Wie Sporalo seine Werte berechnet

1Das wetterbedingte Wachstum

Für jede Gemeinde und jeden Tag bewertet das Modell vier Faktoren zwischen 0 (ungünstig) und 1 (ideal) und multipliziert sie dann.

Eine Multiplikation statt einer Addition: Ein einziger ungünstiger Faktor genügt, damit der Wert einbricht. Eine Hitzewelle auf durchnässtem Boden oder eine ideale Temperatur nach drei Wochen ohne Regen ergeben einen niedrigen Wert, wie im Gelände. Das ist das Prinzip des limitierenden Faktors.

Günstige Temperatur je Art

Jede Kurve zeigt die Wirkung der Wochentemperatur, von null (unten) bis ideal (oben), und die Saison im Flachland.

2Der Lebensraum

Ein ideales Wetter nützt nichts ohne die richtigen Bäume. Die meisten Pilze von Sporalo sind Mykorrhizapilze: Sie leben in Verbindung mit den Wurzeln bestimmter Baumarten und wachsen ohne sie nicht. Der Lebensraum folgt daher derselben Logik wie das Wetter: Die Faktoren werden multipliziert, und ein Ausschlussfaktor lässt den Wert einbrechen, unabhängig von den übrigen.

Auf der Karte wird der Lebensraum Pixel für Pixel berechnet (etwa 800 m), aus Wald, Böden und Landnutzung am Ort selbst; das Wetter dagegen ist das der nächstgelegenen Gemeinde, auf die Höhe des Pixels umgerechnet (siehe „Die tägliche Berechnung“). Ein Waldrand in einer Feldlandschaft erscheint daher auf der Karte, während das Wetter sich sanfter ändert.

Überprüfung an den veröffentlichten Beobachtungsorten (GBIF): Bei Waldarten umfassen die als ausschließend eingestuften Zonen ein Drittel bis über die Hälfte der Gemeinden, enthalten aber nur 3 bis 17 % der Beobachtungen. Der Lebensraum trennt also gut zwischen „Wald“ und „kein Wald“. Dagegen verbessert die feine Zusammensetzung (Baumarten, pH-Wert, Exposition) die Unterscheidung zwischen zwei bewaldeten Zonen kaum, mangels ausreichend genauer Daten (die Baumarten sind nur auf 1,4 km genau bekannt).

3Der veröffentlichte Wert

Der Wert behält normalerweise einen Teil des Wetterpotenzials (der „Boden“, in der Größenordnung eines Drittels), da die Lebensraumdaten unvollkommen bleiben: Wäldchen, Hecken und Waldränder sind nicht immer kartiert. Wenn der Lebensraum ausschließend ist, verschwindet dieser Boden allmählich, und der Wert wird sehr niedrig. Dieselbe Berechnung wird in der Karteikarte eines Ortes und zum Einfärben der Karte durchgeführt.

• 75 – 100 Sehr günstig: Bedingungen erfüllt.
• 55 – 74 Günstig.
• 35 – 54 Möglich: ein oder zwei limitierende Faktoren.
• 15 – 34 Unwahrscheinlich.
• 0 – 14 Ungünstig oder außerhalb der Saison.

4An echten Beobachtungen überprüft

Die Einstellungen wurden an öffentlichen Beobachtungen dieser Arten in Frankreich (GBIF, 2010-2025) kalibriert, verknüpft mit dem historischen Wetter jedes Ortes (Reanalyse ERA5). Das Kriterium: Ein Tag, an dem die Art gefunden wurde, muss einen besseren Wert erhalten als ein anderer Tag derselben Saison am selben Ort. Die Einstellungen werden an geraden Jahren angepasst und an ungeraden Jahren kontrolliert, die während der Anpassung nie verwendet wurden.

