamı görebiliyorsunuz.
10:38
And from that mucus, we can get gene profiles,
252
623000
3000
Ve bu mukus sayesinde bir gen profili oluşturabiliyoruz.
10:41
we can get information on gender,
253
626000
2000
Cinsiyet üzerine bilgi topluyor,
10:43
checking the pop-up tag one more time,
254
628000
2000
otomatik açılan uydu etiketini bir kez daha kontrol edebiliyor
10:45
and then it's out in the ocean.
255
630000
2000
ve sonra okyanusa bırakıyoruz.
10:47
And this is my favorite.
256
632000
2000
Bu benim favorim.
10:49
With the help of my former postdoc, Gareth Lawson,
257
634000
3000
Doktoralı öğrencim Gareth Lawson un yardımıyla
10:52
this is a gorgeous picture of a single tuna.
258
637000
2000
tek bir tunanın muhteşem resmi.
10:54
This tuna is actually moving on a numerical ocean.
259
639000
3000
Bu tuna çok sayıda okyanusta geziniyor.
10:57
The warm is the Gulf Stream,
260
642000
2000
Sıcak olan körfez akıntısı,
10:59
the cold up there in the Gulf of Maine.
261
644000
3000
yukarda soğuk olan da Maine Körfezi akıntısı.
11:02
That's where the tuna wants to go -- it wants to forage on schools of herring --
262
647000
3000
İşte orası tunanın gitmek istediği yer. Ringa balık sürüsünde yem aramak istiyor.
11:05
but it can't get there. It's too cold.
263
650000
2000
Ama oraya gidemez, çünkü çok soğuk.
11:07
But then it warms up, and the tuna pops in, gets some fish,
264
652000
3000
Ama sonra sular ısınıyor, tuna da dalıp biraz balık avlıyor
11:10
maybe comes back to home base,
265
655000
2000
Belki sonra evine geri gelir,
11:12
goes in again
266
657000
2000
sonra geri gidebilir.
11:14
and then comes back to winter down there in North Carolina
267
659000
3000
Kışın aşağıya Kuzey Karolayna ya geliyor.
11:17
and then on to the Bahamas.
268
662000
2000
Sonrada Bahamalara geçiyor.
11:19
And my favorite scene, three tunas going into the Gulf of Mexico.
269
664000
3000
Ve benim favori görüntüm: üç tuna Meksika körfezine gidiyor.
11:22
Three tunas tagged.
270
667000
2000
Üç tunada etiketlenmiş.
11:24
Astronomically, we're calculating positions.
271
669000
2000
Astronomik olarak pozisyonlarını hesaplıyoruz.
11:26
They're coming together. That could be tuna sex --
272
671000
3000
Bir araya geliyorlar. Bu tuna çiftleşmesi olabilir.
11:29
and there it is.
273
674000
2000
Ve işte orada,
11:31
That is where the tuna spawn.
274
676000
2000
Tunalar yavruluyor
11:33
So from data like this,
275
678000
2000
Ve bunun gibi datalar sayesinde
11:35
we're able now to put the map up,
276
680000
2000
bir harita oluşturabiliyoruz,
11:37
and in this map
277
682000
2000
bu haritada son 10 yılda
11:39
you see thousands of positions
278
684000
2000
ve etiketlemenin yarısıyla meydana getirilmiş
11:41
generated by this decade and a half of tagging.
279
686000
3000
binlerce pozisyon görüyorsunuz.
11:44
And now we're showing that tunas on the western side
280
689000
3000
Şimdi batı tarafından
11:47
go to the eastern side.
281
692000
2000
doğuya giden tunaları gösteriyoruz
11:49
So two populations of tunas --
282
694000
2000
İki tuna popülasyonu var
11:51
that is, we have a Gulf population, one that we can tag --
283
696000
2000
bunlardan birisi etiketlediğimiz körfez popülasyonu,
11:53
they go to the Gulf of Mexico, I showed you that --
284
698000
3000
onlar körfeze doğru gidiyorlar daha önce size göstermiştim
11:56
and a second population.
