Barbara Block: Tagging tuna in the deep ocean

24,725 views ・ 2010-10-06

TED


A videó lejátszásához kattintson duplán az alábbi angol feliratokra.

Fordító: Orsolya Kiss Lektor: Péter Pallós
00:15
I've been fascinated for a lifetime
0
15260
3000
Egész életemben lenyűgözött
00:18
by the beauty, form and function
1
18260
2000
a kékúszójú tonhal szépsége,
00:20
of giant bluefin tuna.
2
20260
3000
formája és életmódja.
00:23
Bluefin are warmblooded like us.
3
23260
3000
A kékúszójú tonhalak melegvérűek, mint az emberek.
00:26
They're the largest of the tunas,
4
26260
3000
A kékúszójú a legnagyobb létező tonhal,
00:29
the second-largest fish in the sea -- bony fish.
5
29260
3000
a második legnagyobb csontos tengeri hal.
00:32
They actually are a fish
6
32260
2000
A kékúszójú tonhal
00:34
that is endothermic --
7
34260
2000
endoterm, ami azt jelenti,
00:36
powers through the ocean with warm muscles like a mammal.
8
36260
3000
hogy meleg izmokkal úszik az óceánban, mint az emlősök.
00:40
That's one of our bluefin at the Monterey Bay Aquarium.
9
40260
3000
Ez a monterey-i akváriumban élő egyik tonhalunk.
00:43
You can see in its shape and its streamlined design
10
43260
3000
A áramvonalas felépítésén látszik,
00:46
it's powered for ocean swimming.
11
46260
3000
hogy óceáni úszáshoz alkalmazkodott.
00:49
It flies through the ocean on its pectoral fins, gets lift,
12
49260
3000
Szinte repül a mellúszóin,
00:52
powers its movements
13
52260
2000
felemelkedik, és félhold alakú farkuszonya
00:54
with a lunate tail.
14
54260
2000
segítségével ad erőt a mozdulatainak.
00:56
It's actually got a naked skin for most of its body,
15
56260
3000
Majdnem egész testét csupasz bőr fedi,
00:59
so it reduces friction with the water.
16
59260
3000
így kisebb a víz által kifejtett közegellenállás.
01:02
This is what one of nature's finest machines.
17
62260
3000
A tonhal teste a természet egyik legkifinomultabb gépezete.
01:05
Now, bluefin
18
65260
2000
A történelem során
01:07
were revered by Man
19
67260
2000
az ember mindig is tisztelte
01:09
for all of human history.
20
69260
3000
a kékúszójú tonhalakat.
01:12
For 4,000 years, we fished sustainably for this animal,
21
72260
3000
Négyezer éven keresztül fenntarthatóan halásztuk őket.
01:15
and it's evidenced
22
75260
2000
Nyomot hagytak
01:17
in the art that we see
23
77260
2000
több ezer éves
01:19
from thousands of years ago.
24
79260
2000
művészeti alkotásokban is.
01:21
Bluefin are in cave paintings in France.
25
81260
3000
Tonhalat barlangrajzokon is találhatunk, pl. Franciaországban.
01:24
They're on coins
26
84260
2000
Több mint háromezer éves
01:26
that date back 3,000 years.
27
86260
3000
pénzérmékre is felkerültek.
01:29
This fish was revered by humankind.
28
89260
3000
Az emberiség tisztelte ezt a fajt.
01:32
It was fished sustainably
29
92260
2000
Fenntarthatóan halászták
01:34
till all of time,
30
94260
2000
évezredekig, amíg a mi nemzedékünk
01:36
except for our generation.
31
96260
2000
meg nem jelent a Földön.
01:38
Bluefin are pursued wherever they go --
32
98260
3000
A kékúszójú tonhalat mindenütt üldözik:
01:41
there is a gold rush on Earth,
33
101260
2000
aranyláz tört ki a Földön,
01:43
and this is a gold rush for bluefin.
34
103260
2000
illetve kékúszójú tonhal-láz.
01:45
There are traps that fish sustainably
35
105260
2000
Van olyan háló, mellyel fenntarthatóan
01:47
up until recently.
36
107260
3000
lehet őket halászni, de mindez a múlté.
01:50
And yet, the type of fishing going on today,
37
110260
3000
A korszerű kerítőhálós halászat,
01:53
with pens, with enormous stakes,
38
113260
3000
amely hatalmas üzlet,
01:56
is really wiping bluefin
39
116260
2000
eltüntetheti a kékúszójú tonhalat
01:58
ecologically off the planet.
40
118260
2000
bolygónk színéről.
02:00
Now bluefin, in general,
41
120260
2000
A kékúszójú tonhalat általában
02:02
goes to one place: Japan.
42
122260
2000
Japánba szállítják.
02:04
Some of you may be guilty
43
124260
2000
Önök közül is sokan hozzájárulhattak
02:06
of having contributed to the demise of bluefin.
44
126260
2000
állományának hanyatlásához.
02:08
They're delectable muscle,
45
128260
2000
A tonhal ízletes,
02:10
rich in fat --
46
130260
2000
zsírban gazdag a húsa.
02:12
absolutely taste delicious.
47
132260
2000
Fenséges íze van.
02:14
And that's their problem; we're eating them to death.
48
134260
3000
S az a vége: az utolsó darabig felfaljuk.
02:17
Now in the Atlantic, the story is pretty simple.
49
137260
3000
Az atlanti-óceáni helyzet aránylag egyszerű.
02:20
Bluefin have two populations: one large, one small.
50
140260
3000
Két kékúszójú populáció van: egy kis- és egy nagyméretű.
02:23
The North American population
51
143260
2000
Az észak-amerikai populációból
02:25
is fished at about 2,000 ton.
52
145260
3000
évente max. 2000 tonnát halásznak.
02:28
The European population and North African -- the Eastern bluefin tuna --
53
148260
3000
Az európait és az észak-afrikait – a keleti kékúszójút –
02:31
is fished at tremendous levels:
54
151260
3000
hihetetlen mennyiségben halásszák:
02:34
50,000 tons over the last decade almost every year.
55
154260
3000
az utolsó évtized során évente kb. ötvenezer tonnát fogtak ki.
02:37
The result is whether you're looking
56
157260
2000
Ennek eredményeképpen
02:39
at the West or the Eastern bluefin population,
57
159260
3000
hihetetlenül megcsappant
02:42
there's been tremendous decline on both sides,
58
162260
2000
mind a nyugati, mind a keleti populáció.
02:44
as much as 90 percent
59
164260
2000
Az 1950-ben feljegyzett
02:46
if you go back with your baseline
60
166260
2000
mennyiséghez képest
02:48
to 1950.
