TEDGlobal 2011
Paul Snelgrove: A census of the ocean
Paul Snelgrove: A Tengeri Fajszámlálás
Filmed:
Readability: 4
336,429 views
Paul Snelgrove oceanográfus tízéves projektjük eredményeit ismerteti, melynek során az óceánok élővilágának fajait számlálták meg. Az előadás alatt fantasztikus felvételeket láthatunk a fajszámlálás legmeglepőbb felfedezéseiről.
Paul Snelgrove - Marine biologist
Paul Snelgrove led the group that pulled together the findings of the Census of Marine Life -- synthesizing 10 years and 540 expeditions into a book of wonders. Full bio
Paul Snelgrove led the group that pulled together the findings of the Census of Marine Life -- synthesizing 10 years and 540 expeditions into a book of wonders. Full bio
Double-click the English transcript below to play the video.
00:15
The oceans cover some 70 percent of our planet.
0
0
3000
Bolygónk felszínének 70%-a óceán.
00:18
And I think Arthur C. Clarke probably had it right
1
3000
2000
Arthur C. Clarke-nak igaza lehetett,
00:20
when he said that perhaps we ought to call our planet
2
5000
3000
hogy a Földet talán inkább Óceánnak
00:23
Planet Ocean.
3
8000
2000
kellett volna elnevezni.
00:25
And the oceans are hugely productive,
4
10000
2000
Az óceánok módfelett termékenyek:
00:27
as you can see by the satellite image
5
12000
2000
ez a fotoszintézist érzékeltető
00:29
of photosynthesis, the production of new life.
6
14000
2000
műholdfelvételen is látható.
00:31
In fact, the oceans produce half of the new life every day on Earth
7
16000
3000
A naponta létrejövő élet fele
az óceánokból származik,
az óceánokból származik,
00:34
as well as about half the oxygen that we breathe.
8
19000
3000
s a belélegzett oxigén fele is.
00:37
In addition to that, it harbors a lot of the biodiversity on Earth,
9
22000
3000
Az ócán a biológiai sokféleség
jelentős színtere,
jelentős színtere,
00:40
and much of it we don't know about.
10
25000
2000
nagy része számunkra ismeretlen.
00:42
But I'll tell you some of that today.
11
27000
2000
Ma erről mesélek.
00:44
That also doesn't even get into the whole protein extraction
12
29000
2000
S még nem is említettem
00:46
that we do from the ocean.
13
31000
2000
az óceánból kitermelt fehérjét.
00:48
That's about 10 percent of our global needs
14
33000
2000
a világ szükségletének tizedét,
00:50
and 100 percent of some island nations.
15
35000
3000
némely szigetországénak a 100%-át.
00:53
If you were to descend
16
38000
2000
Ha leereszkednénk
00:55
into the 95 percent of the biosphere that's livable,
17
40000
2000
az óceán élhető bioszférájának 95%-ába,
00:57
it would quickly become pitch black,
18
42000
2000
hamar sötét éj borulna ránk,
00:59
interrupted only by pinpoints of light
19
44000
2000
s csak lumineszkáló lények
01:01
from bioluminescent organisms.
20
46000
2000
fénye villanna fel itt-ott.
01:03
And if you turn the lights on,
21
48000
2000
S ha felkapcsolhatnánk a villanyt,
01:05
you might periodically see spectacular organisms swim by,
22
50000
2000
látványos lényeket láthatnánk tovaúszni,
01:07
because those are the denizens of the deep,
23
52000
2000
mert az ott honos fajok
01:09
the things that live in the deep ocean.
24
54000
2000
csak az óceán legmélyén élnek meg.
01:11
And eventually, the deep sea floor would come into view.
25
56000
3000
Egyszer csak megpillantanánk
a tengerfenéket is.
a tengerfenéket is.
01:14
This type of habitat covers more of the Earth's surface
26
59000
3000
Földünk felszínének zömét foglalja el,
01:17
than all other habitats combined.
27
62000
2000
az összes élőhelynél többet.
01:19
And yet, we know more about the surface of the Moon and about Mars
28
64000
2000
A Hold és a Mars felszínét jobban
01:21
than we do about this habitat,
29
66000
2000
ismerjük a tengerfenéknél,
01:23
despite the fact that we have yet to extract
30
68000
2000
noha a Holdról vagy a Marsról még
01:25
a gram of food, a breath of oxygen or a drop of water
31
70000
3000
egyetlen gramm élelmet,
lélegzetnyi oxigént
lélegzetnyi oxigént
01:28
from those bodies.
32
73000
2000
vagy egy csepp vizet sem nyertünk ki.
01:30
And so 10 years ago,
33
75000
2000
Tíz éve jött létre a nemzetközi
01:32
an international program began called the Census of Marine Life,
34
77000
3000
"Tengeri Fajszámláló Program".
01:35
which set out to try and improve our understanding
35
80000
2000
Célja az óceánok életének
01:37
of life in the global oceans.
36
82000
2000
jobb és pontosabb megismerése.
01:39
It involved 17 different projects around the world.
37
84000
3000
Összesen 17 különböző projektből áll.
01:42
As you can see, these are the footprints of the different projects.
38
87000
2000
Az ábrán a projektek hatókörét látják.
01:44
And I hope you'll appreciate the level of global coverage
39
89000
3000
S remélem, elismerik, hogy
01:47
that it managed to achieve.
40
92000
2000
globális hatókörű. Úgy kezdődött,
01:49
It all began when two scientists, Fred Grassle and Jesse Ausubel,
41
94000
2000
hogy két kutató, Fred Grassle
01:51
met in Woods Hole, Massachusetts
42
96000
3000
és Jesse Ausubel találkozott
a neves Woods Hole-i oceanográfiai
a neves Woods Hole-i oceanográfiai
01:54
where both were guests at the famed oceanographic institute.
43
99000
2000
intézetben, ahol vendégek voltak.
01:56
And Fred was lamenting the state of marine biodiversity
44
101000
3000
Fred a tengeri biológiai sokféleség
állapotán siránkozott,
állapotán siránkozott,
01:59
and the fact that it was in trouble and nothing was being done about it.
45
104000
3000
s azon, hogy senki sem tesz semmit.
02:02
Well, from that discussion grew this program
46
107000
2000
E beszélgetés eredménye lett
02:04
that involved 2,700 scientists
47
109000
2000
a fajszámláló program, melyben
80 országból 2700 tudós vett részt.