285
701000
2000
ve ikinci popülasyon var.
11:58
Living amongst our tunas -- our North American tunas --
286
703000
2000
Kuzey Amerika tunalarımız arasında yaşayanlar
12:00
are European tunas that go back to the Med.
287
705000
3000
Avrupa tarafında yaşayan tunalarımız suların kabardığı yöne doğru gidiyor,
12:03
On the hot spots -- the hope spots --
288
708000
2000
sıcak bölge ümit bölgesi oluyor
12:05
they're mixed populations.
289
710000
2000
iki tuna popülâsyonu birbirine karışıyor.
12:07
And so what we've done with the science
290
712000
2000
Bilimsel olarak her ne yaptıysak
12:09
is we're showing the International Commission,
291
714000
2000
Uluslar arası Komiteye gösteriyoruz,
12:11
building new models,
292
716000
2000
yeni modeller yapıyor,
12:13
showing them that a two-stock no-mixing model --
293
718000
2000
two-stock-no mixing modeli gösteriyoruz –
12:15
to this day, used to reject
294
720000
3000
ki CITES anlaşmasını
12:18
the CITES treaty --
295
723000
2000
reddetmekte kullanılıyordu-
12:20
that model isn't the right model.
296
725000
2000
bu model doğru bir model değil
12:22
This model, a model of overlap,
297
727000
2000
Bu model bir örtüşme modeli,
12:24
is the way to move forward.
298
729000
2000
daha ileriye gitmenin yolu.
12:26
So we can then predict
299
731000
2000
Bu modelle idare yerinin
12:28
where management places should be.
300
733000
2000
neresi olması gerektiğini tahmin edebiliriz.
12:30
Places like the Gulf of Mexico and the Mediterranean
301
735000
3000
Meksika körfezi ve Akdeniz gibi yerler
12:33
are places where the single species,
302
738000
2000
tek bir türün, tek bir popülasyonunun
12:35
the single population, can be captured.
303
740000
2000
yakalanabileceği yerler.,
12:37
These become forthright in places we need to protect.
304
742000
3000
Buralar derhal korumamız gereken yerler arasında geliyor.
12:40
The center of the Atlantic where the mixing is,
305
745000
3000
Karışım Atlantiğin ortasında meydana geliyor.
12:43
I could imagine a policy that lets Canada and America fish,
306
748000
2000
Amerika ve Kanadanın avlanmasına izin veren bir yasa hayal edebiliyorum.
12:45
because they manage their fisheries well,
307
750000
3000
Çünkü balıkçılarını iyi idare ediyorlar,
12:48
they're doing a good job.
308
753000
2000
iyi iş çıkarıyorlar.
12:50
But in the international realm,
309
755000
2000
Ama uluslar arası alanda
12:52
where fishing and overfishing has really gone wild,
310
757000
2000
balıkçılık ve aşırı balık avlanma iyice çılgınlaştı.
12:54
these are the places that we have to make hope spots in.
311
759000
3000
Bu yerlerde umut noktaları oluşturmalıyız.
12:57
That's the size they have to be to protect the bluefin tuna.
312
762000
3000
İşte bu korumaları gereken mavi yüzgeçli tunanın boyutları.
13:00
Now in a second project
313
765000
2000
Şimdi ikinci projemizin ismi
13:02
called Tagging of Pacific Pelagics,
314
767000
2000
Pasifik Pelagiclerini Etiketleme
13:04
we took on the planet as a team,
315
769000
2000
Deniz hayatında sayım yapan bizler
13:06
those of us in the Census of Marine Life.
316
771000
2000
gezegeni bir takım gibi ele alıyoruz
13:08
And, funded primarily through Sloan Foundation and others,
317
773000
4000
Öncelikle Sloan vakfı ve diğerleri tarafından
13:12
we were able to actually go in, in our project --
318
777000
3000
maddi olarak destekleniyoruz,
13:15
we're one of 17 field programs
319
780000
2000
böylece projelerimizi gerçekleştirebiliyoruz.