61
168260
2000
nem kevesebb, mint 90%-kal.
02:50
For that, bluefin have been given a status
62
170260
3000
Emiatt a kékúszójú tonhal
02:53
equivalent to tigers, to lions,
63
173260
3000
ugyanolyan sorsra jutott mára, mint a tigrisek, oroszlánok
02:56
to certain African elephants
64
176260
2000
és az afrikai elefántok bizonyos fajtái,
02:58
and to pandas.
65
178260
2000
meg a pandamedvék.
03:00
These fish have been proposed
66
180260
2000
Az egyik két hónapos javaslat értelmében
03:02
for an endangered species listing in the past two months.
67
182260
3000
ideje lenne besorolni a veszélyeztetett fajok közé.
03:05
They were voted on and rejected
68
185260
2000
A javaslatról két hete szavaztak.
03:07
just two weeks ago,
69
187260
2000
Elutasították, bár két bizottság
03:09
despite outstanding science
70
189260
2000
kiváló tudományos elemzései
03:11
that shows from two committees
71
191260
3000
egyértelműen bizonyítják,
03:14
this fish meets the criteria of CITES I.
72
194260
3000
hogy a faj megfelel a CITES I követelményeinek.
03:17
And if it's tunas you don't care about,
73
197260
2000
S ha a tonhalak sorsa nem érdekli
03:19
perhaps you might be interested
74
199260
2000
önöket, akkor gondoljanak arra,
03:21
that international long lines and pursing
75
201260
2000
hogy a horogsoros és vonóhálós flották
03:23
chase down tunas and bycatch animals
76
203260
3000
sok másféle tengeri élőlényt is kifognak.
03:26
such as leatherbacks, sharks,
77
206260
2000
Így kérges teknősöket, albatroszokat,
03:28
marlin, albatross.
78
208260
2000
vitorláskardos-halakat és cápákat is.
03:30
These animals and their demise
79
210260
2000
Ezen állományok megcsappanását
03:32
occurs in the tuna fisheries.
80
212260
3000
is a tonhal túlhalászása okozza.
03:35
The challenge we face
81
215260
2000
A legnagyobb bökkenő,
03:37
is that we know very little about tuna,
82
217260
3000
hogy nem tudunk eleget a tonhalakról.
03:40
and everyone in the room knows what it looks like
83
220260
3000
A jelenlevők közül szinte
03:43
when an African lion
84
223260
2000
mindenki tudja, milyen az,
03:45
takes down its prey.
85
225260
2000
ha egy afrikai oroszlán lecsap áldozatára.
03:47
I doubt anyone has seen a giant bluefin feed.
86
227260
3000
Kétlem, hogy bárki látta volna a kékúszójú tonhalat vadászni.
03:50
This tuna symbolizes
87
230260
3000
A kékúszójú ezért
az előttünk álló kihívás jelképe.
03:53
what's the problem for all of us in the room.
88
233260
3000
03:56
It's the 21st century, but we really have only just begun
89
236260
3000
A 21. században vagyunk, de még csak most kezdődött el
03:59
to really study our oceans in a deep way.
90
239260
3000
igazán az óceánok feltárása.
04:02
Technology has come of age
91
242260
2000
Korszerű eszközeinkkel
04:04
that's allowing us to see the Earth from space
92
244260
3000
az űrből figyelhetjük meg Földünket,
04:07
and go deep into the seas remotely.
93
247260
3000
s távvezérléses eszközeinkkel mélyebbre hatolhatunk.
04:10
And we've got to use these technologies immediately
94
250260
2000
E lehetőségeket azonnal ki kell használni,
04:12
to get a better understanding
95
252260
2000
hogy jobban megérthessük
04:14
of how our ocean realm works.
96
254260
3000
az óceán világának működését.
04:17
Most of us from the ship -- even I --
97
257260
2000
A fedélzetről mindannyiunknak – nekem is –,
04:19
look out at the ocean and see this homogeneous sea.
98
259260
3000
homogénnek látszik az óceán.
04:22
We don't know where the structure is.
99
262260
2000
Nem tudjuk, milyen a szerkezete.
04:24
We can't tell where are the watering holes
100
264260
3000
Nem láthatjuk a forrásokat,
04:27
like we can on an African plain.
101
267260
3000
mint egy afrikai sztyeppén.
04:30
We can't see the corridors,
102
270260
2000
Nem láthatjuk a tengeri folyosókat sem,
04:32
and we can't see what it is
103
272260
2000
és nem tudhatjuk, mi miatt kerültek
04:34
that brings together a tuna,
104
274260
2000
egy hálóba az egymástól távol élő
04:36
a leatherback and an albatross.
105
276260
2000
kérges teknős, tonhal és albatrosz.
04:38
We're only just beginning to understand
106
278260
2000
Most kezdjük csak sejteni,
04:40
how the physical oceanography
107
280260
2000
hogy a fizikai és biológiai
04:42
and the biological oceanography
108
282260
2000
oceanográfia csak közösen,
04:44
come together
109
284260
2000
együttes erővel tud
04:46
to create a seasonal force
110
286260
2000
– képletesen szólva –
olyan áramlatot alkotni,
04:48
that actually causes the upwelling
111
288260
2000
amely helyrehozza a különlegesen veszélyeztetett helyeket.
04:50
that might make a hot spot a hope spot.
112
290260
3000
04:53
The reasons these challenges are great
113
293260
2000
Azért bonyolult a feladat,
04:55
is that technically it's difficult to go to sea.
114
295260
3000
mert nehéz kijutni a nyílt tengerre.
04:58
It's hard to study a bluefin on its turf,
115
298260
2000
Szinte lehetetlen a tonhalat élőhelyén,
05:00
the entire Pacific realm.
116
300260
2000
a Csendes-óceánban tanulmányozni.
05:02
It's really tough to get up close and personal with a mako shark
117
302260
4000
Ugyanígy rendkívül nehéz egy makócápa közelébe férkőzni,
05:06
and try to put a tag on it.
118
306260
2000
és megjelölni.
05:08
And then imagine being Bruce Mate's team from OSU,
119
308260
3000
S próbáljuk meg elképzelni Bruce Mate kutatóit az OSU-ról,
05:11
getting up close to a blue whale
120
311260
2000
amint egy kék bálnát akarnak megjelölni;
05:13
and fixing a tag on the blue whale that stays,
121
313260
3000
vajon közben az állat nyugton marad?
05:16
an engineering challenge
122
316260
2000
Nem akármilyen próbatétel ez,
05:18
we've yet to really overcome.
123
318260
2000
nem is sikerült még megoldani.
