Paul Snelgrove: A census of the ocean

39,740 views ・ 2012-02-28

TED


A videó lejátszásához kattintson duplán az alábbi angol feliratokra.

Fordító: Orsolya Kiss Lektor: Péter Pallós
00:15
The oceans cover some 70 percent of our planet.
0
15260
3000
Bolygónk felszínének 70%-a óceán.
00:18
And I think Arthur C. Clarke probably had it right
1
18260
2000
Arthur C. Clarke-nak igaza lehetett,
00:20
when he said that perhaps we ought to call our planet
2
20260
3000
hogy a Földet talán inkább Óceánnak
00:23
Planet Ocean.
3
23260
2000
kellett volna elnevezni.
00:25
And the oceans are hugely productive,
4
25260
2000
Az óceánok módfelett termékenyek:
00:27
as you can see by the satellite image
5
27260
2000
ez a fotoszintézist érzékeltető
00:29
of photosynthesis, the production of new life.
6
29260
2000
műholdfelvételen is látható.
00:31
In fact, the oceans produce half of the new life every day on Earth
7
31260
3000
A naponta létrejövő élet fele az óceánokból származik,
00:34
as well as about half the oxygen that we breathe.
8
34260
3000
s a belélegzett oxigén fele is.
00:37
In addition to that, it harbors a lot of the biodiversity on Earth,
9
37260
3000
Az ócán a biológiai sokféleség jelentős színtere,
00:40
and much of it we don't know about.
10
40260
2000
nagy része számunkra ismeretlen.
00:42
But I'll tell you some of that today.
11
42260
2000
Ma erről mesélek.
00:44
That also doesn't even get into the whole protein extraction
12
44260
2000
S még nem is említettem
00:46
that we do from the ocean.
13
46260
2000
az óceánból kitermelt fehérjét.
00:48
That's about 10 percent of our global needs
14
48260
2000
a világ szükségletének tizedét,
00:50
and 100 percent of some island nations.
15
50260
3000
némely szigetországénak a 100%-át.
00:53
If you were to descend
16
53260
2000
Ha leereszkednénk
00:55
into the 95 percent of the biosphere that's livable,
17
55260
2000
az óceán élhető bioszférájának 95%-ába,
00:57
it would quickly become pitch black,
18
57260
2000
hamar sötét éj borulna ránk,
00:59
interrupted only by pinpoints of light
19
59260
2000
s csak lumineszkáló lények
01:01
from bioluminescent organisms.
20
61260
2000
fénye villanna fel itt-ott.
01:03
And if you turn the lights on,
21
63260
2000
S ha felkapcsolhatnánk a villanyt,
01:05
you might periodically see spectacular organisms swim by,
22
65260
2000
látványos lényeket láthatnánk tovaúszni,
01:07
because those are the denizens of the deep,
23
67260
2000
mert az ott honos fajok
01:09
the things that live in the deep ocean.
24
69260
2000
csak az óceán legmélyén élnek meg.
01:11
And eventually, the deep sea floor would come into view.
25
71260
3000
Egyszer csak megpillantanánk a tengerfenéket is.
01:14
This type of habitat covers more of the Earth's surface
26
74260
3000
Földünk felszínének zömét foglalja el,
01:17
than all other habitats combined.
27
77260
2000
az összes élőhelynél többet.
01:19
And yet, we know more about the surface of the Moon and about Mars
28
79260
2000
A Hold és a Mars felszínét jobban
01:21
than we do about this habitat,
29
81260
2000
ismerjük a tengerfenéknél,
01:23
despite the fact that we have yet to extract
30
83260
2000
noha a Holdról vagy a Marsról még
01:25
a gram of food, a breath of oxygen or a drop of water
31
85260
3000
egyetlen gramm élelmet, lélegzetnyi oxigént
01:28
from those bodies.
32
88260
2000
vagy egy csepp vizet sem nyertünk ki.
01:30
And so 10 years ago,
33
90260
2000
Tíz éve jött létre a nemzetközi
01:32
an international program began called the Census of Marine Life,
34
92260
3000
"Tengeri Fajszámláló Program".
01:35
which set out to try and improve our understanding
35
95260
2000
Célja az óceánok életének
01:37
of life in the global oceans.
36
97260
2000
jobb és pontosabb megismerése.
01:39
It involved 17 different projects around the world.
37
99260
3000
Összesen 17 különböző projektből áll.
01:42
As you can see, these are the footprints of the different projects.
38
102260
2000
Az ábrán a projektek hatókörét látják.
01:44
And I hope you'll appreciate the level of global coverage
39
104260
3000
S remélem, elismerik, hogy
01:47
that it managed to achieve.
40
107260
2000
globális hatókörű. Úgy kezdődött,
01:49
It all began when two scientists, Fred Grassle and Jesse Ausubel,
41
109260
2000
hogy két kutató, Fred Grassle
01:51
met in Woods Hole, Massachusetts
42
111260
3000
és Jesse Ausubel találkozott a neves Woods Hole-i oceanográfiai
01:54
where both were guests at the famed oceanographic institute.
43
114260
2000
intézetben, ahol vendégek voltak.
01:56
And Fred was lamenting the state of marine biodiversity
44
116260
3000
Fred a tengeri biológiai sokféleség állapotán siránkozott,
01:59
and the fact that it was in trouble and nothing was being done about it.
45
119260
3000
s azon, hogy senki sem tesz semmit.
02:02
Well, from that discussion grew this program
46
122260
2000
E beszélgetés eredménye lett
02:04
that involved 2,700 scientists
47
124260
2000
a fajszámláló program, melyben
02:06
from more than 80 countries around the world
48
126260
2000
80 országból 2700 tudós vett részt.
02:08
who engaged in 540 ocean expeditions
49
128260
3000
Összesen 540 óceáni felfedezőutat tettek,
02:11
at a combined cost of 650 million dollars
50
131260
3000
melynek költsége 650 millió dollárra rúgott.
02:14
to study the distribution, diversity and abundance
51
134260
2000
Az óceáni élővilág eloszlásának,
02:16
of life in the global ocean.