Lesehilfe: Bei Steinpilzen erhält der Tag, an dem sie gefunden wurden, in 76 % der Fälle einen besseren Wert als ein anderer Tag derselben Saison am selben Ort. Der Zufall ergäbe 50 %; die frühere Version der Berechnung erreichte 65 % (bei den damals beobachteten 5 Arten). Morcheln beruhen auf sehr wenigen Beobachtungen: Ihre Zahl ist fragil. Aktualisiert: 4 novembre 2026.

Was dieser Test aussagt und was nicht. Ein Wert von etwa 70 % bedeutet eine echte Fähigkeit, gute Tage zu erkennen, keine verlässliche Vorhersage für jeden Ausflug: In etwa drei von zehn Vergleichen wird ein gewöhnlicher Tag besser bewertet als ein Tag, an dem die Art gefunden wurde. Der Test verwendet das beobachtete Wetter (Reanalyse ERA5), nicht die Vorhersagen: Ab zwei oder drei Tagen kommt die Unsicherheit der Wettervorhersage hinzu. Schließlich stammen die GBIF-Beobachtungen vor allem von Naturforschern und Spaziergängern: Sie zeigen ebenso, wo gesucht wird, wie wo gefunden wird.

Überprüfung des Lebensraums. Getrennt davon wurde der Lebensraum an den Beobachtungsorten getestet, verglichen mit zufällig gezogenen Gemeinden: Die richtige Reihenfolge wird je nach Art in 72 bis 84 % der Fälle erreicht (ohne Morcheln, die mit keinen verfügbaren Daten gut vorhergesagt werden). Im Vergleich mit Orten, an denen andere Arten wachsen, also anderen Wäldern, fällt das Ergebnis bei den meisten auf etwa 50 %: Der Lebensraum sagt „da ist ein Wald“, nicht „das ist der richtige Wald“.

Belgien, Schweiz und Luxemburg. Dort wird dasselbe Modell mit denselben, an Frankreich kalibrierten Einstellungen angewendet. Der Lebensraum wurde an den GBIF-Beobachtungen jedes Landes überprüft: Die richtige Reihenfolge gegenüber zufällig gezogenen Orten wird dort in Belgien in 60 bis 82 % der Fälle erreicht und in der Schweiz nur in 53 bis 65 %, wo das Relief und oft gerundete Beobachtungspositionen die Aufgabe erschweren. In Luxemburg gibt es nur 363 Beobachtungen: Bei den drei ausreichend beobachteten Arten (Steinpilze, Pfifferlinge, Parasole) wird die richtige Reihenfolge gegenüber zufällig gezogenen Orten in 72 bis 78 % der Fälle erreicht, doch die übrigen Arten haben nicht genug Beobachtungen, um getestet zu werden. Der Wetterteil wurde dort noch nicht getrennt überprüft.

Deutschland. Dasselbe Modell, dieselben Einstellungen. Anhand der deutschen GBIF-Beobachtungen (18 587) ordnet der Lebensraum den Beobachtungsort gegenüber einem zufällig gezogenen Ort je nach Art in 73 bis 86 % der Fälle richtig ein (ohne Morcheln, 49 %); gegenüber Orten, an denen andere Arten wachsen, liegt das Ergebnis bei 41 bis 65 %. Für den Osten und Norden des Landes gibt es keine Baumartenkarte: Der Lebensraum beruht dort auf Wald, Landnutzung, Böden (OpenLandMap) und Exposition.

Österreich. Dasselbe Modell, dieselben Einstellungen. Anhand der österreichischen GBIF-Beobachtungen ordnet der Lebensraum den Beobachtungsort gegenüber einem zufällig gezogenen Ort in 63 bis 72 % der Fälle richtig ein (Morcheln ausgenommen). Der Wetterteil wurde dort noch nicht getrennt überprüft.

Tschechien. Dasselbe Modell, dieselben Einstellungen. Anhand der tschechischen GBIF-Beobachtungen (1 382 Beobachtungen, sieben ausreichend beobachtete Arten): Der Lebensraum ordnet den Beobachtungsort gegenüber einem zufällig gezogenen Ort in 77 bis 86 % der Fälle richtig ein, außer bei Morcheln (57 %), aber nur in 43 bis 61 % gegenüber Orten, an denen andere Arten gesehen wurden. Der Wetterteil wurde dort noch nicht getrennt überprüft.