13:17
and begin to take on tagging large numbers of predators,
320
782000
3000
17 alan programından birisiyiz ve sadece tunaları değil
13:20
not just tunas.
321
785000
2000
çok miktarda diğer yırtıcılarıda etiketlemeye başladık
13:22
So what we've done
322
787000
2000
Yani bizim yaptığımız
13:24
is actually gone up to tag salmon shark in Alaska,
323
789000
3000
Alaskaya somon köpek balığını etiketlemeye gitmek,
13:27
met salmon shark on their home territory,
324
792000
3000
kendi bölgelerinde onlarla iletişime geçmek.
13:30
followed them catching salmon
325
795000
2000
Onları somon yakalarken izlemek
13:32
and then went in and figured out
326
797000
2000
ve sonra eğer yolları üzerine
13:34
that, if we take a salmon and put it on a line,
327
799000
3000
somon bırakırsak
13:37
we can actually take up a salmon shark --
328
802000
2000
onları yakalayabileceğimi fark ettik
13:39
This is the cousin of the white shark --
329
804000
2000
Bu beyaz balinanın kuzeni
13:41
and very carefully --
330
806000
2000
ve çok dikkatle dikkat edin
13:43
note, I say "very carefully," --
331
808000
2000
çok dikkatle dedim,
13:45
we can actually keep it calm,
332
810000
2000
onu gerçekten sakinleştirebiliriz,
13:47
put a hose in its mouth, keep it off the deck
333
812000
3000
hortumu ağzına koyuyoruz, güverteden kaldırıp
13:50
and then tag it with a satellite tag.
334
815000
3000
uydu etiketiyle etiketliyoruz.
13:53
That satellite tag will now have your shark phone home
335
818000
3000
Bu uydu etiketiyle köpek balığı ev telefonunuz olacak
13:56
and send in a message.
336
821000
2000
ve mesaj gödeebileceksiniz.
13:58
And that shark leaping there, if you look carefully, has an antenna.
337
823000
3000
Köpek balığı burada sıçrıyor eğer dikkatle bakarsanız bir anteni var.
14:01
It's a free swimming shark with a satellite tag
338
826000
2000
Bu somon avlayan, uydu etiketli
14:03
jumping after salmon,
339
828000
2000
özgürce yüzen ve bu sırada
14:05
sending home its data.
340
830000
3000
bize veri yollayan bir köpek balığı.
14:09
Salmon sharks aren't the only sharks we tag.
341
834000
2000
Somon köpek balıkları haricinde etiketlediğimiz başka köpek balıklarıda var.
14:11
But there goes salmon sharks with this meter-level resolution
342
836000
3000
Ama burada somon köpek balıkları üzerlerindeki metre seviye çözünürlüğüyle
14:14
on an ocean of temperature -- warm colors are warmer.
343
839000
3000
okyanusta gidiyorlar, sıcak renklerin olduğu yerde su ısısı daha yüksek.
14:17
Salmon sharks go down
344
842000
2000
Somon köpek balıkları yavrulamak için
14:19
to the tropics to pup
345
844000
2000
aşağıya tropiklere gidiyor
14:21
and come into Monterey.
346
846000
2000
sonra Monterrey’e geliyorlar.
14:23
Now right next door in Monterey and up at the Farallones
347
848000
3000
Şimdi hemen Monterrey’in yanında yukarıda Farrolone’de
14:26
are a white shark team led by Scott Anderson -- there --
348
851000
2000
Scott Anderson ve Sal Jorgenson’un liderlik ettiği
14:28
and Sal Jorgensen.
349
853000
2000
bir beyaz köpekbalığı takımı var.
14:30
They can throw out a target --
350
855000
2000
Hedefi dışarı atabilirler,-
14:32
it's a carpet shaped like a seal --
351
857000
2000
bu fok balığı şeklinde bir halı-
14:34
and in will come a white shark, a curious critter
352
859000
3000
beyaz köpek balığı meraklı bir hayvandır buna gelecektir.
