Jak Sporalo počítá své skóre

1Růst podle počasí

Pro každou obec a každý den model vyhodnotí čtyři faktory na stupnici od 0 (nepříznivé) do 1 (ideální) a poté je vynásobí.

Násobení místo sčítání: stačí jediný nepříznivý faktor a skóre prudce klesne. Vedro na promáčené půdě nebo ideální teplota po třech týdnech bez deště dávají nízké skóre, stejně jako v terénu. Jde o princip limitujícího faktoru.

Příznivá teplota podle druhu

Každá křivka ukazuje vliv teploty daného týdne, od žádného (dole) po ideální (nahoře), a sezónu v nížinách.

2Stanoviště

Ideální počasí je k ničemu bez správných stromů. Většina hub ve Sporalu jsou mykorhizní houby: žijí ve spojení s kořeny určitých dřevin a bez nich nerostou. Stanoviště se proto řídí stejnou logikou jako počasí: faktory se násobí a blokující faktor srazí skóre bez ohledu na ostatní.

Na mapě se stanoviště počítá po jednotlivých pixelech (přibližně 800 m) z lesa, půd a krajinného pokryvu přímo na daném místě; počasí je naopak počasí nejbližší obce, přepočtené na nadmořskou výšku pixelu (viz „Denní výpočet“). Okraj lesa v polní krajině se tak na mapě projeví, zatímco počasí se mění plynuleji.

Ověření na zveřejněných místech pozorování (GBIF): u lesních druhů pokrývají zóny vyhodnocené jako blokující třetinu až více než polovinu obcí, ale obsahují jen 3 až 17 % pozorování. Stanoviště tedy dobře odděluje „les“ od „mimo les“. Jemné složení (dřeviny, pH, expozice) však příliš nezlepšuje rozlišení mezi dvěma zalesněnými oblastmi, protože chybějí dostatečně přesná data (dřeviny jsou známy jen s přesností asi 1,4 km).

3Zveřejněné skóre

Skóre si běžně ponechává část potenciálu daného počasím („základ“, řádově třetinu), protože data o stanovišti zůstávají nedokonalá: remízky, živé ploty a okraje lesů nejsou vždy zmapovány. Když je stanoviště blokující, základ se postupně vytrácí a skóre je velmi nízké. Stejný výpočet se provádí v kartě místa i při vykreslení mapy.

• 75 – 100 Velmi příznivé: podmínky jsou splněny.
• 55 – 74 Příznivé.
• 35 – 54 Možné: jeden nebo dva limitující faktory.
• 15 – 34 Nepravděpodobné.
• 0 – 14 Nepříznivé nebo mimo sezónu.

4Ověřeno na skutečných pozorováních

Nastavení bylo odladěno na veřejných pozorováních těchto druhů ve Francii (GBIF, 2010-2025), spojených s historickým počasím každého místa (reanalýza ERA5). Kritérium: den, kdy byl druh nalezen, má získat vyšší skóre než jiný den téže sezóny na stejném místě. Nastavení se ladí na sudých letech a ověřuje na lichých, které se při ladění nikdy nepoužily.

Jak to číst: u hřibů získá den, kdy byly nalezeny, vyšší skóre než jiný den téže sezóny na stejném místě v 76 % případů. Náhoda by dala 50 %; předchozí verze výpočtu dosahovala 65 % (u tehdy sledovaných 5 druhů). Smrže se opírají o velmi málo pozorování: jejich číslo je křehké. Aktualizace: 4 novembre 2026.

Co tento test říká a co ne. Skóre kolem 70 % znamená skutečnou schopnost rozpoznat dobré dny, nikoli spolehlivou předpověď pro každý výlet: zhruba ve třech srovnáních z deseti získá běžný den vyšší skóre než den, kdy byl druh nalezen. Test používá pozorované počasí (reanalýza ERA5), nikoli předpovědi: po dvou až třech dnech se přidává nejistota předpovědi počasí. A konečně, pozorování GBIF pocházejí převážně od přírodovědců a turistů: ukazují stejně tak, kde se hledá, jako kde se nachází.