05:20
So the story of our team, a dedicated team,
124
320260
3000
A mi kutatócsoportunkat akár
'fish and chips'-nek is nevezhetnénk.
05:23
is fish and chips.
125
323260
2000
05:25
We basically are taking
126
325260
2000
Ugyanazokat a csipeket használjuk mi is,
05:27
the same satellite phone parts,
127
327260
2000
mint a műholdas telefonok,
05:29
or the same parts that are in your computer, chips.
128
329260
3000
vagy mint a személyi számítógépek.
05:32
We're putting them together in unusual ways,
129
332260
3000
Más módon rakjuk őket össze,
05:35
and this is taking us into the ocean realm
130
335260
2000
s így forradalmian új bepillantást
05:37
like never before.
131
337260
2000
nyerhetünk az óceán világába.
05:39
And for the first time,
132
339260
2000
Először nyílt lehetőségünk arra,
05:41
we're able to watch the journey of a tuna beneath the ocean
133
341260
3000
hogy megfigyeljük a tonhal útját
05:44
using light and photons
134
344260
2000
az óceán mélyén, fény és fotonok
05:46
to measure sunrise and sunset.
135
346260
3000
segítségével, amelyek a napfelkeltét és a naplementét mérik.
05:49
Now, I've been working with tunas for over 15 years.
136
349260
3000
Én már több mint 15 éve foglalkozom tonhalakkal.
05:52
I have the privilege of being a partner
137
352260
2000
Megtiszteltetés a monterey-i akvárium
05:54
with the Monterey Bay Aquarium.
138
354260
2000
partnerének lennünk.
05:56
We've actually taken a sliver of the ocean,
139
356260
2000
Például kiállítottuk
05:58
put it behind glass,
140
358260
2000
az óceán egy részletét is,
06:00
and we together
141
360260
2000
amelyben kékúszójú és
06:02
have put bluefin tuna and yellowfin tuna on display.
142
362260
3000
sárgaúszójú tonhalak láthatók.
06:05
When the veil of bubbles lifts every morning,
143
365260
3000
Mikor reggelente felemelkedik a buborékfüggöny,
06:08
we can actually see a community from the Pelagic ocean,
144
368260
3000
a nyílt óceán élővilágát vehetjük szemügyre.
06:11
one of the only places on Earth
145
371260
2000
Az Akvárium egyike azon ritka helyeknek,
06:13
you can see giant bluefin swim by.
146
373260
3000
ahol kékúszójú tonhalat láthatnak.
06:16
We can see in their beauty of form and function,
147
376260
2000
Csodálhatják formájuk, mozgásuk szépségét,
szüntelen tevékenykedésüket.
06:19
their ceaseless activity.
148
379260
2000
06:21
They're flying through their space, ocean space.
149
381260
3000
Mintha repülnének az óceán mélyén.
06:24
And we can bring two million people a year
150
384260
2000
Évente kétmillió látogató
06:26
into contact with this fish
151
386260
2000
gyönyörködhet itt
06:28
and show them its beauty.
152
388260
3000
kékúszójú tonhalakban.
06:31
Behind the scenes is a working lab at Stanford University
153
391260
3000
A kulisszák mögött egy stanfordi kutatólaboratórium rejtőzik,
06:34
partnered with the Monterey Bay Aquarium.
154
394260
2000
amely a Monterey-öböl Akvárium partnere.
06:36
Here, for over 14 or 15 years,
155
396260
2000
Itt már több, mint 14 éve
06:38
we've actually brought in
156
398260
2000
tartunk kékúszójú és
06:40
both bluefin and yellowfin in captivity.
157
400260
2000
sárgaúszójú tonhalat fogságban.
06:42
We'd been studying these fish,
158
402260
2000
Először természetesen
06:44
but first we had to learn how to husbandry them.
159
404260
2000
meg kellett tanulnunk a tartásukat.
06:46
What do they like to eat?
160
406260
2000
Mi a kedvenc táplálékuk?
06:48
What is it that they're happy with?
161
408260
2000
Milyen körülmények közt érzik jól magukat?
06:50
We go in the tanks with the tuna -- we touch their naked skin --
162
410260
3000
Beléphetünk a tonhalak tartályaiba, s megérinthetjük a bőrüket.
06:53
it's pretty amazing. It feels wonderful.
163
413260
3000
Csodálatos érzés.
06:56
And then, better yet,
164
416260
2000
Ráadásul néhány munkatársunk
06:58
we've got our own version of tuna whisperers,
165
418260
2000
akár tonhal-bűvölőnek is beillik.
07:00
our own Chuck Farwell, Alex Norton,
166
420260
2000
Kollégáink, Chuck Farwell és Alex Norton
07:02
who can take a big tuna
167
422260
2000
egy mozdulattal befogják
07:04
and in one motion,
168
424260
2000
a tonhalakat,
07:06
put it into an envelope of water,
169
426260
2000
s óceánvízzel teli zsákba helyezik őket.
07:08
so that we can actually work with the tuna
170
428260
2000
Így tapasztalhatjuk ki
07:10
and learn the techniques it takes
171
430260
2000
az olyan trükköket,
07:12
to not injure this fish
172
432260
2000
melyek segítségével épen foghatjuk ki
07:14
who never sees a boundary in the open sea.
173
434260
3000
a vadon élő példányokat.
07:17
Jeff and Jason there, are scientists
174
437260
2000
Jeff és Jason van a képen.
07:19
who are going to take a tuna
175
439260
2000
Mindketten tudósok, és éppen
07:21
and put it in the equivalent of a treadmill, a flume.
176
441260
3000
úsztató csatornába teszik az egyik tonhalat.
07:24
And that tuna thinks it's going to Japan, but it's staying in place.
177
444260
3000
Ez a tonhal úgy véli, Japánba tart, de helyben úszik.
07:27
We're actually measuring its oxygen consumption,
178
447260
2000
Mi pedig megmérjük, mennyi oxigént
07:29
its energy consumption.
179
449260
2000
és energiát fogyaszt úszás közben.
07:32
We're taking this data and building better models.
180
452260
3000
Az adatok alapján jobb modelleket készíthetünk.
07:35
And when I see that tuna -- this is my favorite view --
181
455260
3000
S mikor elnézem a tonhalat, – ez itt kedvenc látószögem –,
07:38
I begin to wonder:
182
458260
2000
az jár a fejemben: vajon hogy oldotta meg
07:40
how did this fish solve the longitude problem before we did?
183
460260
3000
ez a faj az embert megelőzve a tájékozódás dilemmáját?
07:44
So take a look at that animal.
184
464260
2000
Nézzék csak meg jól ezt a példányt.
07:46
That's the closest you'll probably ever get.