02:06
from more than 80 countries around the world
48
111000
2000
02:08
who engaged in 540 ocean expeditions
49
113000
3000
Összesen 540 óceáni felfedezőutat tettek,
02:11
at a combined cost of 650 million dollars
50
116000
3000
melynek költsége
650 millió dollárra rúgott.
650 millió dollárra rúgott.
02:14
to study the distribution, diversity and abundance
51
119000
2000
Az óceáni élővilág eloszlásának,
02:16
of life in the global ocean.
52
121000
3000
sokféleségének és bőségének
tanulmányozása volt a célunk.
tanulmányozása volt a célunk.
02:19
And so what did we find?
53
124000
2000
S hogy mire bukkantunk?
02:21
We found spectacular new species,
54
126000
2000
Lenyűgöző új fajokra,
02:23
the most beautiful and visually stunning things everywhere we looked --
55
128000
3000
meseszép dolgokra akadtunk
02:26
from the shoreline to the abyss,
56
131000
2000
a partok s az árkok mélyén,
02:28
form microbes all the way up to fish and everything in between.
57
133000
3000
a mikrobák s a halak rajaiban,
és sok más faj világában.
és sok más faj világában.
02:31
And the limiting step here wasn't the unknown diversity of life,
58
136000
3000
Munkánk határát
nem a feltáratlan sokféleség,
nem a feltáratlan sokféleség,
02:34
but rather the taxonomic specialists
59
139000
2000
hanem a rendszertan tudósai szabták meg.
02:36
who can identify and catalog these species
60
141000
2000
Dolguk az új fajok leírása és besorolása.
02:38
that became the limiting step.
61
143000
2000
A rendszertanosok ma már, úgymond,
02:40
They, in fact, are an endangered species themselves.
62
145000
3000
maguk is veszélyeztetett
és kihalóban lévő faj tagjai.
és kihalóban lévő faj tagjai.
02:43
There are actually four to five new species
63
148000
2000
Manapság naponta
02:45
described everyday for the oceans.
64
150000
2000
4-5 új óceáni fajt írnak le.
02:47
And as I say, it could be a much larger number.
65
152000
3000
De sokkal magasabb lehetne a számuk.
02:50
Now, I come from Newfoundland in Canada --
66
155000
3000
Én Új-Fundlandról,
Kanadából származom.
Kanadából származom.
02:53
It's an island off the east coast of that continent --
67
158000
2000
Ennél a kontinens keleti partjánál fekvő
02:55
where we experienced one of the worst fishing disasters
68
160000
3000
szigetnél éltük át a történelem egyik
02:58
in human history.
69
163000
2000
legsúlyosabb halászati katasztrófáját.
03:00
And so this photograph shows a small boy next to a codfish.
70
165000
2000
Itt egy kisfiút láthatnak egy tőkehallal.
03:02
It's around 1900.
71
167000
2000
A felvétel 1900 táján készült.
03:04
Now, when I was a boy of about his age,
72
169000
2000
Mikor olyan idős voltam, mint ez a kisfiú,
03:06
I would go out fishing with my grandfather
73
171000
2000
nagypapámmal eljártunk halászni,
03:08
and we would catch fish about half that size.
74
173000
2000
s néha kifogtunk egy feleakkora halat.
03:10
And I thought that was the norm,
75
175000
2000
Azt hittem, hogy ez a szokásos méret,
03:12
because I had never seen fish like this.
76
177000
2000
hisz sosem láttam nagyobb halat.
03:14
If you were to go out there today, 20 years after this fishery collapsed,
77
179000
3000
Ma, 20 évvel az
állomány összeomlása után,
állomány összeomlása után,
03:17
if you could catch a fish, which would be a bit of a challenge,
78
182000
3000
ha egyáltalán fognánk valamit,
03:20
it would be half that size still.
79
185000
2000
zsákmányunk jó esetben
feleakkora lenne.
feleakkora lenne.
03:22
So what we're experiencing is something called shifting baselines.
80
187000
3000
Ez az ún. "nullpont-vándorlás" jelensége.
03:25
Our expectations of what the oceans can produce
81
190000
2000
Nem értékelhetjük megfelelően,
03:27
is something that we don't really appreciate
82
192000
2000
hogy mennyire termékenyek az óceánok,
03:29
because we haven't seen it in our lifetimes.
83
194000
3000
mert nem lehettünk életünk során tanúi.
03:32
Now most of us, and I would say me included,
84
197000
3000
Sokan, köztük én is, úgy vélték,
03:35
think that human exploitation of the oceans
85
200000
2000
hogy az óceánok túlhalászása
03:37
really only became very serious
86
202000
2000
talán csak az elmúlt 50-100 évben
03:39
in the last 50 to, perhaps, 100 years or so.
87
204000
2000
öltött aggasztó méreteket.
03:41
The census actually tried to look back in time,
88
206000
2000
A fajszámlálás igyekezett
03:43
using every source of information they could get their hands on.
89
208000
3000
minden fellelhető információ
alapján visszatekinteni.
alapján visszatekinteni.
03:46
And so anything from restaurant menus
90
211000
2000
Étlapokat, kolostori írásokat,
03:48
to monastery records to ships' logs
91
213000
2000
hajónaplókat bújtunk, hogy felmérjük,
03:50
to see what the oceans looked like.
92
215000
2000
milyen volt valaha az óceán.
03:52
Because science data really goes back
93
217000
2000
Tudományos felméréseink ugyanis
03:54
to, at best, World War II, for the most part.
94
219000
2000
csak a II. világháború óta vannak.
03:56
And so what they found, in fact,
95
221000
2000
Kutatásunkból kiderült, hogy valójában már
03:58
is that exploitation really began heavily with the Romans.
96
223000
2000
a rómaiak kezdték a túlhalászást.
04:00
And so at that time, of course, there was no refrigeration.
97
225000
3000
A rómaiak előtt nem ismerték a hűtést,
04:03
So fishermen could only catch
98
228000
2000
csak annyit halásztak, amennyit aznap
04:05
what they could either eat or sell that day.
99
230000
2000
megettek, vagy aznap el tudtak adni.
04:07
But the Romans developed salting.
100
232000
2000
De a rómaiak feltalálták a sózást.
04:09
And with salting,
101
234000
2000
Besózva lehetségessé vált a hal
04:11
it became possible to store fish and to transport it long distances.