Ověření stanoviště. Stanoviště bylo samostatně otestováno na místech pozorování ve srovnání s náhodně vybranými obcemi: správné pořadí se získá v 72 až 84 % případů podle druhu (kromě smržů, které žádná dostupná data nepředpovídají dobře). Při srovnání s místy, kde rostou jiné druhy, tedy jiné lesy, klesá výsledek u většiny druhů kolem 50 %: stanoviště říká „je tu les“, nikoli „je to ten správný les“.

Belgie, Švýcarsko a Lucembursko. Platí tentýž model se stejným nastavením, odladěným na Francii. Stanoviště bylo ověřeno na pozorováních GBIF z každé země: správné pořadí oproti náhodně vybraným místům se v Belgii získá v 60 až 82 % případů a ve Švýcarsku jen v 53 až 65 %, kde reliéf a často zaokrouhlené polohy pozorování úlohu ztěžují. V Lucembursku existuje jen 363 pozorování: u tří dostatečně pozorovaných druhů (hřiby, lišky, bedly) se správné pořadí oproti náhodně vybraným místům získá v 72 až 78 % případů, ostatní druhy však mají příliš málo pozorování, aby šly otestovat. Část týkající se počasí zde zatím nebyla samostatně ověřena.

Německo. Stejný model, stejné nastavení. Na německých pozorováních GBIF (18 587) stanoviště správně zařadí místo pozorování oproti náhodně vybranému místu v 73 až 86 % případů podle druhu (kromě smržů, 49 %); oproti místům, kde rostou jiné druhy, je výsledek 41 až 65 %. Východ a sever země nemají mapu dřevin: stanoviště se tam opírá o les, krajinný pokryv, půdy (OpenLandMap) a expozici.

Rakousko. Stejný model, stejné nastavení. Na rakouských pozorováních GBIF stanoviště správně zařadí místo pozorování oproti náhodně vybranému místu v 63 až 72 % případů (kromě smržů). Část týkající se počasí zde zatím nebyla samostatně ověřena.

Česko. Stejný model, stejné nastavení. Na českých pozorováních GBIF (1 382 pozorování, sedm dostatečně pozorovaných druhů): stanoviště správně zařadí místo pozorování oproti náhodně vybranému místu v 77 až 86 % případů, kromě smržů (57 %), ale jen v 43 až 61 % oproti místům, kde byly pozorovány jiné druhy. Část týkající se počasí zde zatím nebyla samostatně ověřena.

Itálie. Stejný model, stejné nastavení odladěné na Francii. Sezóna zde není vždy přesná: ve středomořském podnebí růst hřibů a lišek v horách v létě neustává a růst ryzců a bedel se na jihu posouvá ke konci podzimu a do zimy. Část týkající se počasí zde zatím nebyla samostatně ověřena. Na italských pozorováních GBIF stanoviště správně zařadí místo pozorování oproti náhodně vybranému místu v 70 až 83 % případů podle druhu (smrže: 55 %); čirůvky fialové, příliš málo pozorované, se netestují.

Spojené království. Jedna mapa pro Spojené království a Irsko. Stejný model, stejné nastavení odladěné na Francii; ve Spojeném království jsou „obce“ 361 distriktů (včetně velmi rozlehlých skotských rad), seskupených do 12 regionů. Na britských pozorováních GBIF (19 914 pozorování) stanoviště správně zařadí místo pozorování oproti náhodně vybranému místu v 65 až 80 % případů (smrže: 56 %, čirůvky fialové: 62 %), ale jen v 40 až 64 % oproti místům, kde byly pozorovány jiné druhy. Sezóna, odladěná na Francii, je blízká pozorováním (lišky a čirůvky fialové zhruba o dva týdny později). Část týkající se počasí zde zatím nebyla samostatně ověřena.