185
466260
2000
Közelebb valószínűleg sosem jutnak hozzá.
07:48
Now, the activities from the lab
186
468260
3000
A laborban végzett tevékenység
07:51
have taught us now how to go out in the open ocean.
187
471260
3000
felkészített minket a nyílt óceáni munkákra.
07:54
So in a program called Tag-A-Giant
188
474260
3000
Egy program keretében, amely "Címkézz meg egy óriást"
07:57
we've actually gone from Ireland to Canada,
189
477260
3000
néven fut, elmentünk Írországtól egészen
Kanadáig, Korzikától Spanyolországig.
08:00
from Corsica to Spain.
190
480260
2000
08:02
We've fished with many nations around the world
191
482260
3000
Világszerte sok néppel
08:05
in an effort to basically
192
485260
2000
halásztunk már együtt,
hogy pici számítógépeket ültessünk
08:07
put electronic computers
193
487260
3000
08:10
inside giant tunas.
194
490260
2000
az óriási tonhalakba.
08:12
We've actually tagged 1,100 tunas.
195
492260
3000
Idáig 1100 tonhalat sikerült megjelölnünk.
08:15
And I'm going to show you three clips,
196
495260
2000
S most három klipet szeretnék mutatni,
08:17
because I tagged 1,100 tunas.
197
497260
3000
mert én magam 1100 tonhalat jelöltem meg!
08:20
It's a very hard process, but it's a ballet.
198
500260
3000
Nehéz folyamat, pontosan koreografáltuk.
08:23
We bring the tuna out, we measure it.
199
503260
3000
A hajóra vonjuk a tonhalat, majd megmérjük.
08:26
A team of fishers, captains, scientists and technicians
200
506260
3000
Egy halászokból, kapitányokból, tudósokból
08:29
work together to keep this animal out of the ocean
201
509260
3000
és műszakiakból álló csoport közös erővel
08:32
for about four to five minutes.
202
512260
3000
a hajón tartja az állatot kb. 4-5 percig.
08:35
We put water over its gills, give it oxygen.
203
515260
3000
Vizet pumpálunk a kopoltyúira, oxigénnel is ellátjuk.
08:38
And then with a lot of effort, after tagging,
204
518260
3000
S miután sikerült címkével megjelölnünk,
08:41
putting in the computer,
205
521260
2000
betápláljuk az adatait a számítógépbe.
08:43
making sure the stalk is sticking out so it senses the environment,
206
523260
3000
Úgy erősítjük rá a csipet, hogy érzékelje a környezetét.
08:46
we send this fish back into the sea.
207
526260
3000
Nagy erőfeszítés árán visszalökjük a halat az óceánba.
08:49
And when it goes, we're always happy.
208
529260
2000
S mikor ismét vízbe ér, megkönnyebbülünk.
08:51
We see a flick of the tail.
209
531260
2000
A hal pedig legyint egyet az uszonyával.
08:53
And from our data that gets collected,
210
533260
3000
Mikor visszakerül hozzánk a címkéje,
08:56
when that tag comes back,
211
536260
2000
mert ezerdolláros jutalom fejében
08:58
because a fisher returns it
212
538260
2000
a halászok visszajuttatják nekünk,
09:00
for a thousand-dollar reward,
213
540260
2000
az összegyűjtött adatokból
09:02
we can get tracks beneath the sea
214
542260
2000
nyomon követhetjük
09:04
for up to five years now,
215
544260
2000
immár öt éve
09:06
on a backboned animal.
216
546260
2000
a tonhal útvonalát az óceánban.
09:08
Now sometimes the tunas are really large,
217
548260
3000
A tonhalak néha hatalmasra nőnek
09:11
such as this fish off Nantucket.
218
551260
2000
mint pl. ez a nantucketi példány.
09:13
But that's about half the size
219
553260
2000
De még ő is csak feleakkora,
09:15
of the biggest tuna we've ever tagged.
220
555260
2000
mint a legnagyobb megjelölt példányunk.
09:17
It takes a human effort,
221
557260
2000
Fáradságos munka
09:19
a team effort, to bring the fish in.
222
559260
2000
becserkészni őket.
09:21
In this case, what we're going to do
223
561260
2000
Ezt a tonhalat
09:23
is put a pop-up satellite archival tag on the tuna.
224
563260
3000
műholdas címkével látjuk el.
09:27
This tag rides on the tuna,
225
567260
2000
A címke a hal hátán "lovagol",
09:29
senses the environment around the tuna
226
569260
3000
érzékeli a hal környezetét
09:32
and actually will come off the fish,
227
572260
3000
majd egyszer csak leválik róla,
09:35
detach, float to the surface
228
575260
2000
a felszínre bukkan, mint egy bója,
09:37
and send back to Earth-orbiting satellites
229
577260
3000
és a Föld körül keringő műholdnak
09:40
position data estimated by math on the tag,
230
580260
3000
elküldi összes tárolt adatát: helyzetéről,
09:43
pressure data and temperature data.
231
583260
3000
a nyomásról és a hőmérsékletről.
09:46
And so what we get then from the pop-up satellite tag
232
586260
2000
Az ilyen műholdas címkékkel
09:48
is we get away from having to have a human interaction
233
588260
3000
emberi beavatkozás nélkül is
09:51
to recapture the tag.
234
591260
2000
be lehet gyűjteni az adatokat.
09:53
Both the electronic tags I'm talking about are expensive.
235
593260
3000
Mindkét elektronikus címke drága.
09:56
These tags have been engineered
236
596260
2000
Sok észak-amerikai kutatócsoport
09:58
by a variety of teams in North America.
237
598260
3000
mérnöki munkájának köszönhetjük őket.
10:01
They are some of our finest instruments,
238
601260
2000
A legkifinomultabb
10:03
our new technology in the ocean today.
239
603260
3000
óceánkutató eszközeink közé tartoznak.
10:07
One community in general
240
607260
2000
Egy közösség többet segített nekünk
10:09
has given more to help us than any other community.
241
609260
2000
bármely másiknál.
10:11
And that's the fisheries off the state of North Carolina.
242
611260
3000
Az észak-karolinai partokon lévő halászatokra gondolok.
10:14
There are two villages, Harris and Morehead City,
243
614260
3000
Két falu van ott, Harris és Morehead City,
10:17
every winter for over a decade,
244
617260
2000
amelyek egy évtizede minden télen
10:19
held a party called Tag-A-Giant,
245
619260
3000
a "Címkézz meg egy óriást" összejövetel házigazdái,
10:22
and together, fishers worked with us
246
622260
2000
s velünk együtt ők is
10:24
to tag 800 to 900 fish.