102
236000
3000
tárolása és a messzire szállítása is.
04:14
And so began industrial fishing.
103
239000
3000
Ez volt tehát az ipari halászat kezdete.
04:17
And so these are the sorts of extrapolations that we have
104
242000
3000
Az ábrán a veszteségek mértékéről
04:20
of what sort of loss we've had
105
245000
2000
készített becsléseinket látják.
04:22
relative to pre-human impacts on the ocean.
106
247000
3000
A prehisztorikus időszak
az összevetés alapja.
az összevetés alapja.
04:25
They range from 65 to 98 percent
107
250000
2000
Mintegy 65-98%-os a veszteség
04:27
for these major groups of organisms,
108
252000
2000
a főbb élőlények esetében,
04:29
as shown in the dark blue bars.
109
254000
2000
ahogy az ábra is mutatja.
04:31
Now for those species the we managed to leave alone, that we protect --
110
256000
3000
A védett fajok esetében –
04:34
for example, marine mammals in recent years and sea birds --
111
259000
2000
pl. a tengeri emlősöknél és madaraknál –
04:36
there is some recovery.
112
261000
2000
nő az állomány.
04:38
So it's not all hopeless.
113
263000
2000
Tehát nincs még veszve a remény.
04:40
But for the most part, we've gone from salting to exhausting.
114
265000
3000
De a sózás gyakran az állomány
kimerítéséhez vezetett.
kimerítéséhez vezetett.
04:43
Now this other line of evidence is a really interesting one.
115
268000
2000
Más bizonyítékunk is van.
04:45
It's from trophy fish caught off the coast of Florida.
116
270000
3000
A Florida partjainál
kifogott legnagyobb halak.
kifogott legnagyobb halak.
04:48
And so this is a photograph from the 1950s.
117
273000
3000
A fotó az 1950-es években készült.
04:51
I want you to notice the scale on the slide,
118
276000
2000
Figyeljék a jobb oldali vonalmértéket,
04:53
because when you see the same picture from the 1980s,
119
278000
2000
mert a 80-as évek felvételén
04:55
we see the fish are much smaller
120
280000
2000
már sokkal kisebbek a díjnyertes halak.
04:57
and we're also seeing a change
121
282000
2000
Valamint változást tapasztalhatunk
04:59
in terms of the composition of those fish.
122
284000
2000
a kifogott halak fajtáiban is.
05:01
By 2007, the catch was actually laughable
123
286000
2000
A díjnyertes halak mérete
05:03
in terms of the size for a trophy fish.
124
288000
2000
2007-ben már nevetségesen kicsi.
05:05
But this is no laughing matter.
125
290000
2000
De a dolog nem vicces.
05:07
The oceans have lost a lot of their productivity
126
292000
2000
Az óceánok csökkent termékenységéért
05:09
and we're responsible for it.
127
294000
3000
mi, emberek, vagyunk a felelősek.
05:12
So what's left? Actually quite a lot.
128
297000
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
299000
3000
Ezekről az izgalmas dolgokról
szeretnék mesélni.
szeretnék mesélni.
05:17
And I want to start with a bit on technology,
130
302000
2000
Kezdjük a technológiával,
05:19
because, of course, this is a TED Conference
131
304000
2000
mert a TED-en mégiscsak
05:21
and you want to hear something on technology.
132
306000
2000
ez a fő érdekesség.
05:23
So one of the tools that we use to sample the deep ocean
133
308000
2000
A mélységek felkutatására
05:25
are remotely operated vehicles.
134
310000
2000
távirányított járműveink vannak.
05:27
So these are tethered vehicles we lower down to the sea floor
135
312000
3000
Ezeket leeresztjük a tengerfenékre.
05:30
where they're our eyes and our hands for working on the sea bottom.
136
315000
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
318000
3000
Emlékszem, néhány éve hirtelen
05:36
and I couldn't go because of a scheduling conflict.
138
321000
3000
le kellett mondanom egy kutatóutat.
05:39
But through a satellite link I was able to sit at my study at home
139
324000
3000
De műholdon keresztül a dolgozószobámból,
05:42
with my dog curled up at my feet, a cup of tea in my hand,
140
327000
3000
teázva, kutyámmal a lábamnál,
mégis részt tudtam venni benne.
mégis részt tudtam venni benne.
05:45
and I could tell the pilot, "I want a sample right there."
141
330000
2000
Szóltam az irányítónak,
"innen egy mintát"!
"innen egy mintát"!
05:47
And that's exactly what the pilot did for me.
142
332000
2000
S már vette is.
05:49
That's the sort of technology that's available today
143
334000
3000
Ennyire modern eszközeink vannak.
05:52
that really wasn't available even a decade ago.
144
337000
2000
Egy évtizede még csak álmodhattunk róluk.
05:54
So it allows us to sample these amazing habitats
145
339000
2000
Mintát vehetünk az élőhelyről,
05:56
that are very far from the surface
146
341000
2000
távol a víz felszínétől
05:58
and very far from light.
147
343000
2000
és a fénytől.
06:00
And so one of the tools that we can use to sample the oceans
148
345000
3000
Egyik leghasznosabb eszközünk
06:03
is acoustics, or sound waves.
149
348000
2000
az akusztika, illetve hanghullámok.
06:05
And the advantage of sound waves
150
350000
2000
Előnyük, hogy a fénnyel ellentétben
06:07
is that they actually pass well through water, unlike light.
151
352000
2000
kitűnően terjednek vízben is.
06:09
And so we can send out sound waves,
152
354000
2000
A kibocsátott hanghullámok
06:11
they bounce off objects like fish and are reflected back.
153
356000
3000
visszaverődnek pl. a halakról.
06:14
And so in this example, a census scientist took out two ships.
154
359000
3000
Pl. itt egy kutató két hajóval indult el.
06:17
One would send out sound waves that would bounce back.
155
362000
2000
Az egyik hajó hanghullámokat bocsátott ki.
06:19
They would be received by a second ship,
156
364000
2000
Ha visszaverődtek, a második hajó fogta.
06:21
and that would give us very precise estimates, in this case,
157
366000
3000
Egy perc alatt megbecsülhettük,
06:24
of 250 billion herring
158
369000
2000
hogy hol találjuk a 250 milliárd
06:26
in a period of about a minute.
159
371000
2000
egyedből álló heringrajt.
06:28
And that's an area about the size of Manhattan Island.