Italien. Dasselbe Modell, dieselben an Frankreich kalibrierten Einstellungen. Die Saison stimmt dort nicht immer: Im mediterranen Klima endet das Wachstum von Steinpilzen und Pfifferlingen im Gebirge im Sommer nicht, und das der Reizker und Parasole verschiebt sich im Süden Richtung Spätherbst und Winter. Der Wetterteil wurde dort noch nicht getrennt überprüft. Anhand der italienischen GBIF-Beobachtungen ordnet der Lebensraum den Beobachtungsort gegenüber einem zufällig gezogenen Ort je nach Art in 70 bis 83 % der Fälle richtig ein (Morcheln: 55 %); die Violetten Rötelritterlinge, zu wenig beobachtet, sind nicht getestet.

Vereinigtes Königreich. Eine einzige Karte für das Vereinigte Königreich und Irland. Dasselbe Modell, dieselben an Frankreich kalibrierten Einstellungen; im Vereinigten Königreich sind die „Gemeinden“ die 361 Distrikte (einschließlich der sehr ausgedehnten schottischen Councils), zu 12 Regionen zusammengefasst. Anhand der britischen GBIF-Beobachtungen (19 914 Beobachtungen) ordnet der Lebensraum den Beobachtungsort gegenüber einem zufällig gezogenen Ort in 65 bis 80 % der Fälle richtig ein (Morcheln: 56 %, Violette Rötelritterlinge: 62 %), aber nur in 40 bis 64 % gegenüber Orten, an denen andere Arten gesehen wurden. Die an Frankreich kalibrierte Saison liegt nahe an den Beobachtungen (Pfifferlinge und Violette Rötelritterlinge etwa zwei Wochen später). Der Wetterteil wurde dort noch nicht getrennt überprüft.

Irland. Auf derselben Karte, mit 166 lokalen Wahlbezirken, zu 26 Grafschaften zusammengefasst (dieselben Einstellungen). Die irischen GBIF-Beobachtungen sind selten (202): Nur vier Arten sind testbar; der Lebensraum ordnet den Beobachtungsort gegenüber einem zufällig gezogenen Ort bei Pfifferlingen, Semmelstoppelpilzen und Reizkern in 85 bis 89 % der Fälle richtig ein (Violette Rötelritterlinge: 54 %) und in 57 bis 65 % gegenüber Orten, an denen andere Arten gesehen wurden. Der Wetterteil wurde dort noch nicht getrennt überprüft.

Spanien. Dasselbe Modell, dieselben an Frankreich kalibrierten Einstellungen, angewendet auf die Halbinsel und die Balearen (die Kanarischen Inseln, Ceuta und Melilla sind nicht abgedeckt: anderes Klima, anderes Wetter). Anhand der spanischen GBIF-Beobachtungen ordnet der Lebensraum den Ort einer Beobachtung gegenüber einem zufällig gezogenen Ort bei sieben von neun Arten in 78 bis 89 % der Fälle richtig ein (65 % bei den Violetten Rötelritterlingen, 58 % bei den Morcheln), und der Wetterteil, an einer Stichprobe getestet, ergibt je nach Art 70 bis 90 %. Eine bekannte Abweichung: Die an Frankreich kalibrierte Saison ist für das mediterrane und atlantische Klima Spaniens zu früh. Der Echte Reizker (níscalo) wird dort vor allem von Ende Oktober bis November beobachtet, und Semmelstoppelpilze, Trompeten, Violette Rötelritterlinge und Trompetenpfifferlinge von November bis Dezember, also nach der Hauptsaison des Modells: Ihre Werte sind dort im Spätherbst unterschätzt.