Irsko. Na téže mapě, se 166 místními volebními oblastmi seskupenými do 26 hrabství (stejné nastavení). Irských pozorování GBIF je málo (202): testovat lze jen čtyři druhy; stanoviště správně zařadí místo pozorování oproti náhodně vybranému místu v 85 až 89 % případů u lišek, lišáků zprohýbaných a ryzců (čirůvky fialové: 54 %) a v 57 až 65 % oproti místům, kde byly pozorovány jiné druhy. Část týkající se počasí zde zatím nebyla samostatně ověřena.

Španělsko. Stejný model, stejné nastavení odladěné na Francii, použitý na poloostrov a Baleáry (Kanárské ostrovy, Ceuta a Melilla pokryty nejsou: jiné podnebí, jiné počasí). Na španělských pozorováních GBIF stanoviště správně zařadí místo pozorování oproti náhodně vybranému místu v 78 až 89 % případů u sedmi druhů z devíti (65 % u čirůvek fialových, 58 % u smržů) a část týkající se počasí, testovaná na vzorku, dává 70 až 90 % podle druhu. Známá odchylka: sezóna odladěná na Francii je pro středomořské a atlantické podnebí Španělska příliš brzká. Ryzec pravý (níscalo) se tam pozoruje hlavně od konce října do listopadu a ježci žlutí, trubky mrtvých, čirůvky fialové a lišky nálevkovité od listopadu do prosince, tedy po hlavní sezóně modelu: jejich skóre je tam koncem podzimu podhodnocené.

5Denní výpočet

Každé ráno Sporalo stáhne z Open-Meteo pro každý bod 14 dní historie a 8 dní předpovědi. Každá obec míchá počasí ze čtyř nejbližších bodů (bližší mají větší váhu), upravené podle její vlastní nadmořské výšky: tím se předejde „čtverečkům“, které by vznikly při použití jediného bodu.

Jemnější mapa než počasí. Počasí je známo jen zhruba každých ~20 km, ale mapa je kreslena po pixelech (přibližně 800 m). Každý pixel převezme růst nejbližší obce, přepočtený na skutečnou nadmořskou výšku pixelu (růst se každé ráno počítá také o 400 a 800 m výše a níže a poté se interpoluje), a vynásobí ho stanovištěm pixelu: lesy, města, pole a údolní dna tak na mapě zřetelně vynikají, zatímco počasí se mění pomalu. Bez této korekce by dva sousední body na obou stranách hranice obce, například v soutěskách, převzaly nadmořskou výšku dvou různých vesnic. Karta místa uvádí použitou obec a přesné souřadnice kliknutého bodu; žebříčky a stránky obcí používají skóre celé obce.