160
373000
3000
Kb. Manhattan nagyságú raj!
06:31
And to be able to do that is a tremendous fisheries tool,
161
376000
2000
Ez egy igen hasznos halászati eszköz,
06:33
because knowing how many fish are there is really critical.
162
378000
3000
mert fontos tudnunk, mennyi hal van még.
06:36
We can also use satellite tags
163
381000
2000
Műholdas jelölésekkel is
06:38
to track animals as they move through the oceans.
164
383000
2000
térképezzük fel a fajok útját.
06:40
And so for animals that come to the surface to breathe,
165
385000
2000
A levegőért feljövő fajok
06:42
such as this elephant seal,
166
387000
2000
mint pl. ez az elefántfóka,
06:44
it's an opportunity to send data back to shore
167
389000
2000
adatokat küldhetnek nekünk.
06:46
and tell us where exactly it is in the ocean.
168
391000
3000
Elmesélik, most konkrétan hol vannak.
06:49
And so from that we can produce these tracks.
169
394000
2000
Ez alapján berajzolhatjuk az útvonalukat.
06:51
For example, the dark blue
170
396000
2000
Pl. a sötétkék pettyek azt jelzik,
06:53
shows you where the elephant seal moved in the north Pacific.
171
398000
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
400000
3000
A színvakok türelmét kérem,
önöknek ez nem sokat mond,
önöknek ez nem sokat mond,
06:58
but stick with me nonetheless.
173
403000
2000
de azért figyeljenek tovább.
07:00
For animals that don't surface,
174
405000
2000
A felszínre nem jövők
07:02
we have something called pop-up tags,
175
407000
2000
leváló s felszínre kerülő csipet kapnak,
07:04
which collect data about light and what time the sun rises and sets.
176
409000
3000
amik a fényről, a napkeltéről
és napnyugtáról gyűjtenek adatot.
és napnyugtáról gyűjtenek adatot.
07:07
And then at some period of time
177
412000
2000
Egy kis idő múlva a csipek
07:09
it pops up to the surface and, again, relays that data back to shore.
178
414000
3000
ismét a felszínre bukkannak,
és elküldik a partra az adataikat.
és elküldik a partra az adataikat.
07:12
Because GPS doesn't work under water. That's why we need these tools.
179
417000
3000
Mert ugye a GPS nem működik víz alatt.
Ezért kellenek.
Ezért kellenek.
07:15
And so from this we're able to identify these blue highways,
180
420000
3000
Így azonosítjuk a kékkel jelölt pályákat,
07:18
these hot spots in the ocean,
181
423000
2000
illetve azokat az óceáni helyeket,
07:20
that should be real priority areas
182
425000
2000
amelyek kiemelten fontosak
07:22
for ocean conservation.
183
427000
2000
az óceánok megőrzésében.
07:24
Now one of the other things that you may think about
184
429000
2000
Biztosan önöknél is
07:26
is that, when you go to the supermarket and you buy things, they're scanned.
185
431000
3000
beszkennelik a bevásárlóközpontokban
a termékeket.
a termékeket.
07:29
And so there's a barcode on that product
186
434000
2000
Minden terméken van egy vonalkód,
07:31
that tells the computer exactly what the product is.
187
436000
3000
amelyet a számítógép beolvas.
07:34
Geneticists have developed a similar tool called genetic barcoding.
188
439000
3000
A genetikusok egy hasonló
eszköze a genetikai vonalkód.
eszköze a genetikai vonalkód.
07:37
And what barcoding does
189
442000
2000
Ez a típusú vonalkód
07:39
is use a specific gene called CO1
190
444000
2000
egy bizonyos génre, a CO1-re épül,
07:41
that's consistent within a species, but varies among species.
191
446000
3000
amely minden fajnál egyedi.
07:44
And so what that means is we can unambiguously identify
192
449000
2000
Emiatt minden faj egyértelműen
07:46
which species are which
193
451000
2000
azonosítható. Még akkor is,
07:48
even if they look similar to each other,
194
453000
2000
ha pl. két faj ránézésre hasonlít,
07:50
but may be biologically quite different.
195
455000
2000
de biológiailag gyökeresen különbözik.
07:52
Now one of the nicest examples I like to cite on this
196
457000
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
459000
3000
két fiatal lány, két New York-i
gimnazista történetét,
gimnazista történetét,
07:57
who worked with the census.
198
462000
2000
akik közreműködtek a fajszámlálásnál.
07:59
They went out and collected fish from markets and from restaurants in New York City
199
464000
3000
New York-i piacokról és éttermekből
gyűjtöttek nekünk halat,
gyűjtöttek nekünk halat,
08:02
and they barcoded it.
200
467000
2000
és ellátták vonalkóddal.
08:04
Well what they found was mislabeled fish.
201
469000
2000
Helytelenül címkézett halat találtak.
08:06
So for example,
202
471000
2000
Pl. ahol a csomagoláson
08:08
they found something which was sold as tuna, which is very valuable,
203
473000
2000
értékes tonhalat hirdetett a címke,
08:10
was in fact tilapia, which is a much less valuable fish.
204
475000
3000
de tilapia volt, egy kevésbé értékes hal.
08:13
They also found an endangered species
205
478000
2000
Találtak egy veszélyeztetett fajt is,
08:15
sold as a common one.
206
480000
2000
amit gyakori fajként árultak.
08:17
So barcoding allows us to know what we're working with
207
482000
2000
A vonalkódokból tudhatjuk meg,
08:19
and also what we're eating.
208
484000
3000
mi kerül a kezünkbe, s a gyomrunkba.
08:22
The Ocean Biogeographic Information System
209
487000
2000
Az Ocean Biogeographic Information System
08:24
is the database for all the census data.
210
489000
2000
a fajszámlálás adatbázisa.
08:26
It's open access; you can all go in and download data as you wish.
211
491000
3000
Nyílt hozzáférésű. Próbálják ki,
töltsenek le róla valamit.
töltsenek le róla valamit.
08:29
And it contains all the data from the census
212
494000
3000
Rajta van a fajszámlálás összes adata,
08:32
plus other data sets that people were willing to contribute.
213
497000
2000
s más projektek is bővítették a bázist.
08:34
And so what you can do with that
214
499000
2000
Az adathalmaz alapján
08:36
is to plot the distribution of species and where they occur in the oceans.
215
501000
3000
szemléltethető az óceáni fajok eloszlása.