52
136260
3000
sokféleségének és bőségének tanulmányozása volt a célunk.
02:19
And so what did we find?
53
139260
2000
S hogy mire bukkantunk?
02:21
We found spectacular new species,
54
141260
2000
Lenyűgöző új fajokra,
02:23
the most beautiful and visually stunning things everywhere we looked --
55
143260
3000
meseszép dolgokra akadtunk
02:26
from the shoreline to the abyss,
56
146260
2000
a partok s az árkok mélyén,
02:28
form microbes all the way up to fish and everything in between.
57
148260
3000
a mikrobák s a halak rajaiban, és sok más faj világában.
02:31
And the limiting step here wasn't the unknown diversity of life,
58
151260
3000
Munkánk határát nem a feltáratlan sokféleség,
02:34
but rather the taxonomic specialists
59
154260
2000
hanem a rendszertan tudósai szabták meg.
02:36
who can identify and catalog these species
60
156260
2000
Dolguk az új fajok leírása és besorolása.
02:38
that became the limiting step.
61
158260
2000
A rendszertanosok ma már, úgymond,
02:40
They, in fact, are an endangered species themselves.
62
160260
3000
maguk is veszélyeztetett és kihalóban lévő faj tagjai.
02:43
There are actually four to five new species
63
163260
2000
Manapság naponta
02:45
described everyday for the oceans.
64
165260
2000
4-5 új óceáni fajt írnak le.
02:47
And as I say, it could be a much larger number.
65
167260
3000
De sokkal magasabb lehetne a számuk.
02:50
Now, I come from Newfoundland in Canada --
66
170260
3000
Én Új-Fundlandról, Kanadából származom.
02:53
It's an island off the east coast of that continent --
67
173260
2000
Ennél a kontinens keleti partjánál fekvő
02:55
where we experienced one of the worst fishing disasters
68
175260
3000
szigetnél éltük át a történelem egyik
02:58
in human history.
69
178260
2000
legsúlyosabb halászati katasztrófáját.
03:00
And so this photograph shows a small boy next to a codfish.
70
180260
2000
Itt egy kisfiút láthatnak egy tőkehallal.
03:02
It's around 1900.
71
182260
2000
A felvétel 1900 táján készült.
03:04
Now, when I was a boy of about his age,
72
184260
2000
Mikor olyan idős voltam, mint ez a kisfiú,
03:06
I would go out fishing with my grandfather
73
186260
2000
nagypapámmal eljártunk halászni,
03:08
and we would catch fish about half that size.
74
188260
2000
s néha kifogtunk egy feleakkora halat.
03:10
And I thought that was the norm,
75
190260
2000
Azt hittem, hogy ez a szokásos méret,
03:12
because I had never seen fish like this.
76
192260
2000
hisz sosem láttam nagyobb halat.
03:14
If you were to go out there today, 20 years after this fishery collapsed,
77
194260
3000
Ma, 20 évvel az állomány összeomlása után,
03:17
if you could catch a fish, which would be a bit of a challenge,
78
197260
3000
ha egyáltalán fognánk valamit,
03:20
it would be half that size still.
79
200260
2000
zsákmányunk jó esetben feleakkora lenne.
03:22
So what we're experiencing is something called shifting baselines.
80
202260
3000
Ez az ún. "nullpont-vándorlás" jelensége.
03:25
Our expectations of what the oceans can produce
81
205260
2000
Nem értékelhetjük megfelelően,
03:27
is something that we don't really appreciate
82
207260
2000
hogy mennyire termékenyek az óceánok,
03:29
because we haven't seen it in our lifetimes.
83
209260
3000
mert nem lehettünk életünk során tanúi.
03:32
Now most of us, and I would say me included,
84
212260
3000
Sokan, köztük én is, úgy vélték,
03:35
think that human exploitation of the oceans
85
215260
2000
hogy az óceánok túlhalászása
03:37
really only became very serious
86
217260
2000
talán csak az elmúlt 50-100 évben
03:39
in the last 50 to, perhaps, 100 years or so.
87
219260
2000
öltött aggasztó méreteket.
03:41
The census actually tried to look back in time,
88
221260
2000
A fajszámlálás igyekezett
03:43
using every source of information they could get their hands on.
89
223260
3000
minden fellelhető információ alapján visszatekinteni.
03:46
And so anything from restaurant menus
90
226260
2000
Étlapokat, kolostori írásokat,
03:48
to monastery records to ships' logs
91
228260
2000
hajónaplókat bújtunk, hogy felmérjük,
03:50
to see what the oceans looked like.
92
230260
2000
milyen volt valaha az óceán.
03:52
Because science data really goes back
93
232260
2000
Tudományos felméréseink ugyanis
03:54
to, at best, World War II, for the most part.
94
234260
2000
csak a II. világháború óta vannak.
03:56
And so what they found, in fact,
95
236260
2000
Kutatásunkból kiderült, hogy valójában már
03:58
is that exploitation really began heavily with the Romans.
96
238260
2000
a rómaiak kezdték a túlhalászást.
04:00
And so at that time, of course, there was no refrigeration.
97
240260
3000
A rómaiak előtt nem ismerték a hűtést,
04:03
So fishermen could only catch
98
243260
2000
csak annyit halásztak, amennyit aznap
04:05
what they could either eat or sell that day.
99
245260
2000
megettek, vagy aznap el tudtak adni.
04:07
But the Romans developed salting.
100
247260
2000
De a rómaiak feltalálták a sózást.
04:09
And with salting,
101
249260
2000
Besózva lehetségessé vált a hal
04:11
it became possible to store fish and to transport it long distances.
102
251260
3000
tárolása és a messzire szállítása is.
04:14
And so began industrial fishing.
103
254260
3000
Ez volt tehát az ipari halászat kezdete.
04:17
And so these are the sorts of extrapolations that we have
104
257260
3000
Az ábrán a veszteségek mértékéről
04:20
of what sort of loss we've had
105
260260
2000
készített becsléseinket látják.
04:22
relative to pre-human impacts on the ocean.
106
262260
3000
A prehisztorikus időszak az összevetés alapja.