247
624260
3000
8-900 tonhalat címkéztek meg.
10:27
In this case, we're actually going to measure the fish.
248
627260
3000
Itt mérjük a halakat.
10:30
We're going to do something that in recent years we've started:
249
630260
3000
Még egy dolgot tervezünk, amire csak pár éve van lehetőségünk.
10:33
take a mucus sample.
250
633260
2000
Nyálkamintát vettünk.
10:35
Watch how shiny the skin is; you can see my reflection there.
251
635260
3000
Nézzék, hogy ragyog a hal bőre; látszik rajta a tükörképem.
10:38
And from that mucus, we can get gene profiles,
252
638260
3000
A nyálkából géntérképet nyerhetünk ki.
10:41
we can get information on gender,
253
641260
2000
de megtudhatjuk a megjelölt hal nemét is.
10:43
checking the pop-up tag one more time,
254
643260
2000
Most gyorsan ellenőrizzük a csipet,
10:45
and then it's out in the ocean.
255
645260
2000
s már megy is a hal a nyílt óceánra.
10:47
And this is my favorite.
256
647260
2000
S ez a felvétel e kedvencem!
10:49
With the help of my former postdoc, Gareth Lawson,
257
649260
3000
Gareth Lawson, régi kedves diákom segítségével
10:52
this is a gorgeous picture of a single tuna.
258
652260
2000
lélegzetelállító hőtérképet készítettünk.
10:54
This tuna is actually moving on a numerical ocean.
259
654260
3000
Ez a tonhal a számok tengerében siklik.
10:57
The warm is the Gulf Stream,
260
657260
2000
Az a meleg folt a Golf-áramlat,
10:59
the cold up there in the Gulf of Maine.
261
659260
3000
a hideg pedig a Maine-áramlat.
11:02
That's where the tuna wants to go -- it wants to forage on schools of herring --
262
662260
3000
Oda igyekezne a tonhal is, hogy heringrajokból lakmározzon.
11:05
but it can't get there. It's too cold.
263
665260
2000
De túl hideg van hozzá.
11:07
But then it warms up, and the tuna pops in, gets some fish,
264
667260
3000
Mikor kicsit felmelegszik a víz, a tonhal is nekiveselkedik,
11:10
maybe comes back to home base,
265
670260
2000
talán egyszer visszanéz a hazai vizekre,
11:12
goes in again
266
672260
2000
aztán megint ki a nyílt óceánra,
11:14
and then comes back to winter down there in North Carolina
267
674260
3000
majd leúszik az észak-karolinai partokra telelni,
11:17
and then on to the Bahamas.
268
677260
2000
s aztán irány a Bahamák.
S ez a kedvenc felvételem. Három tonhal a Mexikói-öbölbe tart.
11:19
And my favorite scene, three tunas going into the Gulf of Mexico.
269
679260
3000
11:22
Three tunas tagged.
270
682260
2000
Mind a három meg van jelölve!
11:24
Astronomically, we're calculating positions.
271
684260
2000
Kiszámítjuk a helyzetüket.
11:26
They're coming together. That could be tuna sex --
272
686260
3000
Egymás felé úsznak. Talán párzanak is!
11:29
and there it is.
273
689260
2000
S tessék, itt a Mexikói-öbölben
11:31
That is where the tuna spawn.
274
691260
2000
ívnak a tonhalak.
11:33
So from data like this,
275
693260
2000
Az összegyűjtött adatok alapján
11:35
we're able now to put the map up,
276
695260
2000
részletes térképeket készíthetünk.
11:37
and in this map
277
697260
2000
Ezen a térképen például
11:39
you see thousands of positions
278
699260
2000
ezernyi hal helyzetét láthatják.
11:41
generated by this decade and a half of tagging.
279
701260
3000
Másfél évtized jelölési munkájának gyümölcsét.
11:44
And now we're showing that tunas on the western side
280
704260
3000
S most azt láthatják, hogy
11:47
go to the eastern side.
281
707260
2000
a nyugati tonhalak kelet felé úsznak.
11:49
So two populations of tunas --
282
709260
2000
Tehát két tonhal populáció van,
11:51
that is, we have a Gulf population, one that we can tag --
283
711260
2000
a Golf-áramlatosokból párat megjelöltünk.
11:53
they go to the Gulf of Mexico, I showed you that --
284
713260
3000
Ahogy láthatták, ezek a halak a Mexikói-öböl felé tartanak.
11:56
and a second population.
285
716260
2000
De van egy másik populáció is.
11:58
Living amongst our tunas -- our North American tunas --
286
718260
2000
Az észak-amerikai tonhalaink közt
12:00
are European tunas that go back to the Med.
287
720260
3000
vannak európaiak is, amelyek a Földközi-tenger felé úsznak.
12:03
On the hot spots -- the hope spots --
288
723260
2000
A különlegesen veszélyeztetett helyeken
12:05
they're mixed populations.
289
725260
2000
keveredik a két populáció.
12:07
And so what we've done with the science
290
727260
2000
A kutatásunkkal már sikeresen
12:09
is we're showing the International Commission,
291
729260
2000
szemléltettük a nemzetközi bizottságnak,
12:11
building new models,
292
731260
2000
illetve a modelljeinken tisztán látszik,
12:13
showing them that a two-stock no-mixing model --
293
733260
2000
hogy a kétpopulációs, nem-keveredő modell,
12:15
to this day, used to reject
294
735260
3000
s amelyre hivatkozva
12:18
the CITES treaty --
295
738260
2000
a CITES egyezményt elutasították,
12:20
that model isn't the right model.
296
740260
2000
az a modell helytelen.
12:22
This model, a model of overlap,
297
742260
2000
Az új modell, melyben keverednek
12:24
is the way to move forward.
298
744260
2000
az állományok, a helyes modell.
12:26
So we can then predict
299
746260
2000
A segítségével előre kijelölhetjük
12:28
where management places should be.
300
748260
2000
az állomány-gazdálkodásra jó helyeket.
12:30
Places like the Gulf of Mexico and the Mediterranean
301
750260
3000
A Mexikói-öbölben és a Földközi-tengeren
12:33
are places where the single species,
302
753260
2000
egy fajtát, egy populációt
12:35
the single population, can be captured.
303
755260
2000
tudunk csak befogni.
12:37
These become forthright in places we need to protect.
304
757260
3000
Ezeket a helyeket védetté kell nyilvánítani.
12:40
The center of the Atlantic where the mixing is,
305
760260
3000
Az Atlanti-óceán közepén, ahol a két fajta keveredik,
12:43
I could imagine a policy that lets Canada and America fish,
306
763260
2000
olyan irányelvet javasolnék, mely alapján
12:45
because they manage their fisheries well,
307
765260
3000
az USA és Kanada halászhatna. Ez a két ország
12:48
they're doing a good job.