08:39
What I've plotted up here is the data that we have on hand.
216
504000
2000
Ez a kép a meglévő adathalmazt ábrázolja.
08:41
This is where our sampling effort has concentrated.
217
506000
3000
E területekről van a legtöbb mintánk.
08:44
Now what you can see
218
509000
2000
Sokat gyűjtöttünk
08:46
is we've sampled the area in the North Atlantic,
219
511000
2000
az Észak-Atlanti Óceán területén,
08:48
in the North Sea in particular,
220
513000
2000
az Északi-tengerben,
08:50
and also the east coast of North America fairly well.
221
515000
2000
s Észak-Amerika keleti partján.
08:52
That's the warm colors which show a well-sampled region.
222
517000
3000
A meleg színek jól
feltárt területet jelölnek.
feltárt területet jelölnek.
08:55
The cold colors, the blue and the black,
223
520000
2000
A hideg színek, a sötétkék és a fekete,
08:57
show areas where we have almost no data.
224
522000
2000
alig feltárt területet jelez.
08:59
So even after a 10-year census,
225
524000
2000
Tehát 10 év kemény munkája ellenére
09:01
there are large areas that still remain unexplored.
226
526000
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
529000
3000
Egy texasi kutatócsoport,
amely a Mexikói-öbölben dolgozik,
amely a Mexikói-öbölben dolgozik,
09:07
who decided really as a labor of love
228
532000
2000
úgy döntött, "szabad idejükben"
09:09
to pull together all the knowledge they could
229
534000
2000
összeszedik mindazt az adatot,
09:11
about biodiversity in the Gulf of Mexico.
230
536000
2000
ami az öböl faji sokféleségéről létezik.
09:13
And so they put this together, a list of all the species,
231
538000
3000
Listázták az összes ottani fajt,
09:16
where they're known to occur,
232
541000
2000
élőhelyükkel együtt,
09:18
and it really seemed like a very esoteric, scientific type of exercise.
233
543000
3000
ami akkor ezoterikus,
bár tudományos passziónak tűnt.
bár tudományos passziónak tűnt.
09:21
But then, of course, there was the Deep Horizon oil spill.
234
546000
3000
Aztán felrobbant a
Deepwater Horizon fúrótorony.
Deepwater Horizon fúrótorony.
09:24
So all of a sudden, this labor of love
235
549000
2000
Ez a kis tudományos passzió,
09:26
for no obvious economic reason
236
551000
3000
amelynek semmiféle
anyagi indíttatása sem volt,
anyagi indíttatása sem volt,
09:29
has become a critical piece of information
237
554000
2000
hirtelen kulcsfontosságú lett.
09:31
in terms of how that system is going to recover, how long it will take
238
556000
3000
Ebből kiderült, mi lesz
a helyzet az ökoszisztémával.
a helyzet az ökoszisztémával.
09:34
and how the lawsuits
239
559000
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
561000
3000
amelyekben több milliárd dollárról
folyik majd a vita
folyik majd a vita
09:39
are likely to be resolved.
241
564000
3000
az elkövetkező években.
09:42
So what did we find?
242
567000
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
569000
2000
Órákig ecsetelhetném, de nincs erre időnk.
09:46
But I will tell you some of my favorite discoveries
244
571000
2000
Hadd ismertessem inkább a fajszámlálás
09:48
from the census.
245
573000
2000
során megismert kedvenc felfedezéseim.
09:50
So one of the things we discovered is where are the hot spots of diversity?
246
575000
3000
Kíváncsiak voltunk sűrűn
lakott területek hollétére.
lakott területek hollétére.
09:53
Where do we find the most species of ocean life?
247
578000
3000
Hol találhatjuk a legtöbb fajt?
09:56
And what we find if we plot up the well-known species
248
581000
2000
Ha az ismert fajokat feltérképezzük,
09:58
is this sort of a distribution.
249
583000
2000
a következő eloszlást tapasztalhatjuk.
10:00
And what we see is that for coastal tags,
250
585000
2000
A partok közelében élő,
10:02
for those organisms that live near the shoreline,
251
587000
2000
címkével ellátott fajok általában
10:04
they're most diverse in the tropics.
252
589000
2000
a trópusokon a legváltozatosabbak.
10:06
This is something we've actually known for a while,
253
591000
2000
Persze ezt már jó ideje tudjuk,
10:08
so it's not a real breakthrough.
254
593000
2000
ez nem tudományos áttörés.
10:10
What is really exciting though
255
595000
2000
Viszont az nagyon izgalmas,
10:12
is that the oceanic tags, or the ones that live far from the coast,
256
597000
2000
hogy a nyílt óceánon élő fajok
10:14
are actually more diverse at intermediate latitudes.
257
599000
2000
a közepes szélességeken sokfélék igazán.
10:16
This is the sort of data, again, that managers could use
258
601000
3000
Ez az adat az állománykezelők
hasznára válhat,
hasznára válhat,
10:19
if they want to prioritize areas of the ocean that we need to conserve.
259
604000
3000
ha elsősorban a veszélyeztetett
helyeket tartanák szemmel.
helyeket tartanák szemmel.
10:22
You can do this on a global scale, but you can also do it on a regional scale.
260
607000
3000
Globális léptékben is megoldható,
s regionálisan is.
s regionálisan is.
10:25
And that's why biodiversity data can be so valuable.
261
610000
3000
Ezért ennyire értékesek
a biológiai sokféleség adatai.
a biológiai sokféleség adatai.
10:28
Now while a lot of the species we discovered in the census
262
613000
3000
A fajszámlálás során felfedezett fajok
10:31
are things that are small and hard to see,
263
616000
2000
többségükben picik, és alig láthatók.
10:33
that certainly wasn't always the case.
264
618000
2000
De akad egy-két kivétel.
10:35
For example, while it's hard to believe
265
620000
2000
Pl. érdekes, hogy egy 3 kilós homár
10:37
that a three kilogram lobster could elude scientists,
266
622000
2000
idáig elkerülte a kutatók figyelmét,
10:39
it did until a few years ago
267
624000
2000
pár évvel ezelőtt bukkantak csak rá,
10:41
when South African fishermen requested an export permit
268
626000
3000
mikor dél-afrikai halászok
kiviteli engedélyt kértek
kiviteli engedélyt kértek
10:44
and scientists realized that this was something new to science.