04:25
They range from 65 to 98 percent
107
265260
2000
Mintegy 65-98%-os a veszteség
04:27
for these major groups of organisms,
108
267260
2000
a főbb élőlények esetében,
04:29
as shown in the dark blue bars.
109
269260
2000
ahogy az ábra is mutatja.
04:31
Now for those species the we managed to leave alone, that we protect --
110
271260
3000
A védett fajok esetében –
04:34
for example, marine mammals in recent years and sea birds --
111
274260
2000
pl. a tengeri emlősöknél és madaraknál –
04:36
there is some recovery.
112
276260
2000
nő az állomány.
04:38
So it's not all hopeless.
113
278260
2000
Tehát nincs még veszve a remény.
04:40
But for the most part, we've gone from salting to exhausting.
114
280260
3000
De a sózás gyakran az állomány kimerítéséhez vezetett.
04:43
Now this other line of evidence is a really interesting one.
115
283260
2000
Más bizonyítékunk is van.
04:45
It's from trophy fish caught off the coast of Florida.
116
285260
3000
A Florida partjainál kifogott legnagyobb halak.
04:48
And so this is a photograph from the 1950s.
117
288260
3000
A fotó az 1950-es években készült.
04:51
I want you to notice the scale on the slide,
118
291260
2000
Figyeljék a jobb oldali vonalmértéket,
04:53
because when you see the same picture from the 1980s,
119
293260
2000
mert a 80-as évek felvételén
04:55
we see the fish are much smaller
120
295260
2000
már sokkal kisebbek a díjnyertes halak.
04:57
and we're also seeing a change
121
297260
2000
Valamint változást tapasztalhatunk
04:59
in terms of the composition of those fish.
122
299260
2000
a kifogott halak fajtáiban is.
05:01
By 2007, the catch was actually laughable
123
301260
2000
A díjnyertes halak mérete
05:03
in terms of the size for a trophy fish.
124
303260
2000
2007-ben már nevetségesen kicsi.
05:05
But this is no laughing matter.
125
305260
2000
De a dolog nem vicces.
05:07
The oceans have lost a lot of their productivity
126
307260
2000
Az óceánok csökkent termékenységéért
05:09
and we're responsible for it.
127
309260
3000
mi, emberek, vagyunk a felelősek.
05:12
So what's left? Actually quite a lot.
128
312260
2000
Mi maradt hát benne? Sok minden.
05:14
There's a lot of exciting things, and I'm going to tell you a little bit about them.
129
314260
3000
Ezekről az izgalmas dolgokról szeretnék mesélni.
05:17
And I want to start with a bit on technology,
130
317260
2000
Kezdjük a technológiával,
05:19
because, of course, this is a TED Conference
131
319260
2000
mert a TED-en mégiscsak
05:21
and you want to hear something on technology.
132
321260
2000
ez a fő érdekesség.
05:23
So one of the tools that we use to sample the deep ocean
133
323260
2000
A mélységek felkutatására
05:25
are remotely operated vehicles.
134
325260
2000
távirányított járműveink vannak.
05:27
So these are tethered vehicles we lower down to the sea floor
135
327260
3000
Ezeket leeresztjük a tengerfenékre.
05:30
where they're our eyes and our hands for working on the sea bottom.
136
330260
3000
Úgymond ezek a szemünk s kezünk.
05:33
So a couple of years ago, I was supposed to go on an oceanographic cruise
137
333260
3000
Emlékszem, néhány éve hirtelen
05:36
and I couldn't go because of a scheduling conflict.
138
336260
3000
le kellett mondanom egy kutatóutat.
05:39
But through a satellite link I was able to sit at my study at home
139
339260
3000
De műholdon keresztül a dolgozószobámból,
05:42
with my dog curled up at my feet, a cup of tea in my hand,
140
342260
3000
teázva, kutyámmal a lábamnál, mégis részt tudtam venni benne.
05:45
and I could tell the pilot, "I want a sample right there."
141
345260
2000
Szóltam az irányítónak, "innen egy mintát"!
05:47
And that's exactly what the pilot did for me.
142
347260
2000
S már vette is.
05:49
That's the sort of technology that's available today
143
349260
3000
Ennyire modern eszközeink vannak.
05:52
that really wasn't available even a decade ago.
144
352260
2000
Egy évtizede még csak álmodhattunk róluk.
05:54
So it allows us to sample these amazing habitats
145
354260
2000
Mintát vehetünk az élőhelyről,
05:56
that are very far from the surface
146
356260
2000
távol a víz felszínétől
05:58
and very far from light.
147
358260
2000
és a fénytől.
06:00
And so one of the tools that we can use to sample the oceans
148
360260
3000
Egyik leghasznosabb eszközünk
06:03
is acoustics, or sound waves.
149
363260
2000
az akusztika, illetve hanghullámok.
06:05
And the advantage of sound waves
150
365260
2000
Előnyük, hogy a fénnyel ellentétben
06:07
is that they actually pass well through water, unlike light.
151
367260
2000
kitűnően terjednek vízben is.
06:09
And so we can send out sound waves,
152
369260
2000
A kibocsátott hanghullámok
06:11
they bounce off objects like fish and are reflected back.
153
371260
3000
visszaverődnek pl. a halakról.
06:14
And so in this example, a census scientist took out two ships.
154
374260
3000
Pl. itt egy kutató két hajóval indult el.
06:17
One would send out sound waves that would bounce back.
155
377260
2000
Az egyik hajó hanghullámokat bocsátott ki.
06:19
They would be received by a second ship,
156
379260
2000
Ha visszaverődtek, a második hajó fogta.
06:21
and that would give us very precise estimates, in this case,
157
381260
3000
Egy perc alatt megbecsülhettük,
06:24
of 250 billion herring
158
384260
2000
hogy hol találjuk a 250 milliárd
06:26
in a period of about a minute.
159
386260
2000
egyedből álló heringrajt.
06:28
And that's an area about the size of Manhattan Island.
160
388260
3000
Kb. Manhattan nagyságú raj!