14:37
that will come right up to our 16-ft. boat.
353
862000
3000
4.8 metre uzunluğundaki botumuza yaklaşacaklar
14:40
It's a several thousand-pound animal.
354
865000
2000
Bu bir kaç ton ağırlığında bir hayvan.
14:42
And we'll wind in the target.
355
867000
3000
Hedefin etrafında dolanacağız.
14:45
And we'll place an acoustic tag
356
870000
2000
ve akustik bir etiket koyacağız, akustik sonarlı.
14:47
that says, "OMSHARK 10165,"
357
872000
2000
Etiketin ismi: OMSHARK 101065,
14:49
or something like that, acoustically with a ping.
358
874000
3000
ya da bunun gibi bir şey,
14:52
And then we'll put on a satellite tag
359
877000
2000
Ve sonra üzerine uydu etiketi koyacağız.
14:54
that will give us the long-distance journeys
360
879000
3000
Bu etiket bize köpek balığının uzun mesafe seyahatleri hakkında bilgi verecek.
14:57
with the light-based geolocation algorithms
361
882000
2000
Bunu da hayvanın üzerindeki bilgisayar ışık tabanlı
14:59
solved on the computer that's on the fish.
362
884000
3000
jeolojik algoritması sayesinde çözecek.
15:02
So in this case, Sal's looking at two tags there,
363
887000
3000
Bu olayda Sal hayvanın üzerindeki iki etikete bakıyor.
15:05
and there they are: the white sharks of California
364
890000
3000
İşte oradalar; Kaliforniya beyaz köpek balığı diğer beyaz köpekbalıklarıyla
15:08
going off to the white shark cafe and coming back.
365
893000
3000
köpekbalıkları kafesine gidip geri dönüyor.
15:12
We also tag makos with our NOAA colleagues,
366
897000
2000
NOAA’da ki meslektaşlarımızla Makos ve
15:14
blue sharks.
367
899000
2000
Mavi Köpekbalıklarını da etiketliyoruz.
15:16
And now, together, what we can see
368
901000
2000
Ve şimdi birlikte
15:18
on this ocean of color that's temperature,
369
903000
2000
bu renkler okyanusunda gördüğümüz şey; ısı.
15:20
we can see ten-day worms of makos and salmon sharks.
370
905000
3000
10 günlük Makos larvalarını ve somon köpekbalıklarını görebiliyoruz.
15:24
We have white sharks and blue sharks.
371
909000
2000
Beyaz ve mavi köpekbalıklarımız var.
15:26
For the first time,
372
911000
2000
Ve ilk kez
15:28
an ecoscape as large as ocean-scale,
373
913000
2000
bir ecoscape – okyanus ölçeği kadar büyük-
15:30
showing where the sharks go.
374
915000
3000
köpekbalıklarının nereye gittiğini gösterdi.
15:33
The tuna team from TOPP has done the unthinkable:
375
918000
3000
TOPP’ tan bir tuna takımı hiç düşünülmeyeni yaptı.
15:36
three teams tagged 1,700 tunas,
376
921000
3000
Aynı zamanda 1700 tunayı,
15:39
bluefin, yellowfin and albacore
377
924000
2000
mavi yüzgeçlileri, sarı yüzgeçlileri ve akorkinoz balığını etiketledi.
15:41
all at the same time --
378
926000
2000
Bizim kullandığımız
15:43
carefully rehearsed tagging programs
379
928000
2000
etiketleme programlarını kullanarak
15:45
in which we go out, pick up juvenile tunas,
380
930000
3000
sensorlu etiketleri dikkatlice
15:48
put in the tags that actually have the sensors,
381
933000
3000
yavru tunalara naklettiler.
15:51
stick out the tuna
382
936000
2000
Ve sonra onları tekrar
15:53
and then let them go.
383
938000
2000
okyanusa bıraktılar.