269
629000
3000
és a kutatók rájöttek, hogy
valami újdonságra akadtak.
valami újdonságra akadtak.
10:47
Similarly this Golden V kelp
270
632000
2000
Hasonló az alaszkai "Arany V hínár" is.
10:49
collected in Alaska just below the low water mark
271
634000
2000
Épp az alacsony vízszintet jelző pontnál
10:51
is probably a new species.
272
636000
2000
gyűjtötték be, s valószínűleg új faj.
10:53
Even though it's three meters long,
273
638000
2000
Bár három méter hosszú,
10:55
it actually, again, eluded science.
274
640000
2000
sikerrel elkerülte a tudósok figyelmét.
10:57
Now this guy, this bigfin squid, is seven meters in length.
275
642000
3000
Itt egy úszós polipot
láthatnak. kb. 7 m hosszú.
láthatnak. kb. 7 m hosszú.
11:00
But to be fair, it lives in the deep waters of the Mid-Atlantic Ridge,
276
645000
3000
Igaz persze, hogy a Közép-Atlanti-hátság
mély vizeiben honos,
mély vizeiben honos,
11:03
so it was a lot harder to find.
277
648000
2000
szóval nehéz lett is volna meglelni.
11:05
But there's still potential for discovery of big and exciting things.
278
650000
3000
De van még lehetőség új
és érdekes fajok felfedezésére.
és érdekes fajok felfedezésére.
11:08
This particular shrimp, we've dubbed it the Jurassic shrimp,
279
653000
3000
Ezt a rákot jurai garnélaráknak
neveztük el,
neveztük el,
11:11
it's thought to have gone extinct 50 years ago --
280
656000
2000
mert azt hittük, 50 éve kihalt már.
11:13
at least it was, until the census discovered
281
658000
2000
Lehet, így is volt, de kiderült,
11:15
it was living and doing just fine off the coast of Australia.
282
660000
3000
hogy ma ismét él s virul
Ausztrália partjai közelében.
Ausztrália partjai közelében.
11:18
And it shows that the ocean, because of its vastness,
283
663000
3000
Ez is bizonyíték rá, hogy az óceán
a méretének köszönhetően,
a méretének köszönhetően,
11:21
can hide secrets for a very long time.
284
666000
2000
sokáig őrizheti titkait.
11:23
So, Steven Spielberg, eat your heart out.
285
668000
3000
Steven Spielberg meg pukkadjon meg.
11:26
If we look at distributions, in fact distributions change dramatically.
286
671000
3000
A fajok eloszlása rendkívül változó.
11:29
And so one of the records that we had
287
674000
3000
Pl. sikerült a szurkos vészmadár
11:32
was this sooty shearwater, which undergoes these spectacular migrations
288
677000
3000
látványos vándorlását feltérképezni.
11:35
all the way from New Zealand
289
680000
2000
Új-Zélandtól egészen
11:37
all the way up to Alaska and back again
290
682000
2000
Alaszkáig repül, majd vissza,
11:39
in search of endless summer
291
684000
2000
az örök nyár nyomában,
11:41
as they complete their life cycles.
292
686000
2000
életciklusa más-más szakaszain.
11:43
We also talked about the White Shark Cafe.
293
688000
2000
Említeném még a Fehér Cápa Kávézót is.
11:45
This is a location in the Pacific where white shark converge.
294
690000
3000
A fehér cápák ott gyülekeznek.
11:48
We don't know why they converge there, we simply don't know.
295
693000
2000
Hogy miért, azt nem tudjuk.
11:50
That's a question for the future.
296
695000
2000
A válasz a jövő zenéje.
11:52
One of the things that we're taught in high school
297
697000
2000
Gimnáziumban azt tanultuk,
11:54
is that all animals require oxygen in order to survive.
298
699000
3000
hogy az élőlényeknek oxigén
kell a létezéshez.
kell a létezéshez.
11:57
Now this little critter, it's only about half a millimeter in size,
299
702000
3000
Ez a mindössze fél mm-es lényecske
12:00
not terribly charismatic.
300
705000
2000
ugyan nem túl karizmatikus egy jelenség,
12:02
But it was only discovered in the early 1980s.
301
707000
2000
de csak a '80-as évek elején fedezték fel.
12:04
But the really interesting thing about it
302
709000
2000
Érdekessége, hogy néhány évvel ezelőtt
12:06
is that, a few years ago, census scientists discovered
303
711000
3000
a fajszámlálás tudósai felfedezték,
hogy nagyszerűen megél
hogy nagyszerűen megél
12:09
that this guy can thrive in oxygen-poor sediments
304
714000
2000
a Földközi-tenger mélyén levő
12:11
in the deep Mediterranean Sea.
305
716000
2000
oxigénszegény üledékben.
12:13
So now they know that, in fact,
306
718000
2000
Tehát most már tudjuk,
12:15
animals can live without oxygen, at least some of them,
307
720000
2000
hogy van pár, oxigén nélkül élő állat,
12:17
and that they can adapt to even the harshest of conditions.
308
722000
3000
s hogy a könyörtelen
körülményekhez lehet alkalmazkodni.
körülményekhez lehet alkalmazkodni.
12:20
If you were to suck all the water out of the ocean,
309
725000
3000
Ha az óceán egész vizét felhörpintenénk,
12:23
this is what you'd be left behind with,
310
728000
2000
a helyén maradna
12:25
and that's the biomass of life on the sea floor.
311
730000
2000
a tengerfenék biomasszája.
12:27
Now what we see is huge biomass towards the poles
312
732000
3000
A sarkok körül hatalmas, máshol pedig
12:30
and not much biomass in between.
313
735000
3000
elenyésző mennyiségű a biomassza.
12:33
We found life in the extremes.
314
738000
2000
Extrém viszonyok közt is van élet.
12:35
And so there were new species that were found
315
740000
2000
Pl. találtunk új fajokat,
12:37
that live inside ice
316
742000
2000
amelyek jégben élnek,
12:39
and help to support an ice-based food web.
317
744000
2000
és egy jég-alapú élelemháló tagjai.
12:41
And we also found this spectacular yeti crab
318
746000
2000
S mi találtuk ezt a remek jetirákot is:
12:43
that lives near boiling hot hydrothermal vents at Easter Island.
319
748000
3000
a Húsvét-szigetek környéki forró
mélytengeri források lakóját.
mélytengeri források lakóját.
12:46
And this particular species
320
751000
2000
Erre a fajra
12:48
really captured the public's attention.