06:31
And to be able to do that is a tremendous fisheries tool,
161
391260
2000
Ez egy igen hasznos halászati eszköz,
06:33
because knowing how many fish are there is really critical.
162
393260
3000
mert fontos tudnunk, mennyi hal van még.
06:36
We can also use satellite tags
163
396260
2000
Műholdas jelölésekkel is
06:38
to track animals as they move through the oceans.
164
398260
2000
térképezzük fel a fajok útját.
06:40
And so for animals that come to the surface to breathe,
165
400260
2000
A levegőért feljövő fajok
06:42
such as this elephant seal,
166
402260
2000
mint pl. ez az elefántfóka,
06:44
it's an opportunity to send data back to shore
167
404260
2000
adatokat küldhetnek nekünk.
06:46
and tell us where exactly it is in the ocean.
168
406260
3000
Elmesélik, most konkrétan hol vannak.
06:49
And so from that we can produce these tracks.
169
409260
2000
Ez alapján berajzolhatjuk az útvonalukat.
06:51
For example, the dark blue
170
411260
2000
Pl. a sötétkék pettyek azt jelzik,
06:53
shows you where the elephant seal moved in the north Pacific.
171
413260
2000
merre úszik a fóka a Csendes-óceánban.
06:55
Now I realize for those of you who are colorblind, this slide is not very helpful,
172
415260
3000
A színvakok türelmét kérem, önöknek ez nem sokat mond,
06:58
but stick with me nonetheless.
173
418260
2000
de azért figyeljenek tovább.
07:00
For animals that don't surface,
174
420260
2000
A felszínre nem jövők
07:02
we have something called pop-up tags,
175
422260
2000
leváló s felszínre kerülő csipet kapnak,
07:04
which collect data about light and what time the sun rises and sets.
176
424260
3000
amik a fényről, a napkeltéről és napnyugtáról gyűjtenek adatot.
07:07
And then at some period of time
177
427260
2000
Egy kis idő múlva a csipek
07:09
it pops up to the surface and, again, relays that data back to shore.
178
429260
3000
ismét a felszínre bukkannak, és elküldik a partra az adataikat.
07:12
Because GPS doesn't work under water. That's why we need these tools.
179
432260
3000
Mert ugye a GPS nem működik víz alatt. Ezért kellenek.
07:15
And so from this we're able to identify these blue highways,
180
435260
3000
Így azonosítjuk a kékkel jelölt pályákat,
07:18
these hot spots in the ocean,
181
438260
2000
illetve azokat az óceáni helyeket,
07:20
that should be real priority areas
182
440260
2000
amelyek kiemelten fontosak
07:22
for ocean conservation.
183
442260
2000
az óceánok megőrzésében.
07:24
Now one of the other things that you may think about
184
444260
2000
Biztosan önöknél is
07:26
is that, when you go to the supermarket and you buy things, they're scanned.
185
446260
3000
beszkennelik a bevásárlóközpontokban a termékeket.
07:29
And so there's a barcode on that product
186
449260
2000
Minden terméken van egy vonalkód,
07:31
that tells the computer exactly what the product is.
187
451260
3000
amelyet a számítógép beolvas.
07:34
Geneticists have developed a similar tool called genetic barcoding.
188
454260
3000
A genetikusok egy hasonló eszköze a genetikai vonalkód.
07:37
And what barcoding does
189
457260
2000
Ez a típusú vonalkód
07:39
is use a specific gene called CO1
190
459260
2000
egy bizonyos génre, a CO1-re épül,
07:41
that's consistent within a species, but varies among species.
191
461260
3000
amely minden fajnál egyedi.
07:44
And so what that means is we can unambiguously identify
192
464260
2000
Emiatt minden faj egyértelműen
07:46
which species are which
193
466260
2000
azonosítható. Még akkor is,
07:48
even if they look similar to each other,
194
468260
2000
ha pl. két faj ránézésre hasonlít,
07:50
but may be biologically quite different.
195
470260
2000
de biológiailag gyökeresen különbözik.
07:52
Now one of the nicest examples I like to cite on this
196
472260
2000
Jó példa erre, s el is szoktam mesélni,
07:54
is the story of two young women, high school students in New York City,
197
474260
3000
két fiatal lány, két New York-i gimnazista történetét,
07:57
who worked with the census.
198
477260
2000
akik közreműködtek a fajszámlálásnál.
07:59
They went out and collected fish from markets and from restaurants in New York City
199
479260
3000
New York-i piacokról és éttermekből gyűjtöttek nekünk halat,
08:02
and they barcoded it.
200
482260
2000
és ellátták vonalkóddal.
08:04
Well what they found was mislabeled fish.
201
484260
2000
Helytelenül címkézett halat találtak.
08:06
So for example,
202
486260
2000
Pl. ahol a csomagoláson
08:08
they found something which was sold as tuna, which is very valuable,
203
488260
2000
értékes tonhalat hirdetett a címke,
08:10
was in fact tilapia, which is a much less valuable fish.
204
490260
3000
de tilapia volt, egy kevésbé értékes hal.
08:13
They also found an endangered species
205
493260
2000
Találtak egy veszélyeztetett fajt is,
08:15
sold as a common one.
206
495260
2000
amit gyakori fajként árultak.
08:17
So barcoding allows us to know what we're working with
207
497260
2000
A vonalkódokból tudhatjuk meg,
08:19
and also what we're eating.
208
499260
3000
mi kerül a kezünkbe, s a gyomrunkba.
08:22
The Ocean Biogeographic Information System
209
502260
2000
Az Ocean Biogeographic Information System
08:24
is the database for all the census data.
210
504260
2000
a fajszámlálás adatbázisa.
08:26
It's open access; you can all go in and download data as you wish.
211
506260
3000
Nyílt hozzáférésű. Próbálják ki, töltsenek le róla valamit.
08:29
And it contains all the data from the census
212
509260
3000
Rajta van a fajszámlálás összes adata,
08:32
plus other data sets that people were willing to contribute.
213
512260
2000
s más projektek is bővítették a bázist.
08:34
And so what you can do with that
214
514260
2000
Az adathalmaz alapján
08:36
is to plot the distribution of species and where they occur in the oceans.