15:55
They get returned, and when they get returned,
384
940000
2000
Tunalar geri döndüler, döndükleri zaman
15:57
here on a NASA numerical ocean
385
942000
3000
NASA’nın sayısal okyanusunda
16:00
you can see bluefin in blue
386
945000
2000
mavi yüzgeçlileri mavi renkte,
16:02
go across their corridor,
387
947000
2000
koridorlarında karşıya geçerken
16:04
returning to the Western Pacific.
388
949000
3000
batı pasifiğe dönerken görebilirsiniz.
16:07
Our team from UCSC has tagged elephant seals
389
952000
3000
UCSC’den takımımız fil fok balıklarını kafalarının üzerinden etiketlediler.
16:10
with tags that are glued on their heads, that come off when they slough.
390
955000
3000
Deri değiştiklerinde etikette çıkıyordu.
16:13
These elephant seals cover half an ocean,
391
958000
3000
Okyanusun yarısını fil fok balıkları kapsıyor,
16:16
take data down to 1,800 feet --
392
961000
2000
548m. Derinlikten inanılmaz
16:18
amazing data.
393
963000
2000
veri aldık.
16:20
And then there's Scott Shaffer and our shearwaters
394
965000
3000
Ve sonra Scott Shaffer yelkovan kuşlarına
16:23
wearing tuna tags, light-based tags,
395
968000
3000
hafif imalat tuna etiketleri taktılar.
16:26
that now are going to take you from New Zealand to Monterey and back,
396
971000
3000
Şimdi bu etiketler sizi Yeni Zelanda’dan alıp Monterrey’e ve sonra tekrar geriye götürecek.
16:29
journeys of 35,000 nautical miles
397
974000
3000
Ki bu 35.000 deniz mili eder
16:32
we had never seen before.
398
977000
2000
daha önce böyle bir şey görmedik.
16:34
But now with light-based geolocation tags that are very small,
399
979000
3000
Ve şimdi hafif imal edilmiş,küçücük,yer belirten etiketlerle
16:37
we can actually see these journeys.
400
982000
2000
bu yolculuğu gerçekten görebiliyoruz.
16:39
Same thing with Laysan albatross
401
984000
2000
Aynı şeyi bazen okyanusu
16:41
who travel an entire ocean
402
986000
2000
bir yolculukta geçen Laysan Albatroslarında da yaptık.
16:43
on a trip sometimes,
403
988000
2000
Onlarda tunalarla
16:45
up to the same zone the tunas use.
404
990000
2000
aynı güzergâhı takip ediyorlar.
16:47
You can see why they might be caught.
405
992000
3000
Neden yakalanabileceklerini görebilirsiniz
16:50
Then there's George Schillinger and our leatherback team out of Playa Grande
406
995000
3000
Sonra George Shillinger ve Playa Grande’den
16:53
tagging leatherbacks
407
998000
2000
deniz kaplumbağası takımımız daha önce bulunduğumuz
16:55
that go right past where we are.
408
1000000
3000
yere doğru giden deniz kaplumbağalarını etiketlediler.
16:58
And Scott Benson's team
409
1003000
2000
Ve Scott Benson’un takımı
17:00
that showed that leatherbacks go from Indonesia
410
1005000
2000
deniz kaplumbağalarının Endenozyadan
17:02
all the way to Monterey.
411
1007000
2000
Monterrey’e kadar geldiklerini gösterdi.
17:04
So what we can see on this moving ocean
412
1009000
3000
Sonunda bu hareketli okyanusta
17:07
is we can finally see where the predators are.
413
1012000
3000
yırtıcıların nerede olduklarını görebiliyoruz.
17:10
We can actually see how they're using ecospaces
414
1015000
3000
Onların okyanus kadar geniş ecospace’leri
17:13
as large as an ocean.
415
1018000
2000
nasıl kullandıklarını görebiliyoruz.
17:15
And from this information,
416
1020000
2000
Bu bilgi sayesinde
17:17
we can begin to map the hope spots.
417
1022000
3000
artık ümit noktalarını haritaya aktarabiliyoruz.