6Omezení

• Žádná záruka. Model nezná tlak sběračů, historii každého pozemku ani sílu podhoubí.
• Nedokonalá pozorování. Přírodovědecká data odrážejí i aktivitu pozorovatelů (víkendy, mykologické výpravy).
• Co věda zatím neví. Žádná zveřejněná prahová hodnota vlhkosti ani teploty půdy růst nespouští; málo prozkoumané druhy (liška nálevkovitá, čirůvka fialová, ryzce) jsou nastaveny hlavně podle pozorování.
• Zatím nezohledněno. Vliv podmínek předchozího roku, stáří porostů a lesní hospodaření (například probírky mění produkci). Často zmiňovaný „chladový šok“ po dešti byl testován: na francouzských pozorováních předpovědi nezlepšuje.
• Rozlišení dat. Dřeviny jsou známy jen s přesností asi 1,4 km, půdy na několik stovek metrů, počasí na ~20 km: malý osamělý lesík nebo živý plot mohou chybět a hranice blokující zóny není nikdy přesná na pixel.
• Německo. Za zhruba 9,9° v. d. a 52,3° s. š. (většina Bavorska, Braniborsko, Sasko, Durynsko a sever) nejsou hostitelské dřeviny známy: používá se neutrální profil. Půdy pocházejí z OpenLandMap. Mapa lesů je odvozena ze satelitních snímků jako v Belgii.
• Belgie, Švýcarsko a Lucembursko. Mapa lesů je tam odvozena ze satelitních snímků (ESA WorldCover, přizpůsobená francouzské BD Forêt), půdy pocházejí z OpenLandMap a dřeviny z nejzazšího východu kantonu Graubünden jsou převzaty z sousední pokryté obce. V horách je počasí upraveno podle nadmořské výšky bodu, ale ne podle údolních efektů (teplotní inverze, stín).
• Rakousko. Atlas dřevin pokrývá jen nejzazší západ: jinde jsou dřeviny odhadovány podle nadmořské výšky a regionu. Půdy pocházejí z OpenLandMap. Nadmořská výška alpské obce je výškou jejích lesů, nikoli jejích ledovců.
• Česko. Atlas JRC a SoilGrids nebylo možné použít: dřeviny pocházejí z druhových map OpenGeoHub (dub zimní je ztotožněn s dubem letním, bříza a dub pýřitý jsou ignorovány) a půdy z OpenLandMap. Mapa lesů je odvozena ze satelitních snímků jako v Belgii.
• Itálie. Dřeviny (atlas JRC) jsou k dispozici jen pro sever a západ země: jinde každá obec přebírá dřeviny nejbližší pokryté obce v srovnatelné nadmořské výšce (hrubá aproximace, zejména na jihu a na Sicílii); půdy pocházejí z OpenLandMap. Nastavení sezóny pochází z Francie; středomořské podnebí (suché léto, na jihu posunutý podzimní růst) není přesně vystiženo.
• Španělsko. Dřeviny pocházejí z map Bonannella a kol. (2022), nikoli z atlasu JRC (při generování nedostupného): dub zimní, dub pýřitý a bříza zde chybějí, borovice přímořská je nahrazena borovicí halepskou a borovicí pinií a stálezelené duby a korkové duby (hostitelé mnoha středomořských hřibů) nejsou zohledněny. Mapa lesů je odvozena ze satelitních snímků přizpůsobených francouzské BD Forêt, a je proto méně spolehlivá pro matorraly a dehesy; půdy pocházejí z OpenLandMap.
• Spojené království a Irsko. Atlas JRC a SoilGrids nebylo možné použít: dřeviny pocházejí z druhových map OpenGeoHub (bříza, dub zimní a pýřitý ignorovány, smrk sitka a modřín nejsou zastoupeny) a půdy z OpenLandMap; tři britské distrikty nemají zmapovanou půdu (průměrné hodnoty). Jednotky jsou velké (distrikty, volební oblasti): mapa je hrubší než jinde, zejména ve Skotské vysočině. Mapa lesů je odvozena ze satelitních snímků jako v Belgii.
• Předpovědi. Nadcházející dny se opírají o předpověď počasí, jejíž spolehlivost s dobou předpovědi klesá, zejména u srážek.
• Smrže. Jejich hostitelské dřeviny (jasan, jilm, topol, ovocné stromy) a spáleniště nejsou zmapovány: jejich skóre stanoviště je méně spolehlivé.

7Použitá data

Všechna zdrojová data jsou otevřená. Uvedení původu požadované producenty se zobrazí po najetí na „?“; úplné licence najdete po kliknutí na odkazy. Sporalo data upravuje (agregace, interpolace, křížení): skóre jsou odvozené dílo, nikoli původní data.

8Vědecká literatura

Recenzované publikace, na nichž stojí výběr faktorů, jejich zpoždění a okna sezóny.