215
516260
3000
szemléltethető az óceáni fajok eloszlása.
08:39
What I've plotted up here is the data that we have on hand.
216
519260
2000
Ez a kép a meglévő adathalmazt ábrázolja.
08:41
This is where our sampling effort has concentrated.
217
521260
3000
E területekről van a legtöbb mintánk.
08:44
Now what you can see
218
524260
2000
Sokat gyűjtöttünk
08:46
is we've sampled the area in the North Atlantic,
219
526260
2000
az Észak-Atlanti Óceán területén,
08:48
in the North Sea in particular,
220
528260
2000
az Északi-tengerben,
08:50
and also the east coast of North America fairly well.
221
530260
2000
s Észak-Amerika keleti partján.
08:52
That's the warm colors which show a well-sampled region.
222
532260
3000
A meleg színek jól feltárt területet jelölnek.
08:55
The cold colors, the blue and the black,
223
535260
2000
A hideg színek, a sötétkék és a fekete,
08:57
show areas where we have almost no data.
224
537260
2000
alig feltárt területet jelez.
08:59
So even after a 10-year census,
225
539260
2000
Tehát 10 év kemény munkája ellenére
09:01
there are large areas that still remain unexplored.
226
541260
3000
hatalmas területről alig van adatunk.
09:04
Now there are a group of scientists living in Texas, working in the Gulf of Mexico
227
544260
3000
Egy texasi kutatócsoport, amely a Mexikói-öbölben dolgozik,
09:07
who decided really as a labor of love
228
547260
2000
úgy döntött, "szabad idejükben"
09:09
to pull together all the knowledge they could
229
549260
2000
összeszedik mindazt az adatot,
09:11
about biodiversity in the Gulf of Mexico.
230
551260
2000
ami az öböl faji sokféleségéről létezik.
09:13
And so they put this together, a list of all the species,
231
553260
3000
Listázták az összes ottani fajt,
09:16
where they're known to occur,
232
556260
2000
élőhelyükkel együtt,
09:18
and it really seemed like a very esoteric, scientific type of exercise.
233
558260
3000
ami akkor ezoterikus, bár tudományos passziónak tűnt.
09:21
But then, of course, there was the Deep Horizon oil spill.
234
561260
3000
Aztán felrobbant a Deepwater Horizon fúrótorony.
09:24
So all of a sudden, this labor of love
235
564260
2000
Ez a kis tudományos passzió,
09:26
for no obvious economic reason
236
566260
3000
amelynek semmiféle anyagi indíttatása sem volt,
09:29
has become a critical piece of information
237
569260
2000
hirtelen kulcsfontosságú lett.
09:31
in terms of how that system is going to recover, how long it will take
238
571260
3000
Ebből kiderült, mi lesz a helyzet az ökoszisztémával.
09:34
and how the lawsuits
239
574260
2000
Az is, hogy mi lesz a perek végkimenete,
09:36
and the multi-billion-dollar discussions that are going to happen in the coming years
240
576260
3000
amelyekben több milliárd dollárról folyik majd a vita
09:39
are likely to be resolved.
241
579260
3000
az elkövetkező években.
09:42
So what did we find?
242
582260
2000
No, de mire bukkantunk?
09:44
Well, I could stand here for hours, but, of course, I'm not allowed to do that.
243
584260
2000
Órákig ecsetelhetném, de nincs erre időnk.
09:46
But I will tell you some of my favorite discoveries
244
586260
2000
Hadd ismertessem inkább a fajszámlálás
09:48
from the census.
245
588260
2000
során megismert kedvenc felfedezéseim.
09:50
So one of the things we discovered is where are the hot spots of diversity?
246
590260
3000
Kíváncsiak voltunk sűrűn lakott területek hollétére.
09:53
Where do we find the most species of ocean life?
247
593260
3000
Hol találhatjuk a legtöbb fajt?
09:56
And what we find if we plot up the well-known species
248
596260
2000
Ha az ismert fajokat feltérképezzük,
09:58
is this sort of a distribution.
249
598260
2000
a következő eloszlást tapasztalhatjuk.
10:00
And what we see is that for coastal tags,
250
600260
2000
A partok közelében élő,
10:02
for those organisms that live near the shoreline,
251
602260
2000
címkével ellátott fajok általában
10:04
they're most diverse in the tropics.
252
604260
2000
a trópusokon a legváltozatosabbak.
10:06
This is something we've actually known for a while,
253
606260
2000
Persze ezt már jó ideje tudjuk,
10:08
so it's not a real breakthrough.
254
608260
2000
ez nem tudományos áttörés.
10:10
What is really exciting though
255
610260
2000
Viszont az nagyon izgalmas,
10:12
is that the oceanic tags, or the ones that live far from the coast,
256
612260
2000
hogy a nyílt óceánon élő fajok
10:14
are actually more diverse at intermediate latitudes.
257
614260
2000
a közepes szélességeken sokfélék igazán.
10:16
This is the sort of data, again, that managers could use
258
616260
3000
Ez az adat az állománykezelők hasznára válhat,
10:19
if they want to prioritize areas of the ocean that we need to conserve.
259
619260
3000
ha elsősorban a veszélyeztetett helyeket tartanák szemmel.
10:22
You can do this on a global scale, but you can also do it on a regional scale.
260
622260
3000
Globális léptékben is megoldható, s regionálisan is.
10:25
And that's why biodiversity data can be so valuable.
261
625260
3000
Ezért ennyire értékesek a biológiai sokféleség adatai.
10:28
Now while a lot of the species we discovered in the census
262
628260
3000
A fajszámlálás során felfedezett fajok
10:31
are things that are small and hard to see,
263
631260
2000
többségükben picik, és alig láthatók.
10:33
that certainly wasn't always the case.
264
633260
2000
De akad egy-két kivétel.