321
753000
3000
felfigyelt a nagyközönség is.
12:51
We also found the deepest vents known yet -- 5,000 meters --
322
756000
3000
Az idáig legmélyebbnek vélt,
kb. 5000 méteres forrásokat,
kb. 5000 méteres forrásokat,
12:54
the hottest vents at 407 degrees Celsius --
323
759000
3000
és a 407 °C-os legforróbbakat
is mi találtuk meg.
is mi találtuk meg.
12:57
vents in the South Pacific and also in the Arctic
324
762000
2000
A déli Csendes-óceánban s az Arktiszon is,
12:59
where none had been found before.
325
764000
2000
ahol idáig létezésük sem sejlett.
13:01
So even new environments are still within the domain of the discoverable.
326
766000
3000
Szóval még akár új
területeket is felfedezhetünk.
területeket is felfedezhetünk.
13:04
Now in terms of the unknowns, there are many.
327
769000
2000
S rengeteg ismeretlen van még.
13:06
And I'm just going to summarize just a few of them
328
771000
2000
Gyorsan összefoglalok
13:08
very quickly for you.
329
773000
2000
néhányat önöknek.
13:10
First of all, we might ask, how many fishes in the sea?
330
775000
3000
Kíváncsiskodhatnánk, hogy
vajon hány hal van a tengerben?
vajon hány hal van a tengerben?
13:13
We actually know the fishes better than we do any other group in the ocean
331
778000
2000
Más fajoknál jobban ismerjük őket,
13:15
other than marine mammals.
332
780000
2000
talán a tengeri emlősök kivételével.
13:17
And so we can actually extrapolate based on rates of discovery
333
782000
3000
A felfedezések gyakorisága alapján
pontosan meghatározhatjuk,
pontosan meghatározhatjuk,
13:20
how many more species we're likely to discover.
334
785000
3000
hány fajt fogunk a jövőben felfedezni.
13:23
And from that, we actually calculate
335
788000
2000
Ennek alapján úgy számoljuk,
13:25
that we know about 16,500 marine species
336
790000
3000
hogy kb. 16500 tengeri halfajt ismerünk
13:28
and there are probably another 1,000 to 4,000 left to go.
337
793000
2000
s kb. 1000-4000 felfedezetlen lehet még.
13:30
So we've done pretty well.
338
795000
2000
Más szóval, aránylag jól állunk.
13:32
We've got about 75 percent of the fish,
339
797000
2000
A halak kb. 75 százalékát ismerjük,
13:34
maybe as much as 90 percent.
340
799000
2000
vagy akár 90 százalékát.
13:36
But the fishes, as I say, are the best known.
341
801000
3000
De ahogy mondom,
a halakat ismerjük legjobban.
a halakat ismerjük legjobban.
13:39
So our level of knowledge is much less for other groups of organisms.
342
804000
3000
Más fajcsoportokra vonatkozó
ismereteink sokkal szerényebbek.
ismereteink sokkal szerényebbek.
13:42
Now this figure is actually based on a brand new paper
343
807000
2000
A következő szám egy friss tanulmányból
13:44
that's going to come out in the journal PLoS Biology.
344
809000
3000
származik, amely nemsokára
megjelenik a PLoS Biology oldalain.
megjelenik a PLoS Biology oldalain.
13:47
And what is does is predict how many more species there are
345
812000
2000
Előrejelzi, kb. hány új fajt találhatunk
13:49
on land and in the ocean.
346
814000
2000
még szárazföldön és óceánban.
13:51
And what they found
347
816000
2000
A tanulmány szerint
13:53
is that they think that we know of about nine percent of the species in the ocean.
348
818000
3000
az összes óceáni faj talán 9%-át ismerjük.
13:56
That means 91 percent, even after the census,
349
821000
2000
Tehát a fajszámlálás után is
13:58
still remain to be discovered.
350
823000
2000
91% még felfedezésre vár.
14:00
And so that turns out to be about two million species
351
825000
2000
Ez mindent egybevetve
14:02
once all is said and done.
352
827000
2000
kb. kétmillió fajt jelent.
14:04
So we still have quite a lot of work to do
353
829000
2000
Tehát rengeteg munka vár még ránk,
14:06
in terms of unknowns.
354
831000
2000
sok ismeretlen maradt még.
14:08
Now this bacterium
355
833000
2000
Ez a baktérium pl.
14:10
is part of mats that are found off the coast of Chile.
356
835000
3000
Chile partjainál lebegő szőnyegek része.
14:13
And these mats actually cover an area the size of Greece.
357
838000
2000
A szőnyegek akkorák mint Görögország.
14:15
And so this particular bacterium is actually visible to the naked eye.
358
840000
3000
A baktérium szabad szemmel látható.
14:18
But you can imagine the biomass that represents.
359
843000
3000
Képzeljék el, mekkora biomassza.
14:21
But the really intriguing thing about the microbes
360
846000
2000
De a legérdekesebb a mikrobáknál,
14:23
is just how diverse they are.
361
848000
2000
milyen elképesztően sokféle van belőlük.
14:25
A single drop of seawater
362
850000
2000
Egyetlen csepp óceánvízben
14:27
could contain 160 different types of microbes.
363
852000
2000
160 féle mikroba lehet.
14:29
And the oceans themselves
364
854000
2000
Az óceánokban
14:31
are thought potentially to contain as many as a billion different types.
365
856000
3000
egymilliárd fajtájú mikroba lehet.
14:34
So that's really exciting. What are they all doing out there?
366
859000
3000
Roppant izgalmas. Mi a szerepük?
14:37
We actually don't know.
367
862000
2000
Fogalmunk sincs.
14:39
The most exciting thing, I would say, about this census
368
864000
2000
A fajszámlálás legizgalmasabb felfedezése
14:41
is the role of global science.
369
866000
2000
a tudomány általános szerepe.
14:43
And so as we see in this image of light during the night,
370
868000
2000
Ezen az éjszakai felvételen látszik,
14:45
there are lots of areas of the Earth
371
870000
2000
rengeteg terület van még a Földön,
14:47
where human development is much greater
372
872000
3000
ahol fejlettebb az emberi társadalom,
14:50
and other areas where it's much less,
373
875000
2000
s vannak olyanok, ahol kevésbé.
14:52
but between them we see large dark areas
374
877000
2000
Köztük az óceán hatalmas, sötét,
14:54
of relatively unexplored ocean.