17:20
So this is just three years of data right here --
418
1025000
2000
Buradaki veri üç yıllık.
17:22
and there's a decade of this data.
419
1027000
2000
Bu verinin 10 yıllığıda var.
17:24
We see the pulse and the seasonal activities
420
1029000
2000
Bu hayvanların yaptıkları mevsimsel
17:26
that these animals are going on.
421
1031000
3000
aktivitelerin sinyalini görebiliyoruz.
17:30
So what we're able to do with this information
422
1035000
2000
Yani bu bigiyi özetleyip
17:32
is boil it down to hot spots,
423
1037000
3000
sıcak noktalarda kullanabiliyoruz.
17:35
4,000 deployments,
424
1040000
2000
4000 görevlendirme.
17:37
a huge herculean task,
425
1042000
3000
dev gibi başarması zor bir görev,
17:40
2,000 tags
426
1045000
2000
bir bölgede 2000 etiket,
17:42
in an area, shown here for the first time,
427
1047000
2000
ilk kez burada gösteriliyor.
17:44
off the California coast,
428
1049000
2000
Kaliforniya’nın toplanma bölgesi
17:46
that appears to be a gathering place.
429
1051000
3000
olduğu ortaya çıktı.
17:50
And then for sort of an encore from these animals,
430
1055000
3000
Sonra bu hayvanlardan bir çeşit tekrar istediğimizde
17:53
they're helping us.
431
1058000
2000
bize yardımcı oluyorlar.
17:55
They're carrying instruments
432
1060000
2000
2000 metre derinlikten
17:57
that are actually taking data down to 2,000 meters.
433
1062000
3000
veri alan araçlar taşıyorlar.
18:00
They're taking information from our planet
434
1065000
2000
Gezegenimizden, Antartika
18:02
at very critical places like Antarctica and the Poles.
435
1067000
3000
ve Kutuplar gibi çok kritik bölgelerden bilgi topluyor.
18:05
Those are seals from many countries
436
1070000
2000
Bunlar pek çok ülkeden gelen fok balıkları
18:07
being released
437
1072000
2000
bizim için
18:09
who are sampling underneath the ice sheets
438
1074000
2000
buz katmanlarının altından örnek alıyor
18:11
and giving us temperature data of oceanographic quality
439
1076000
3000
ve her iki kutupla ilgili okyanus bilimi niteliğinde
18:14
on both poles.
440
1079000
2000
ısı verisi veriyorlar.
18:16
This data, when visualized, is captivating to watch.
441
1081000
3000
Bu veri gözünüzde canlandırdığınızda izlemesi büyüleyici bir şey.
18:19
We still haven't figured out best how to visualize the data.
442
1084000
3000
Bu veriyi hala nasıl canlandıracağımıza dair bir çözüm bulamadık.
18:22
And then, as these animals swim
443
1087000
2000
Ve sonra bu hayvanlar yüzdükçe,
18:24
and give us the information
444
1089000
2000
bize iklim problemleriyle ilgili bilgi verdikçe
18:26
that's important to climate issues,
445
1091000
2000
bu bilgiyi halka iletmenin
18:28
we also think it's critical
446
1093000
2000
çok kritik olduğunu düşündük,
18:30
to get this information to the public,
447
1095000
2000
bu çeşit bir veriye
18:32
to engage the public with this kind of data.
448
1097000
3000
halkın ilgisini çekmeyi düşündük.
18:35
We did this with the Great Turtle Race --
449
1100000
2000
Bunu büyük kaplumbağa yarışı düzenleyerek-
18:37
tagged turtles, brought in four million hits.
450
1102000
3000
ki bu kaplumbağalar etiketliydi- 4 milyon kişinin dikkatini çekerek başardık.
18:40
And now with Google's Oceans,
451
1105000
3000
Ve şimdi Google Okyanus ile
18:43
we can actually put a white shark in that ocean.
452
1108000
2000
okyanusa bir beyaz köpekbalığı koyabiliriz.