10:35
For example, while it's hard to believe
265
635260
2000
Pl. érdekes, hogy egy 3 kilós homár
10:37
that a three kilogram lobster could elude scientists,
266
637260
2000
idáig elkerülte a kutatók figyelmét,
10:39
it did until a few years ago
267
639260
2000
pár évvel ezelőtt bukkantak csak rá,
10:41
when South African fishermen requested an export permit
268
641260
3000
mikor dél-afrikai halászok kiviteli engedélyt kértek
10:44
and scientists realized that this was something new to science.
269
644260
3000
és a kutatók rájöttek, hogy valami újdonságra akadtak.
10:47
Similarly this Golden V kelp
270
647260
2000
Hasonló az alaszkai "Arany V hínár" is.
10:49
collected in Alaska just below the low water mark
271
649260
2000
Épp az alacsony vízszintet jelző pontnál
10:51
is probably a new species.
272
651260
2000
gyűjtötték be, s valószínűleg új faj.
10:53
Even though it's three meters long,
273
653260
2000
Bár három méter hosszú,
10:55
it actually, again, eluded science.
274
655260
2000
sikerrel elkerülte a tudósok figyelmét.
10:57
Now this guy, this bigfin squid, is seven meters in length.
275
657260
3000
Itt egy úszós polipot láthatnak. kb. 7 m hosszú.
11:00
But to be fair, it lives in the deep waters of the Mid-Atlantic Ridge,
276
660260
3000
Igaz persze, hogy a Közép-Atlanti-hátság mély vizeiben honos,
11:03
so it was a lot harder to find.
277
663260
2000
szóval nehéz lett is volna meglelni.
11:05
But there's still potential for discovery of big and exciting things.
278
665260
3000
De van még lehetőség új és érdekes fajok felfedezésére.
11:08
This particular shrimp, we've dubbed it the Jurassic shrimp,
279
668260
3000
Ezt a rákot jurai garnélaráknak neveztük el,
11:11
it's thought to have gone extinct 50 years ago --
280
671260
2000
mert azt hittük, 50 éve kihalt már.
11:13
at least it was, until the census discovered
281
673260
2000
Lehet, így is volt, de kiderült,
11:15
it was living and doing just fine off the coast of Australia.
282
675260
3000
hogy ma ismét él s virul Ausztrália partjai közelében.
11:18
And it shows that the ocean, because of its vastness,
283
678260
3000
Ez is bizonyíték rá, hogy az óceán a méretének köszönhetően,
11:21
can hide secrets for a very long time.
284
681260
2000
sokáig őrizheti titkait.
11:23
So, Steven Spielberg, eat your heart out.
285
683260
3000
Steven Spielberg meg pukkadjon meg.
11:26
If we look at distributions, in fact distributions change dramatically.
286
686260
3000
A fajok eloszlása rendkívül változó.
11:29
And so one of the records that we had
287
689260
3000
Pl. sikerült a szurkos vészmadár
11:32
was this sooty shearwater, which undergoes these spectacular migrations
288
692260
3000
látványos vándorlását feltérképezni.
11:35
all the way from New Zealand
289
695260
2000
Új-Zélandtól egészen
11:37
all the way up to Alaska and back again
290
697260
2000
Alaszkáig repül, majd vissza,
11:39
in search of endless summer
291
699260
2000
az örök nyár nyomában,
11:41
as they complete their life cycles.
292
701260
2000
életciklusa más-más szakaszain.
11:43
We also talked about the White Shark Cafe.
293
703260
2000
Említeném még a Fehér Cápa Kávézót is.
11:45
This is a location in the Pacific where white shark converge.
294
705260
3000
A fehér cápák ott gyülekeznek.
11:48
We don't know why they converge there, we simply don't know.
295
708260
2000
Hogy miért, azt nem tudjuk.
11:50
That's a question for the future.
296
710260
2000
A válasz a jövő zenéje.
11:52
One of the things that we're taught in high school
297
712260
2000
Gimnáziumban azt tanultuk,
11:54
is that all animals require oxygen in order to survive.
298
714260
3000
hogy az élőlényeknek oxigén kell a létezéshez.
11:57
Now this little critter, it's only about half a millimeter in size,
299
717260
3000
Ez a mindössze fél mm-es lényecske
12:00
not terribly charismatic.
300
720260
2000
ugyan nem túl karizmatikus egy jelenség,
12:02
But it was only discovered in the early 1980s.
301
722260
2000
de csak a '80-as évek elején fedezték fel.
12:04
But the really interesting thing about it
302
724260
2000
Érdekessége, hogy néhány évvel ezelőtt
12:06
is that, a few years ago, census scientists discovered
303
726260
3000
a fajszámlálás tudósai felfedezték, hogy nagyszerűen megél
12:09
that this guy can thrive in oxygen-poor sediments
304
729260
2000
a Földközi-tenger mélyén levő
12:11
in the deep Mediterranean Sea.
305
731260
2000
oxigénszegény üledékben.
12:13
So now they know that, in fact,
306
733260
2000
Tehát most már tudjuk,
12:15
animals can live without oxygen, at least some of them,
307
735260
2000
hogy van pár, oxigén nélkül élő állat,
12:17
and that they can adapt to even the harshest of conditions.
308
737260
3000
s hogy a könyörtelen körülményekhez lehet alkalmazkodni.
12:20
If you were to suck all the water out of the ocean,
309
740260
3000
Ha az óceán egész vizét felhörpintenénk,
12:23
this is what you'd be left behind with,
310
743260
2000
a helyén maradna
12:25
and that's the biomass of life on the sea floor.
311
745260
2000
a tengerfenék biomasszája.
12:27
Now what we see is huge biomass towards the poles
312
747260
3000
A sarkok körül hatalmas, máshol pedig
12:30
and not much biomass in between.
313
750260
3000
elenyésző mennyiségű a biomassza.
12:33
We found life in the extremes.
314
753260
2000
Extrém viszonyok közt is van élet.
12:35
And so there were new species that were found
315
755260
2000
Pl. találtunk új fajokat,
12:37
that live inside ice
316
757260
2000
amelyek jégben élnek,
12:39
and help to support an ice-based food web.
317
759260
2000
és egy jég-alapú élelemháló tagjai.