375
879000
2000
alig feltárt területe húzódik.
14:56
The other point I'd like to make about this
376
881000
2000
Hangsúlyozni szeretném:
14:58
is that this ocean's interconnected.
377
883000
2000
az óceán összeköt bennünket.
15:00
Marine organisms do not care about international boundaries;
378
885000
2000
A tengeri fajokat nem érdeklik a határok.
15:02
they move where they will.
379
887000
2000
Arra mennek, ahova akarnak.
15:04
And so the importance then of global collaboration
380
889000
3000
Rendkívül fontos tehát,
15:07
becomes all the more important.
381
892000
2000
hogy teljesen együttműködjünk.
15:09
We've lost a lot of paradise.
382
894000
2000
Az Édenkert nagy részét már elvesztettük.
15:11
For example, these tuna that were once so abundant in the North Sea
383
896000
3000
Nyoma sincs az Északi-tengerben
15:14
are now effectively gone.
384
899000
2000
valaha oly bőségesen élt tonhalnak.
15:16
There were trawls taken in the deep sea in the Mediterranean,
385
901000
3000
Fenék-vonóhálóval kutatták át
a Földközi-tenger mélyét,
a Földközi-tenger mélyét,
15:19
which collected more garbage than they did animals.
386
904000
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
906000
3000
S ez mélytengeri környezet,
mely sokak szerint
mely sokak szerint
15:24
among the most pristine left on Earth.
388
909000
2000
a Föld még szűz élőhelyei közt van.
15:26
And there are a lot of other pressures.
389
911000
2000
Sok más kényszerítő okunk is van.
15:28
Ocean acidification is a really big issue that people are concerned with,
390
913000
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
916000
3000
s hogy a jelenségeknek milyen
hatásuk lesz a korallzátonyokra.
hatásuk lesz a korallzátonyokra.
15:34
On the scale of decades, in our lifetimes,
392
919000
3000
Még a mi életünkben, évtizedeken belül
15:37
we're going to see a lot of damage to coral reefs.
393
922000
2000
nagyon károsodnak a korallzátonyok.
15:39
And I could spend the rest of my time, which is getting very limited,
394
924000
3000
A fennmaradó időmet
15:42
going through this litany of concerns about the ocean,
395
927000
2000
tölthetném siránkozással,
15:44
but I want to end on a more positive note.
396
929000
2000
de útravalónak inkább derűsebbet adnék.
15:46
And so the grand challenge then
397
931000
2000
A nagy kihívás előttünk
15:48
is to try and make sure that we preserve what's left,
398
933000
2000
a maradék megőrzése,
15:50
because there is still spectacular beauty.
399
935000
2000
hiszen még annyi szépség maradt.
15:52
And the oceans are so productive,
400
937000
2000
Az óceánok annyira termékenyek,
15:54
there's so much going on in there that's of relevance to humans
401
939000
3000
s annyi minden van bennük,
ami lényeges az embereknek,
ami lényeges az embereknek,
15:57
that we really need to, even from a selfish perspective,
402
942000
3000
hogy még önző szempontból is érdekünk
16:00
try to do better than we have in the past.
403
945000
2000
sikeresebben eljárni, mint a múltban.
16:02
So we need to recognize those hot spots
404
947000
2000
Találjuk meg és őrizzük meg
16:04
and do our best to protect them.
405
949000
2000
a fajfenntartáshoz fontos helyeket.
16:06
When we look at pictures like this, they take our breath away,
406
951000
2000
Hisz lélegzetelállítóan szépek,
16:08
in addition to helping to give us breath
407
953000
2000
s a lélegzetünkhöz
16:10
by the oxygen that the oceans provide.
408
955000
2000
szükséges oxigént is ők adják.
16:12
Census scientists worked in the rain, they worked in the cold,
409
957000
3000
A fajszámlálás tudósai esőben, hidegben,
16:15
they worked under water and they worked above water
410
960000
2000
víz alatt és a víz felszínén dolgoztak,
16:17
trying to illuminate the wondrous discovery,
411
962000
2000
hogy megvilágítsák a legcsodálatosabb
16:19
the still vast unknown,
412
964000
2000
felfedezéseket, a hatalmas ismeretlent,
16:21
the spectacular adaptations that we see in ocean life.
413
966000
3000
s az óceáni életre jellemző
látványos alkalmazkodást.
látványos alkalmazkodást.
16:24
So whether you're a yak herder living in the mountains of Chile,
414
969000
3000
Mindegy, hogy önök jak pásztorok
a chilei hegységekben,
a chilei hegységekben,
16:27
whether you're a stockbroker in New York City
415
972000
3000
vagy brókerek New Yorkban,
16:30
or whether you're a TEDster living in Edinburgh,
416
975000
2000
vagy edinburgh-i TED munkatársak,
16:32
the oceans matter.
417
977000
2000
az óceán létfontosságú mindannyiunknak.
16:34
And as the oceans go so shall we.
418
979000
2000
Pusztulása a mi végünket is jelenti.
16:36
Thanks for listening.
419
981000
2000
Köszönöm figyelmüket.
16:38
(Applause)
420
983000
2000
(Taps)
ABOUT THE SPEAKER
Paul Snelgrove - Marine biologistPaul Snelgrove led the group that pulled together the findings of the Census of Marine Life -- synthesizing 10 years and 540 expeditions into a book of wonders.
Why you should listen
From 2000 to 2010, the Census of Marine Life ran a focused international effort to catalogue as much knowledge as possible about the creatures living in our oceans. (It had never really been done before.) Some 2,700 scientists from 80 countries, on 540 expeditions, worked to assess the diversity, distribution, and abundance of marine life. More than 6,000 potential new species were discovered, amid scenes of ocean degradation, resilience, and wonder.
It was Paul Snelgrove's job to synthesize this mass of findings into a book. Snelgrove, a professor at Memorial University in Newfoundland who studies benthic sedimentary ecosystems, led the team that produced the book Discoveries of the Census of Marine Life, about the most important and dramatic findings of the CML: new species and habitats, unexpected and epic migration routes and changing distribution patterns. The census revealed how diverse, surprising, still vastly unknown, and tenacious life is in the oceans.
He says: "How to distill thousands of scientific papers and dozens of books into a coherent story? The answer was to lock myself in the basement, shut off email, and read, read, read."
Paul Snelgrove | Speaker | TED.com