Co spouští růst: teplota a déšť

1. Kauserud H. et al. (2008). PNAS 105(10):3811-3814 — Mushroom fruiting and climate change. doi.org/10.1073/pnas.070903710534 500 norských záznamů: srážky a teplota na konci léta určují datum podzimního růstu.
2. Kauserud H. et al. (2010). Proc. R. Soc. B 277:1169-1177 — Climate change and spring-fruiting fungi. doi.org/10.1098/rspb.2009.1537Jarní houby: oteplování posouvá datum plození dříve.
3. Kauserud H. et al. (2012). PNAS 109(36):14488-14493 — Warming-induced shift in European mushroom fruiting phenology. doi.org/10.1073/pnas.1200789109Evropské měřítko: mykorhizní a saprotrofní houby reagují odlišně.
4. Gange A.C. et al. (2007). Science 316:71 — Rapid and recent changes in fungal fruiting patterns. doi.org/10.1126/science.1137489Anglie: období plodnic se za půl století oteplování výrazně prodloužilo.
5. Mihail J.D., Bruhn J.N., Bonello P. (2007). Mycological Research 111:339-346 — Spatial and temporal patterns of morel fruiting. doi.org/10.1016/j.mycres.2007.01.007Smrži: prostorové a časové vzorce plození ve vztahu k teplotě a srážkám.
6. Salerni E., Paoli L., Perini C. (2023). Italian Journal of Mycology 52:76-88 — Boletus edulis, gestion forestière et extrêmes climatiques. doi.org/10.6092/issn.2531-7342/16464Hřiby v jedlových lesích: produkce sledovaná 21 dní po silném dešti nebo vlně veder.
7. Salerni E. et al. (2002). Israel Journal of Plant Sciences 50:189-198 — Effects of temperature and rainfall on fruiting of macrofungi in oak forests of the Mediterranean area. doi.org/10.1560/GV8J-VPKL-UV98-WVU1Toskánské dubové lesy: srážky za předchozích 30 dní vysvětlují počet plodnic.

Vlhkost půdy a sucho

1. Karavani A. et al. (2018). Agricultural and Forest Meteorology 248:432-440 — Effect of climatic and soil moisture conditions on mushroom productivity. doi.org/10.1016/j.agrformet.2017.10.024Vlhkost půdy je nejlepším prediktorem produkce hub v Katalánsku.
2. Olano J.M. et al. (2020). Agricultural and Forest Meteorology 288-289:108015 — Primary productivity and climate control mushroom yields in Mediterranean pine forests. doi.org/10.1016/j.agrformet.2020.108015Středomořské borové lesy: produktivita lesa a podnebí řídí produkci hub.
3. Ágreda T. et al. (2015). Global Change Biology 21:3499-3510 — Increased evapotranspiration demand might cause a decline in fungal yields. doi.org/10.1111/gcb.12960Středomořské podnebí: vyšší nároky na výpar by mohly snížit produkci hub.
4. Ágreda T. et al. (2016). Agricultural and Forest Meteorology 223:39-47 — Long-term monitoring of climatic control of sporocarp production. doi.org/10.1016/j.agrformet.2016.03.015Dlouhodobý monitoring: klimatické řízení produkce se mezi druhy silně liší.
5. Büntgen U. et al. (2015). Fungal Ecology 16:6-18 — Drought-induced changes in the phenology, productivity and diversity of Spanish fungi. doi.org/10.1016/j.funeco.2015.03.008Španělsko: sucho posouvá sezónu a snižuje produkci a rozmanitost hub.
6. Büntgen U., Kauserud H., Egli S. (2012). Frontiers in Ecology and the Environment 10(1):14-19 — Linking climate variability to mushroom productivity and phenology. doi.org/10.1890/110064Dlouhodobé švýcarské řady: podnebí a produktivita hub.

Fenologie, zeměpisná šířka a nadmořská výška

1. Andrew C. et al. (2018). Ecology 99(6):1306-1315 — Explaining European fungal fruiting phenology with climate variability. doi.org/10.1002/ecy.2237Evropa: datum růstu se mění o ~25 dní podle zeměpisné šířky a až o 30 dní podle nadmořské výšky; hlavním činitelem je teplota.
2. Krah F.S. et al. (2023). Ecology Letters 26(9):1572-1583 — Temperature affects the timing and duration of fungal fruiting patterns. doi.org/10.1111/ele.14275Velké měřítko: teplota ovlivňuje datum i délku plození.
3. Sato H. et al. (2012). PLoS ONE 7:e49777 — A thirty-year survey reveals that ecosystem function of fungi predicts phenology of mushroom fruiting. doi.org/10.1371/journal.pone.004977730letý monitoring v Japonsku: datum růstu závisí na způsobu života (mykorhizní nebo rozkladač).
4. Boddy L. et al. (2014). Fungal Ecology 10:20-33 — Climate variation effects on fungal fruiting. doi.org/10.1016/j.funeco.2013.10.006Přehledová studie: vliv proměnlivosti podnebí na plození.