5Die tägliche Berechnung

Jeden Morgen holt Sporalo bei Open-Meteo für jeden Punkt 14 Tage Vorgeschichte und 8 Tage Vorhersage. Jede Gemeinde mischt das Wetter der vier nächstgelegenen Punkte (die nächsten wiegen mehr), um ihre eigene Höhe korrigiert: Das vermeidet die „Quadrate“, die ein einzelner Punkt erzeugen würde.

Eine feinere Karte als das Wetter. Das Wetter ist nur alle ~20 km bekannt, doch die Karte wird pixelweise gezeichnet (etwa 800 m). Jedes Pixel übernimmt das Wachstum der nächstgelegenen Gemeinde, auf die tatsächliche Höhe des Pixels umgerechnet (das Wachstum wird jeden Morgen auch 400 und 800 m höher und tiefer berechnet und dann interpoliert), und multipliziert es mit dem Lebensraum des Pixels: Wälder, Städte, Felder und Talgründe treten daher deutlich hervor, während das Wetter sich langsam ändert. Ohne diese Korrektur würden zwei benachbarte Punkte beiderseits einer Gemeindegrenze, etwa in Schluchten, die Höhe zweier verschiedener Dörfer übernehmen. Die Karteikarte eines Ortes nennt die verwendete Gemeinde und die genauen Koordinaten des angeklickten Punktes; Ranglisten und Gemeindeseiten verwenden den Wert der gesamten Gemeinde.

6Grenzen

• Keine Garantie. Das Modell ignoriert den Sammeldruck, die Geschichte jedes Grundstücks und die Vitalität des Myzels.
• Unvollkommene Beobachtungen. Naturkundliche Daten spiegeln auch die Aktivität der Beobachter wider (Wochenenden, mykologische Exkursionen).
• Was die Wissenschaft noch nicht weiß. Kein veröffentlichter Schwellenwert der Bodenfeuchte oder -temperatur löst das Wachstum aus; wenig erforschte Arten (Trompetenpfifferling, Violetter Rötelritterling, Reizker) werden vor allem anhand der Beobachtungen eingestellt.
• Noch nicht berücksichtigt. Der Einfluss der Bedingungen des Vorjahres, das Alter der Bestände und die Forstbewirtschaftung (Durchforstungen zum Beispiel verändern die Produktion). Der oft genannte „Kälteschock“ nach dem Regen wurde getestet: Er verbessert die Vorhersagen an den französischen Beobachtungen nicht.
• Auflösung der Daten. Die Baumarten sind nur auf etwa 1,4 km genau bekannt, die Böden auf einige hundert Meter, das Wetter auf ~20 km: Ein kleiner einzelner Wald oder eine Hecke können fehlen, und die Grenze einer ausschließenden Zone ist nie pixelgenau.
• Deutschland. Jenseits von etwa 9,9° E und 52,3° N (der größte Teil Bayerns, Brandenburg, Sachsen, Thüringen und der Norden) sind die Wirtsbaumarten unbekannt: Es wird ein neutrales Profil verwendet. Die Böden stammen von OpenLandMap. Die Waldkarte wird wie in Belgien aus Satellitenbildern abgeleitet.
• Belgien, Schweiz und Luxemburg. Die Waldkarte wird dort aus Satellitenbildern abgeleitet (ESA WorldCover, an der französischen BD Forêt kalibriert), die Böden stammen von OpenLandMap, und die Baumarten des äußersten Ostens Graubündens werden von der benachbarten abgedeckten Gemeinde übernommen. Im Gebirge wird das Wetter um die Höhe des Punktes korrigiert, nicht aber um Talwirkungen (Temperaturinversionen, Schatten).
• Österreich. Der Baumartenatlas deckt nur den äußersten Westen ab: Anderswo werden die Baumarten nach Höhe und Region geschätzt. Die Böden stammen von OpenLandMap. Die Höhe einer alpinen Gemeinde ist die ihrer Wälder, nicht die ihrer Gletscher.
• Tschechien. Der JRC-Atlas und SoilGrids waren nicht verwendbar: Die Baumarten stammen aus den Artenkarten von OpenGeoHub (Traubeneiche der Stieleiche gleichgesetzt, Birke und Flaumeiche ignoriert) und die Böden aus OpenLandMap. Die Waldkarte wird wie in Belgien aus Satellitenbildern abgeleitet.
• Italien. Die Baumarten (JRC-Atlas) sind nur für den Norden und Westen des Landes verfügbar: Anderswo übernimmt jede Gemeinde die der nächstgelegenen abgedeckten Gemeinde in vergleichbarer Höhe (grobe Näherung, besonders im Süden und auf Sizilien); die Böden stammen von OpenLandMap. Die Kalibrierung der Saison stammt aus Frankreich; das mediterrane Klima (trockener Sommer, im Süden verschobenes Herbstwachstum) wird nicht fein abgebildet.
• Spanien. Die Baumarten stammen aus den Karten von Bonannella et al. (2022) und nicht aus dem JRC-Atlas (bei der Erstellung nicht erreichbar): Traubeneiche, Flaumeiche und Birke fehlen dort, die Strandkiefer wird durch Aleppo-Kiefer und Pinie ersetzt, und Steineichen und Korkeichen (Wirte zahlreicher mediterraner Steinpilze) werden nicht berücksichtigt. Die Waldkarte wird aus an der französischen BD Forêt kalibrierten Satellitenbildern abgeleitet, daher weniger verlässlich für Matorrals und Dehesas; die Böden stammen von OpenLandMap.
• Vereinigtes Königreich und Irland. Der JRC-Atlas und SoilGrids waren nicht verwendbar: Die Baumarten stammen aus den Artenkarten von OpenGeoHub (Birke, Trauben- und Flaumeiche ignoriert, Sitka-Fichte und Lärche nicht dargestellt) und die Böden aus OpenLandMap; drei britische Distrikte haben keinen kartierten Boden (Durchschnittswerte). Die Einheiten sind groß (Distrikte, Wahlbezirke): Die Karte ist gröber als anderswo, besonders in den Highlands. Die Waldkarte wird wie in Belgien aus Satellitenbildern abgeleitet.
• Vorhersagen. Die kommenden Tage beruhen auf einer Wettervorhersage, deren Zuverlässigkeit mit der Vorlaufzeit abnimmt, besonders beim Regen.
• Morcheln. Ihre Wirtsbaumarten (Esche, Ulme, Pappel, Obstbäume) und die Brandflächen sind nicht kartiert: Ihr Lebensraumwert ist weniger verlässlich.