18:45
And when we do and it swims,
453
1110000
2000
Bunu yapınca köpekbalığı yüzer
18:47
we see this magnificent bathymetry
454
1112000
2000
ve siz okyanusun büyüleyici derinliklerini görebilirsiniz.
18:49
that the shark knows is there on its path
455
1114000
2000
Ve köpekbalığı Kaliforniya’dan
18:51
as it goes from California to Hawaii.
456
1116000
2000
Hawaii’ye gittiği gibi yolunu bulur.
18:53
But maybe Mission Blue
457
1118000
2000
Ama belki mavi görev
18:55
can fill in that ocean that we can't see.
458
1120000
3000
bizim göremediğimiz şekilde okyanusu doldurabilir.
18:58
We've got the capacity, NASA has the ocean.
459
1123000
3000
Kapasitemiz var, Nasa’nın okyanusu var.
19:01
We just need to put it together.
460
1126000
2000
Sadece bir araya getirmeye ihtiyacımız var.
19:03
So in conclusion,
461
1128000
2000
Şöyle özetlersek,
19:05
we know where Yellowstone is for North America;
462
1130000
3000
Kuzey Amerika’da Yellow Stone ulusal parkının nerede olduğunu biliyoruz,
19:08
it's off our coast.
463
1133000
2000
kıyılarımızın hemen dışında.
19:10
We have the technology that's shown us where it is.
464
1135000
2000
Bize nerede olduğunu gösterecek teknolojiye sahibiz.
19:12
What we need to think about perhaps for Mission Blue
465
1137000
3000
Ne hakkında düşünmeye ihtiyacımız var? Belki Mavi Görevin
19:15
is increasing the biologging capacity.
466
1140000
3000
artan bir biyolojik blog kapasitesi olduğunu düşünmeliyiz.
19:18
How is it that we can actually
467
1143000
2000
Bu nasıl olur,
19:20
take this type of activity elsewhere?
468
1145000
3000
bu çeşit bir hareketliliği herhangi bir yere alabilirmiyiz?
19:23
And then finally -- to basically get the message home --
469
1148000
3000
Ve sonunda bir mesaj merkezi oluşturup
19:26
maybe use live links
470
1151000
2000
belki mavi balina ya da beyaz köpekbalığı
19:28
from animals such as blue whales and white sharks.
471
1153000
2000
gibi hayvanlardan gelen canlı bağlantıları kullanacağız.
19:30
Make killer apps, if you will.
472
1155000
2000
Eğer yaparsanız öldürücü telefon uygulamaları yapın.
19:32
A lot of people are excited
473
1157000
2000
Golden Gate köprüsü altından köpekbalıkları geçtiğinde
19:34
when sharks actually went under the Golden Gate Bridge.
474
1159000
3000
pek çok insan gerçekten çok heyecanlanmıştı.
19:37
Let's connect the public to this activity right on their iPhone.
475
1162000
3000
Gelin halk bu çeşit aktivitelere hemen iphone’larından bağlanabilsin.
19:40
That way we do away with a few internet myths.
476
1165000
3000
Böylece bazı internet efsanelerinden uzaklaşabiliriz.
19:44
So we can save the bluefin tuna.
477
1169000
2000
Böylece mavi yüzgeçli tunayı kurtarabiliriz.
19:46
We can save the white shark.
478
1171000
2000
Beyaz köpekbalığını kurtarabiliriz.
19:48
We have the science and technology.
479
1173000
2000
Bunu yapacak bilime ve teknolojiye sahibiz.
19:50
Hope is here. Yes we can.
480
1175000
2000
Ümit burada, evet yapabiliriz.
19:52
We need just to apply this capacity
481
1177000
2000
Sadece bu kapasiteyi okyanuslarımıza
19:54
further in the oceans.
482
1179000
2000
daha fazla uygulamamız gerekiyor.
19:56
Thank you.
483
1181000
2000
Teşekkür ederim.
19:58
(Applause)
484
1183000
2000
(Alkış)
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