308
768260
2000
jól gazdálkodik az állományával.
12:50
But in the international realm,
309
770260
2000
De sajnos, a többi felségvízen
12:52
where fishing and overfishing has really gone wild,
310
772260
2000
a túlhalászás annyira elburjánzott,
12:54
these are the places that we have to make hope spots in.
311
774260
3000
hogy nagy, védett területekre lenne szükség.
12:57
That's the size they have to be to protect the bluefin tuna.
312
777260
3000
A faj biztonságához kb. ekkorának kellene lenniük.
13:00
Now in a second project
313
780260
2000
Egy másik projektben, a neve:
13:02
called Tagging of Pacific Pelagics,
314
782260
2000
a "Nyílt tengeri fajták jelölése",
13:04
we took on the planet as a team,
315
784260
2000
az egész bolygót bevállaltuk.
13:06
those of us in the Census of Marine Life.
316
786260
2000
A Tengeri Fajszámláló Program részeként,
13:08
And, funded primarily through Sloan Foundation and others,
317
788260
4000
a Sloan Alapítvány és sokan mások támogatásának köszönhetően
13:12
we were able to actually go in, in our project --
318
792260
3000
belevághattunk a projektunkba.
13:15
we're one of 17 field programs
319
795260
2000
A tizenhét program egyike vagyunk.
13:17
and begin to take on tagging large numbers of predators,
320
797260
3000
Nemcsak tonhalakat, hanem
13:20
not just tunas.
321
800260
2000
sok más ragadozót is megjelöltünk.
13:22
So what we've done
322
802260
2000
Elmentünk egészen Alaszkáig
13:24
is actually gone up to tag salmon shark in Alaska,
323
804260
3000
hogy lazaccápákat jelöljünk meg,
13:27
met salmon shark on their home territory,
324
807260
3000
s hogy a természetes élőhelyükön figyelhessük meg őket.
13:30
followed them catching salmon
325
810260
2000
Megnéztük, hogyan vadásznak.
13:32
and then went in and figured out
326
812260
2000
Ezután felfedeztük,
13:34
that, if we take a salmon and put it on a line,
327
814260
3000
hogy ha befogunk egy lazacot, és damilra fűzzük,
13:37
we can actually take up a salmon shark --
328
817260
2000
ily módon elcsíphetünk egy lazaccápát is.
13:39
This is the cousin of the white shark --
329
819260
2000
A lazaccápa a fehér cápa távoli rokona.
13:41
and very carefully --
330
821260
2000
Így hát nagyon óvatosak voltunk,
13:43
note, I say "very carefully," --
331
823260
2000
s ezt komolyan mondom ám!
13:45
we can actually keep it calm,
332
825260
2000
Csak így maradt nyugton,
13:47
put a hose in its mouth, keep it off the deck
333
827260
3000
míg mi csövet tettünk a szájába –
13:50
and then tag it with a satellite tag.
334
830260
3000
a fedélzetre nem húztuk fel, s megjelöltük
13:53
That satellite tag will now have your shark phone home
335
833260
3000
egy műholdas üzeneteket küldő címkével,
13:56
and send in a message.
336
836260
2000
mintha "hazatelefonálna" a cápánk!
13:58
And that shark leaping there, if you look carefully, has an antenna.
337
838260
3000
Nézzék csak meg, antennája van!
14:01
It's a free swimming shark with a satellite tag
338
841260
2000
Egy vadon élő, megjelölt cápa
14:03
jumping after salmon,
339
843260
2000
éppen lazacra vadászik,
14:05
sending home its data.
340
845260
3000
de közben küld nekünk adatokat is.
14:09
Salmon sharks aren't the only sharks we tag.
341
849260
2000
Sok másféle cápát is megcímkéztünk.
14:11
But there goes salmon sharks with this meter-level resolution
342
851260
3000
De ezen a hőtérképen egy lazaccápa útját láthatják
14:14
on an ocean of temperature -- warm colors are warmer.
343
854260
3000
méterre pontosan. A meleg színek meleg vizet jelölnek.
14:17
Salmon sharks go down
344
857260
2000
A lazaccápák a trópusokig elúsznak,
14:19
to the tropics to pup
345
859260
2000
ott hozzák világra ivadékaikat,
14:21
and come into Monterey.
346
861260
2000
s a Monterey-öbölben is gyakori vendégek.
14:23
Now right next door in Monterey and up at the Farallones
347
863260
3000
Monterey közelében, a Farallon szigeteknél
14:26
are a white shark team led by Scott Anderson -- there --
348
866260
2000
Scott Anderson és Sal Jorgensen
14:28
and Sal Jorgensen.
349
868260
2000
csapatukkal fehér cápákat tanulmányoznak.
14:30
They can throw out a target --
350
870260
2000
Kitesznek a vízbe egy csalit
14:32
it's a carpet shaped like a seal --
351
872260
2000
– pl. egy fóka alakú szőnyeget –,
14:34
and in will come a white shark, a curious critter
352
874260
3000
s már siet is oda egy fehér cápa, mert kíváncsi ám nagyon,
14:37
that will come right up to our 16-ft. boat.
353
877260
3000
akár a 15 méteres hajónk közelébe is odamerészkedik.
14:40
It's a several thousand-pound animal.
354
880260
2000
Több ezer kilós állatok.
14:42
And we'll wind in the target.
355
882260
3000
Most szépen behúzzuk a csalit.
14:45
And we'll place an acoustic tag
356
885260
2000
Ellátjuk a cápát egy akusztikus címkével,
14:47
that says, "OMSHARK 10165,"
357
887260
2000
amely üzenetet küld: "OMSHARK10165",
14:49
or something like that, acoustically with a ping.
358
889260
3000
vagy ilyesfélét, akusztikus úton: sípol.
14:52
And then we'll put on a satellite tag
359
892260
2000
Ezután kap egy műholdas címkét is,
14:54
that will give us the long-distance journeys
360
894260
3000
adataiból egy fényen alapuló helymeghatározó algoritmussal
14:57
with the light-based geolocation algorithms
361
897260
2000
a cápára erősített számítógép
14:59
solved on the computer that's on the fish.
362
899260
3000
kiszámítja az állat útját.
15:02
So in this case, Sal's looking at two tags there,
363
902260
3000
Sal ezen térképen két címke adatait ábrázolta,
15:05
and there they are: the white sharks of California
364
905260
3000
ezen a vonalon úsznak a kaliforniai fehér cápák.
15:08
going off to the white shark cafe and coming back.