7Verwendete Daten

Alle Quelldaten sind offen. Die von den Herstellern verlangten Namensnennungen erscheinen beim Überfahren des „?“; die vollständigen Lizenzen sind über die Links einsehbar. Sporalo wandelt sie um (Aggregation, Interpolation, Verknüpfung): Die Werte sind ein abgeleitetes Werk und nicht die Originaldaten.

8Wissenschaftliche Literatur

Begutachtete Veröffentlichungen, auf denen die Wahl der Faktoren, ihrer Verzögerungen und der Saisonfenster beruht.

Was das Wachstum auslöst: Temperatur und Regen

1. Kauserud H. et al. (2008). PNAS 105(10):3811-3814 — Mushroom fruiting and climate change. doi.org/10.1073/pnas.070903710534 500 norwegische Erhebungen: Regen und Temperatur im Spätsommer bestimmen den Beginn des Herbstwachstums.
2. Kauserud H. et al. (2010). Proc. R. Soc. B 277:1169-1177 — Climate change and spring-fruiting fungi. doi.org/10.1098/rspb.2009.1537Frühjahrspilze: Die Erwärmung verschiebt ihren Fruchtungstermin nach vorn.
3. Kauserud H. et al. (2012). PNAS 109(36):14488-14493 — Warming-induced shift in European mushroom fruiting phenology. doi.org/10.1073/pnas.1200789109Europäische Ebene: unterschiedliche Reaktionen von Mykorrhiza- und Saprobionten-Pilzen.
4. Gange A.C. et al. (2007). Science 316:71 — Rapid and recent changes in fungal fruiting patterns. doi.org/10.1126/science.1137489England: Die Fruchtungszeit hat sich in einem halben Jahrhundert der Erwärmung deutlich verlängert.
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.2007.01.007Morcheln: räumliche und zeitliche Fruchtungsmuster in Abhängigkeit von Temperatur und Regen.
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.2531-7342/16464Steinpilze im Tannenwald: Produktion, beobachtet in den 21 Tagen nach einem Starkregen oder einer Hitzespitze.
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-WVU1Eichenwälder der Toskana: Der Regen der 30 vorangegangenen Tage erklärt die Zahl der Fruchtkörper.