Předpovědní modely a produktivní lesy

1. Bonet J.A. et al. (2010). Canadian Journal of Forest Research 40:347-356 — Production and species richness of wild mushrooms in pine forests of the Central Pyrenees. doi.org/10.1139/X09-198Střední Pyreneje: produkční modely podle podnebí a porostu.
2. Martínez-Peña F. et al. (2012). Forest Ecology and Management 282:63-69 — Yield models for ectomycorrhizal mushrooms in Pinus sylvestris forests. doi.org/10.1016/j.foreco.2012.06.034Borové lesy s borovicí lesní: produkční modely, mimo jiné hřibů (Boletus edulis) a ryzců pravých.
3. Parladé J., Martínez-Peña F., Pera J. (2017). Forest Ecology and Management 390:73-79 — Effects of forest management and climatic variables on mycelium dynamics and sporocarp production of Boletus edulis. doi.org/10.1016/j.foreco.2017.01.025Hřiby: vliv lesního hospodaření a podnebí na podhoubí a produkci.
4. Collado E. et al. (2019). Science of the Total Environment 689:602-615 — Mushroom productivity trends in relation to tree growth and climate across European forest biomes. doi.org/10.1016/j.scitotenv.2019.06.471Evropské lesní biomy: trendy produkce související s růstem stromů a podnebím.
5. Tahvanainen V. et al. (2016). Forest Ecology and Management 362:79-88 — Modelling the yields of marketed mushrooms in Picea abies stands. doi.org/10.1016/j.foreco.2015.11.040Smrčiny východního Finska: produkční modely komerčně sbíraných hub.
6. Morera A. et al. (2024). Ecological Informatics 81:102557 — Climate change impacts on productivity of edible fungi in Mediterranean forests. doi.org/10.1016/j.ecoinf.2024.102557Vliv změny klimatu na produkci jedlých hub ve středomořských lesích.
7. Pilz D., Molina R., Mayo J. (2006). Journal of Forestry 104(1):9-14 — Effects of thinning young forests on chanterelle production. doi.org/10.1093/jof/104.1.9Lišky obecné: vliv probírek mladých porostů na produkci.

Karty druhů (stanoviště, hostitelé, půdy)

1. Pilz D., Norvell L., Danell E., Molina R. (2003). USDA Forest Service, PNW-GTR-576 — Ecology and management of commercially harvested chanterelle mushrooms. www.fs.usda.gov/pnw/pubs/gtr576.pdfEkologie a hospodaření s liškami obecnými.
2. Pilz D. et al. (2007). USDA Forest Service, PNW-GTR-710 — Ecology and management of morels harvested from the forests of western North America. research.fs.usda.gov/treesearch/26906Ekologie a hospodaření se smrži.
3. Santolamazza-Carbone S. et al. (2025). Microorganisms 13(9):2196 — Metabarcoding unveils seasonal soil microbiota shifts and their influence on Boletus edulis. doi.org/10.3390/microorganisms13092196Hřiby: sezónnost půdní mikroflóry a její vliv na plození.
4. Xu et al. (2026). IMA Fungus 17:e172544 — Multi-gene phylogeny and taxonomy of Hydnum. doi.org/10.3897/imafungus.17.172544Taxonomie rodu Hydnum (ježci).
5. Svanberg I., Løvaas E., Ståhlberg S. (2025). Journal of Ethnobiology and Ethnomedicine 21:37 — How funnel chanterelle (Craterellus tubaeformis) became an urban forager favorite in Scandinavia. doi.org/10.1186/s13002-025-00789-xLiška nálevkovitá: využití a oblíbenost druhu ve Skandinávii.