365
908260
3000
Elúsznak egy cápa-kávézóba s vissza is térnek.
Kollégáinkkal makócápákat,
15:12
We also tag makos with our NOAA colleagues,
366
912260
2000
15:14
blue sharks.
367
914260
2000
kék cápákat is címkéztünk.
15:16
And now, together, what we can see
368
916260
2000
Ezen az óceáni hőtérképen
15:18
on this ocean of color that's temperature,
369
918260
2000
makócápák és lazaccápák
15:20
we can see ten-day worms of makos and salmon sharks.
370
920260
3000
tíz nap alatt megtett útját láthatják.
15:24
We have white sharks and blue sharks.
371
924260
2000
Itt a fehér és a kék cápák útvonalát.
15:26
For the first time,
372
926260
2000
Először nyílt lehetőségünk arra,
15:28
an ecoscape as large as ocean-scale,
373
928260
2000
hogy feltérképezzük a cápák útvonalát
15:30
showing where the sharks go.
374
930260
3000
egy óceán méretű élőhelyen.
15:33
The tuna team from TOPP has done the unthinkable:
375
933260
3000
A TOPP tonhalkutató csapata hihetetlen dolgokat ért el:
15:36
three teams tagged 1,700 tunas,
376
936260
3000
három csapatunk összesen 1700 tonhalat jelölt meg.
15:39
bluefin, yellowfin and albacore
377
939260
2000
Volt köztük kékúszójú, sárgaúszójú,
15:41
all at the same time --
378
941260
2000
és hosszú szárnyú is, nem válogattunk.
15:43
carefully rehearsed tagging programs
379
943260
2000
Jól kidolgozott címkéző programok ezek.
15:45
in which we go out, pick up juvenile tunas,
380
945260
3000
Kihajózunk, fiatal tonhalakat fogunk be,
15:48
put in the tags that actually have the sensors,
381
948260
3000
megcímkézzük, érzékelőkkel látjuk el őket,
15:51
stick out the tuna
382
951260
2000
majd így kicicomázva
15:53
and then let them go.
383
953260
2000
ismét szabadon eresztjük őket.
15:55
They get returned, and when they get returned,
384
955260
2000
Visszatérnek az élőhelyükre,
15:57
here on a NASA numerical ocean
385
957260
3000
s mikor ezt megteszik,
16:00
you can see bluefin in blue
386
960260
2000
– nézzék itt megy a kékúszójú,
16:02
go across their corridor,
387
962260
2000
kék színnel jelölve a tengeri folyosón –,
16:04
returning to the Western Pacific.
388
964260
3000
akkor a nyugati Csendes-óceánra térnek vissza.
16:07
Our team from UCSC has tagged elephant seals
389
967260
3000
Csapatunk elefántfókákat is megjelölt.
16:10
with tags that are glued on their heads, that come off when they slough.
390
970260
3000
A címkét a fóka fejére ragasztjuk, hogy vedléskor lejöjjön róla.
16:13
These elephant seals cover half an ocean,
391
973260
3000
Az elefántfókák a fél óceánt beússzák,
16:16
take data down to 1,800 feet --
392
976260
2000
akár 600 méter mélységből is
16:18
amazing data.
393
978260
2000
küldenek még igen érdekes adatokat.
16:20
And then there's Scott Shaffer and our shearwaters
394
980260
3000
Ezen a képen Scott Schafert láthatják egy vészmadárral,
16:23
wearing tuna tags, light-based tags,
395
983260
3000
amely szintén tonhalaknak szánt címkét visel,
16:26
that now are going to take you from New Zealand to Monterey and back,
396
986260
3000
s nézzék, Új-Zélandtól egészen Monterey-ig repülnek, és vissza.
16:29
journeys of 35,000 nautical miles
397
989260
3000
Soha nem volt még lehetőségünk
16:32
we had never seen before.
398
992260
2000
65 ezer kilométeres utat dokumentálni.
16:34
But now with light-based geolocation tags that are very small,
399
994260
3000
Ezek a pici, fény alapú helymeghatározó eszközök
16:37
we can actually see these journeys.
400
997260
2000
tették ezt lehetővé.
16:39
Same thing with Laysan albatross
401
999260
2000
Ez a helyzet a Laysan-albatrosszal is,
16:41
who travel an entire ocean
402
1001260
2000
amelyek akár az egész óceánt
16:43
on a trip sometimes,
403
1003260
2000
átrepülik, ha kedvük szottyan rá,
16:45
up to the same zone the tunas use.
404
1005260
2000
teljesen a tonhalak élőhelyéig.
16:47
You can see why they might be caught.
405
1007260
3000
Most már nyilvánvaló, miért kerültek egy hálóba.
16:50
Then there's George Schillinger and our leatherback team out of Playa Grande
406
1010260
3000
George Schillingert, a kérges teknős csapat vezetőjét látják,
16:53
tagging leatherbacks
407
1013260
2000
éppen a Playa Grande-on jelöl meg egy teknőst.
16:55
that go right past where we are.
408
1015260
3000
Nagyon messzire úsznak.
16:58
And Scott Benson's team
409
1018260
2000
Scott Benson csapata pedig
17:00
that showed that leatherbacks go from Indonesia
410
1020260
2000
bebizonyította, hogy a kérges hátúak
17:02
all the way to Monterey.
411
1022260
2000
Indonéziától a Monterey-öbölig elúsznak.
17:04
So what we can see on this moving ocean
412
1024260
3000
Ezen a hullámzó hőtérképen
17:07
is we can finally see where the predators are.
413
1027260
3000
pontosan láthatjuk, hogy hova utaznak a ragadozók.
17:10
We can actually see how they're using ecospaces
414
1030260
3000
Azt is láthatjuk, hogy az élőhelyük
17:13
as large as an ocean.
415
1033260
2000
néha a teljes óceánt felöleli.
17:15
And from this information,
416
1035260
2000
Az adataink alapján
17:17
we can begin to map the hope spots.
417
1037260
3000
megkezdhetjük a védett területek kijelölését.
17:20
So this is just three years of data right here --
418
1040260
2000
A képen csak három év adatait láthatják,
17:22
and there's a decade of this data.
419
1042260
2000
pedig egy évtizedről van már adatunk.
17:24
We see the pulse and the seasonal activities
420
1044260
2000
Körvonalazódik az állatok általános
17:26
that these animals are going on.
421
1046260
3000
és évszakokra jellemző tevékenysége is.
17:30
So what we're able to do with this information
422
1050260
2000
Az adataink tehát arra is jók,
17:32
is boil it down to hot spots,
423
1052260
3000
hogy feltérképezzük a különösen veszélyeztetett helyeket.