Bodenfeuchte und Trockenheit

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.2017.10.024Die Bodenfeuchte ist der beste Prädiktor für die Pilzproduktion in Katalonien.
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.2020.108015Mediterrane Kiefernwälder: Produktivität des Waldes und Klima steuern die Pilzproduktion.
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.12960Mediterranes Klima: Ein höherer Verdunstungsbedarf könnte die Pilzproduktion verringern.
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.2016.03.015Langzeitbeobachtung: Die Klimaabhängigkeit der Produktion unterscheidet sich stark von Art zu Art.
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.2015.03.008Spanien: Die Dürre verschiebt die Saison und verringert Produktion und Vielfalt der Pilze.
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/10.1890/110064Schweizer Langzeitreihen: Klima und Pilzproduktivität.

Phänologie, Breitengrad und Höhe

1. Andrew C. et al. (2018). Ecology 99(6):1306-1315 — Explaining European fungal fruiting phenology with climate variability. doi.org/10.1002/ecy.2237Europa: Der Wachstumstermin schwankt um ca. 25 Tage mit dem Breitengrad und bis zu 30 Tage mit der Höhe; die Temperatur ist der wichtigste Treiber.
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.14275Großräumig: Die Temperatur beeinflusst Zeitpunkt und Dauer der Fruchtung.
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.004977730-jährige Beobachtung in Japan: Der Wachstumstermin hängt von der Lebensweise ab (Mykorrhiza oder Zersetzer).
4. Boddy L. et al. (2014). Fungal Ecology 10:20-33 — Climate variation effects on fungal fruiting. doi.org/10.1016/j.funeco.2013.10.006Übersichtsarbeit: Auswirkungen der Klimavariabilität auf die Fruchtung.

Vorhersagemodelle und produktive Wälder

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/X09-198Zentrale Pyrenäen: Produktionsmodelle in Abhängigkeit von Klima und Bestand.
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.2012.06.034Waldkiefernwälder: Produktionsmodelle, darunter Steinpilze (Boletus edulis) und Echte Reizker.
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.2017.01.025Steinpilze: Auswirkungen der Waldbewirtschaftung und des Klimas auf das Myzel und die Produktion.
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.2019.06.471Europäische Waldbiome: Produktionstrends in Abhängigkeit von Baumwachstum und Klima.
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.2015.11.040Fichtenwälder in Ostfinnland: Ertragsmodelle für vermarktete Pilze.
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.2024.102557Auswirkungen des Klimawandels auf die Produktion essbarer Pilze im mediterranen Wald.
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/104.1.9Pfifferlinge: Wirkung von Durchforstungen junger Bestände auf die Produktion.

Artenporträts (Lebensraum, Wirtsbäume, Böden)

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.pdfÖkologie und Bewirtschaftung der Pfifferlinge.
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/26906Ökologie und Bewirtschaftung der Morcheln.
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/microorganisms13092196Steinpilze: Saisonalität der Bodenmikroflora und Einfluss auf die Fruchtung.
4. Xu et al. (2026). IMA Fungus 17:e172544 — Multi-gene phylogeny and taxonomy of Hydnum. doi.org/10.3897/imafungus.17.172544Taxonomie der Hydnum (Semmelstoppelpilze).
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-xTrompetenpfifferling: Nutzung und Beliebtheit der Art in Skandinavien.