12:41
And we also found this spectacular yeti crab
318
761260
2000
S mi találtuk ezt a remek jetirákot is:
12:43
that lives near boiling hot hydrothermal vents at Easter Island.
319
763260
3000
a Húsvét-szigetek környéki forró mélytengeri források lakóját.
12:46
And this particular species
320
766260
2000
Erre a fajra
12:48
really captured the public's attention.
321
768260
3000
felfigyelt a nagyközönség is.
12:51
We also found the deepest vents known yet -- 5,000 meters --
322
771260
3000
Az idáig legmélyebbnek vélt, kb. 5000 méteres forrásokat,
12:54
the hottest vents at 407 degrees Celsius --
323
774260
3000
és a 407 °C-os legforróbbakat is mi találtuk meg.
12:57
vents in the South Pacific and also in the Arctic
324
777260
2000
A déli Csendes-óceánban s az Arktiszon is,
12:59
where none had been found before.
325
779260
2000
ahol idáig létezésük sem sejlett.
13:01
So even new environments are still within the domain of the discoverable.
326
781260
3000
Szóval még akár új területeket is felfedezhetünk.
13:04
Now in terms of the unknowns, there are many.
327
784260
2000
S rengeteg ismeretlen van még.
13:06
And I'm just going to summarize just a few of them
328
786260
2000
Gyorsan összefoglalok
13:08
very quickly for you.
329
788260
2000
néhányat önöknek.
13:10
First of all, we might ask, how many fishes in the sea?
330
790260
3000
Kíváncsiskodhatnánk, hogy vajon hány hal van a tengerben?
13:13
We actually know the fishes better than we do any other group in the ocean
331
793260
2000
Más fajoknál jobban ismerjük őket,
13:15
other than marine mammals.
332
795260
2000
talán a tengeri emlősök kivételével.
13:17
And so we can actually extrapolate based on rates of discovery
333
797260
3000
A felfedezések gyakorisága alapján pontosan meghatározhatjuk,
13:20
how many more species we're likely to discover.
334
800260
3000
hány fajt fogunk a jövőben felfedezni.
13:23
And from that, we actually calculate
335
803260
2000
Ennek alapján úgy számoljuk,
13:25
that we know about 16,500 marine species
336
805260
3000
hogy kb. 16500 tengeri halfajt ismerünk
13:28
and there are probably another 1,000 to 4,000 left to go.
337
808260
2000
s kb. 1000-4000 felfedezetlen lehet még.
13:30
So we've done pretty well.
338
810260
2000
Más szóval, aránylag jól állunk.
13:32
We've got about 75 percent of the fish,
339
812260
2000
A halak kb. 75 százalékát ismerjük,
13:34
maybe as much as 90 percent.
340
814260
2000
vagy akár 90 százalékát.
13:36
But the fishes, as I say, are the best known.
341
816260
3000
De ahogy mondom, a halakat ismerjük legjobban.
13:39
So our level of knowledge is much less for other groups of organisms.
342
819260
3000
Más fajcsoportokra vonatkozó ismereteink sokkal szerényebbek.
13:42
Now this figure is actually based on a brand new paper
343
822260
2000
A következő szám egy friss tanulmányból
13:44
that's going to come out in the journal PLoS Biology.
344
824260
3000
származik, amely nemsokára megjelenik a PLoS Biology oldalain.
13:47
And what is does is predict how many more species there are
345
827260
2000
Előrejelzi, kb. hány új fajt találhatunk
13:49
on land and in the ocean.
346
829260
2000
még szárazföldön és óceánban.
13:51
And what they found
347
831260
2000
A tanulmány szerint
13:53
is that they think that we know of about nine percent of the species in the ocean.
348
833260
3000
az összes óceáni faj talán 9%-át ismerjük.
13:56
That means 91 percent, even after the census,
349
836260
2000
Tehát a fajszámlálás után is
13:58
still remain to be discovered.
350
838260
2000
91% még felfedezésre vár.
14:00
And so that turns out to be about two million species
351
840260
2000
Ez mindent egybevetve
14:02
once all is said and done.
352
842260
2000
kb. kétmillió fajt jelent.
14:04
So we still have quite a lot of work to do
353
844260
2000
Tehát rengeteg munka vár még ránk,
14:06
in terms of unknowns.
354
846260
2000
sok ismeretlen maradt még.
14:08
Now this bacterium
355
848260
2000
Ez a baktérium pl.
14:10
is part of mats that are found off the coast of Chile.
356
850260
3000
Chile partjainál lebegő szőnyegek része.
14:13
And these mats actually cover an area the size of Greece.
357
853260
2000
A szőnyegek akkorák mint Görögország.
14:15
And so this particular bacterium is actually visible to the naked eye.
358
855260
3000
A baktérium szabad szemmel látható.
14:18
But you can imagine the biomass that represents.
359
858260
3000
Képzeljék el, mekkora biomassza.
14:21
But the really intriguing thing about the microbes
360
861260
2000
De a legérdekesebb a mikrobáknál,
14:23
is just how diverse they are.
361
863260
2000
milyen elképesztően sokféle van belőlük.
14:25
A single drop of seawater
362
865260
2000
Egyetlen csepp óceánvízben
14:27
could contain 160 different types of microbes.
363
867260
2000
160 féle mikroba lehet.
14:29
And the oceans themselves
364
869260
2000
Az óceánokban
14:31
are thought potentially to contain as many as a billion different types.
365
871260
3000
egymilliárd fajtájú mikroba lehet.
14:34
So that's really exciting. What are they all doing out there?
366
874260
3000
Roppant izgalmas. Mi a szerepük?
14:37
We actually don't know.
367
877260
2000
Fogalmunk sincs.
14:39
The most exciting thing, I would say, about this census
368
879260
2000
A fajszámlálás legizgalmasabb felfedezése
14:41
is the role of global science.
369
881260
2000
a tudomány általános szerepe.
14:43
And so as we see in this image of light during the night,
370
883260
2000
Ezen az éjszakai felvételen látszik,
14:45
there are lots of areas of the Earth
371
885260
2000
rengeteg terület van még a Földön,
14:47
where human development is much greater
372
887260
3000
ahol fejlettebb az emberi társadalom,
14:50
and other areas where it's much less,
373
890260
2000
s vannak olyanok, ahol kevésbé.