17:35
4,000 deployments,
424
1055260
2000
Összesen négyezer kutatóutat szerveztünk.
17:37
a huge herculean task,
425
1057260
3000
Héraklészhez illő feladat a kétezer címke.
17:40
2,000 tags
426
1060260
2000
Elértük azonban,
17:42
in an area, shown here for the first time,
427
1062260
2000
hogy például ezen a területen
17:44
off the California coast,
428
1064260
2000
a kaliforniai part közelében
17:46
that appears to be a gathering place.
429
1066260
3000
felfedezhettünk egyféle gyülekezőhelyet.
17:50
And then for sort of an encore from these animals,
430
1070260
3000
S mintha az állatoknak tetszene a munkánk,
17:53
they're helping us.
431
1073260
2000
ők is segítenek nekünk.
17:55
They're carrying instruments
432
1075260
2000
Címkéik akár kétezer méter mélységből is
17:57
that are actually taking data down to 2,000 meters.
433
1077260
3000
szolgáltatnak adatot.
18:00
They're taking information from our planet
434
1080260
2000
A leginkább veszélyeztetett élőhelyekről
18:02
at very critical places like Antarctica and the Poles.
435
1082260
3000
adnak információt: a Déli- és az Északi-sarkról.
18:05
Those are seals from many countries
436
1085260
2000
A képen a szabadon eresztett fókák
18:07
being released
437
1087260
2000
a jégtakaró alatt bóklásznak,
18:09
who are sampling underneath the ice sheets
438
1089260
2000
s oceanográfiai minőségű
18:11
and giving us temperature data of oceanographic quality
439
1091260
3000
hőmérséklet-adatokkal látnak el bennünket
18:14
on both poles.
440
1094260
2000
mindkét sarkvidékről.
18:16
This data, when visualized, is captivating to watch.
441
1096260
3000
Rendkívül látványos, ha ábrázoljuk ezt az adathalmazt.
18:19
We still haven't figured out best how to visualize the data.
442
1099260
3000
Még nem sikerült az ábrázolás optimális módját megtalálni.
18:22
And then, as these animals swim
443
1102260
2000
Ezek az állatok úszás közben
18:24
and give us the information
444
1104260
2000
a klímaváltozásról adatokat közölnek,
18:26
that's important to climate issues,
445
1106260
2000
ezek nagyon fontosak.
18:28
we also think it's critical
446
1108260
2000
Rendkívül lényeges,
18:30
to get this information to the public,
447
1110260
2000
hogy mindezt nyilvánosságra hozzuk,
18:32
to engage the public with this kind of data.
448
1112260
3000
s hogy felkeltsük irántuk a nagyközönség érdeklődését.
18:35
We did this with the Great Turtle Race --
449
1115260
2000
A "Nagy Teknősverseny" kampányunkban
18:37
tagged turtles, brought in four million hits.
450
1117260
3000
a versenyt az Interneten négymillióan követték.
18:40
And now with Google's Oceans,
451
1120260
3000
S most a Google új Óceán funkciójával a víz alatti világban
18:43
we can actually put a white shark in that ocean.
452
1123260
2000
akár egy fehér cápát is követhetnénk ott.
18:45
And when we do and it swims,
453
1125260
2000
Ha cápánk a Google óceánját szeli át,
18:47
we see this magnificent bathymetry
454
1127260
2000
csodás mélységeket láthatunk.
18:49
that the shark knows is there on its path
455
1129260
2000
A cápa jól tudja, hogy útján mi várja,
18:51
as it goes from California to Hawaii.
456
1131260
2000
ahogy Kaliforniából Hawaiira tart.
18:53
But maybe Mission Blue
457
1133260
2000
De talán a Mission Blue
18:55
can fill in that ocean that we can't see.
458
1135260
3000
feltárhatja számunkra azt az óceánt is, amit még nem ismerünk.
18:58
We've got the capacity, NASA has the ocean.
459
1138260
3000
Megvan rá a kapacitásunk, a NASA pedig feltérképezte az óceánt.
19:01
We just need to put it together.
460
1141260
2000
Már csak össze kellene fognunk.
19:03
So in conclusion,
461
1143260
2000
Befejezésképpen szeretném még hozzáfűzni:
19:05
we know where Yellowstone is for North America;
462
1145260
3000
tudjuk, hogy hol van Észak-Amerika Yellowstone-ja:
19:08
it's off our coast.
463
1148260
2000
a part mentén, a víz alatt.
19:10
We have the technology that's shown us where it is.
464
1150260
2000
Eszközeink föltárták a helyét.
19:12
What we need to think about perhaps for Mission Blue
465
1152260
3000
A Mission Blue teljes sikeréhez
19:15
is increasing the biologging capacity.
466
1155260
3000
növelnünk kell a bio-adattárolási kapacitást.
19:18
How is it that we can actually
467
1158260
2000
Hogyan tudnánk
19:20
take this type of activity elsewhere?
468
1160260
3000
ezt a tevékenységet máshol folytatni?
19:23
And then finally -- to basically get the message home --
469
1163260
3000
S végül, útravalóként:
19:26
maybe use live links
470
1166260
2000
tegyük élő linkek segítségével
lehetővé egy-egy kék bálna vagy fehér cápa követését.
19:28
from animals such as blue whales and white sharks.
471
1168260
2000
19:30
Make killer apps, if you will.
472
1170260
2000
Ha úgy tetszik, írjanak frankó appokat.
19:32
A lot of people are excited
473
1172260
2000
Rengetegen izgatottan várták
19:34
when sharks actually went under the Golden Gate Bridge.
474
1174260
3000
például, mikor cápák úsztak át a Golden Gate híd alatt.
19:37
Let's connect the public to this activity right on their iPhone.
475
1177260
3000
Hadd kövessék őket a jövőben az iPhone-jukon.
19:40
That way we do away with a few internet myths.
476
1180260
3000
Legalább így végre néhány internet-mítosz is kihalna.
19:44
So we can save the bluefin tuna.
477
1184260
2000
Meg tudjuk menteni a kékúszójú tonhalat,
19:46
We can save the white shark.
478
1186260
2000
és a fehér cápát is.
19:48
We have the science and technology.
479
1188260
2000
A tudás és a technológia megvan már hozzá.
19:50
Hope is here. Yes we can.
480
1190260
2000
Remény is van. Igen, meg tudjuk tenni.
19:52
We need just to apply this capacity
481
1192260
2000
Minden erőnket az óceán
19:54
further in the oceans.
482
1194260
2000
további feltárására kell fordítanunk.
19:56
Thank you.
483
1196260
2000
Köszönöm figyelmüket.
19:58
(Applause)
484
1198260
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