14:52
but between them we see large dark areas
374
892260
2000
Köztük az óceán hatalmas, sötét,
14:54
of relatively unexplored ocean.
375
894260
2000
alig feltárt területe húzódik.
14:56
The other point I'd like to make about this
376
896260
2000
Hangsúlyozni szeretném:
14:58
is that this ocean's interconnected.
377
898260
2000
az óceán összeköt bennünket.
15:00
Marine organisms do not care about international boundaries;
378
900260
2000
A tengeri fajokat nem érdeklik a határok.
15:02
they move where they will.
379
902260
2000
Arra mennek, ahova akarnak.
15:04
And so the importance then of global collaboration
380
904260
3000
Rendkívül fontos tehát,
15:07
becomes all the more important.
381
907260
2000
hogy teljesen együttműködjünk.
15:09
We've lost a lot of paradise.
382
909260
2000
Az Édenkert nagy részét már elvesztettük.
15:11
For example, these tuna that were once so abundant in the North Sea
383
911260
3000
Nyoma sincs az Északi-tengerben
15:14
are now effectively gone.
384
914260
2000
valaha oly bőségesen élt tonhalnak.
15:16
There were trawls taken in the deep sea in the Mediterranean,
385
916260
3000
Fenék-vonóhálóval kutatták át a Földközi-tenger mélyét,
15:19
which collected more garbage than they did animals.
386
919260
2000
s több szemetet találtak, mint állatot.
15:21
And that's the deep sea, that's the environment that we consider to be
387
921260
3000
S ez mélytengeri környezet, mely sokak szerint
15:24
among the most pristine left on Earth.
388
924260
2000
a Föld még szűz élőhelyei közt van.
15:26
And there are a lot of other pressures.
389
926260
2000
Sok más kényszerítő okunk is van.
15:28
Ocean acidification is a really big issue that people are concerned with,
390
928260
3000
Gond az óceánok savasodása, melegedése,
15:31
as well as ocean warming, and the effects they're going to have on coral reefs.
391
931260
3000
s hogy a jelenségeknek milyen hatásuk lesz a korallzátonyokra.
15:34
On the scale of decades, in our lifetimes,
392
934260
3000
Még a mi életünkben, évtizedeken belül
15:37
we're going to see a lot of damage to coral reefs.
393
937260
2000
nagyon károsodnak a korallzátonyok.
15:39
And I could spend the rest of my time, which is getting very limited,
394
939260
3000
A fennmaradó időmet
15:42
going through this litany of concerns about the ocean,
395
942260
2000
tölthetném siránkozással,
15:44
but I want to end on a more positive note.
396
944260
2000
de útravalónak inkább derűsebbet adnék.
15:46
And so the grand challenge then
397
946260
2000
A nagy kihívás előttünk
15:48
is to try and make sure that we preserve what's left,
398
948260
2000
a maradék megőrzése,
15:50
because there is still spectacular beauty.
399
950260
2000
hiszen még annyi szépség maradt.
15:52
And the oceans are so productive,
400
952260
2000
Az óceánok annyira termékenyek,
15:54
there's so much going on in there that's of relevance to humans
401
954260
3000
s annyi minden van bennük, ami lényeges az embereknek,
15:57
that we really need to, even from a selfish perspective,
402
957260
3000
hogy még önző szempontból is érdekünk
16:00
try to do better than we have in the past.
403
960260
2000
sikeresebben eljárni, mint a múltban.
16:02
So we need to recognize those hot spots
404
962260
2000
Találjuk meg és őrizzük meg
16:04
and do our best to protect them.
405
964260
2000
a fajfenntartáshoz fontos helyeket.
16:06
When we look at pictures like this, they take our breath away,
406
966260
2000
Hisz lélegzetelállítóan szépek,
16:08
in addition to helping to give us breath
407
968260
2000
s a lélegzetünkhöz
16:10
by the oxygen that the oceans provide.
408
970260
2000
szükséges oxigént is ők adják.
16:12
Census scientists worked in the rain, they worked in the cold,
409
972260
3000
A fajszámlálás tudósai esőben, hidegben,
16:15
they worked under water and they worked above water
410
975260
2000
víz alatt és a víz felszínén dolgoztak,
16:17
trying to illuminate the wondrous discovery,
411
977260
2000
hogy megvilágítsák a legcsodálatosabb
16:19
the still vast unknown,
412
979260
2000
felfedezéseket, a hatalmas ismeretlent,
16:21
the spectacular adaptations that we see in ocean life.
413
981260
3000
s az óceáni életre jellemző látványos alkalmazkodást.
16:24
So whether you're a yak herder living in the mountains of Chile,
414
984260
3000
Mindegy, hogy önök jak pásztorok a chilei hegységekben,
16:27
whether you're a stockbroker in New York City
415
987260
3000
vagy brókerek New Yorkban,
16:30
or whether you're a TEDster living in Edinburgh,
416
990260
2000
vagy edinburgh-i TED munkatársak,
16:32
the oceans matter.
417
992260
2000
az óceán létfontosságú mindannyiunknak.
16:34
And as the oceans go so shall we.
418
994260
2000
Pusztulása a mi végünket is jelenti.
16:36
Thanks for listening.
419
996260
2000
Köszönöm figyelmüket.
16:38
(Applause)
420
998260
2000
(Taps)
Erről a weboldalról

Ez az oldal olyan YouTube-videókat mutat be, amelyek hasznosak az angol nyelvtanuláshoz. A világ minden tájáról származó, kiváló tanárok által tartott angol leckéket láthatsz. Az egyes videók oldalán megjelenő angol feliratokra duplán kattintva onnan játszhatja le a videót. A feliratok a videó lejátszásával szinkronban gördülnek. Ha bármilyen észrevétele vagy kérése van, kérjük, lépjen kapcsolatba velünk ezen a kapcsolatfelvételi űrlapon.

https://forms.gle/WvT1wiN1qDtmnspy7