Cómo calcula Sporalo sus puntuaciones

1El crecimiento según el tiempo

Para cada municipio y cada día, el motor evalúa cuatro factores entre 0 (desfavorable) y 1 (ideal) y luego los multiplica.

Una multiplicación en lugar de una suma: basta un solo factor desfavorable para que la puntuación se hunda. Una ola de calor sobre un suelo empapado, o una temperatura ideal tras tres semanas sin lluvia, dan una puntuación baja, como sobre el terreno. Es el principio del factor limitante.

Temperatura favorable por especie

Cada curva muestra el efecto de la temperatura de la semana, de nulo (abajo) a ideal (arriba), y la temporada en llanura.

2El hábitat

Un tiempo ideal no sirve de nada sin los árboles adecuados. La mayoría de los hongos de Sporalo son micorrícicos: viven asociados a las raíces de ciertas especies de árboles y no crecen sin ellas. El hábitat sigue, por tanto, la misma lógica que el tiempo: los factores se multiplican, y un factor bloqueante hace que la puntuación se hunda, sean cuales sean los demás.

En el mapa, el hábitat se calcula píxel por píxel (unos 800 m), a partir del bosque, de los suelos y de la ocupación del suelo en el propio lugar; el tiempo, en cambio, es el del municipio más cercano, referido a la altitud del píxel (véase «El cálculo diario»). Un linde de bosque en un paisaje de campos aparece, por tanto, en el mapa, mientras que el tiempo varía más suavemente.

Verificación con los lugares de observación publicados (GBIF): para las especies forestales, las zonas consideradas bloqueantes cubren de un tercio a más de la mitad de los municipios, pero solo contienen del 3 al 17 % de las observaciones. El hábitat separa, por tanto, bien «bosque» y «fuera de bosque». En cambio, la composición fina (especies de árboles, pH, orientación) apenas mejora la distinción entre dos zonas boscosas, por falta de datos lo bastante precisos (las especies de árboles solo se conocen con 1,4 km de precisión).

3La puntuación publicada

La puntuación conserva normalmente una parte del potencial meteorológico (el «suelo mínimo», del orden de un tercio), porque los datos de hábitat siguen siendo imperfectos: los bosquetes, los setos y los lindes no siempre están cartografiados. Cuando el hábitat es bloqueante, este suelo mínimo se desvanece progresivamente y la puntuación pasa a ser muy baja. El mismo cálculo se hace en la ficha de un lugar y para pintar el mapa.

• 75 – 100 Muy favorable: condiciones reunidas.
• 55 – 74 Favorable.
• 35 – 54 Posible: uno o dos factores limitantes.
• 15 – 34 Poco probable.
• 0 – 14 Desfavorable o fuera de temporada.

4Verificado con observaciones reales

Los ajustes se han calibrado con las observaciones públicas de estas especies en Francia (GBIF, 2010-2025), asociadas al tiempo histórico de cada lugar (reanálisis ERA5). El criterio: un día en que se encontró la especie debe obtener una puntuación mejor que otro día de la misma temporada en el mismo lugar. Los ajustes se calibran con los años pares y se controlan con los años impares, que nunca se utilizaron durante el ajuste.

Lectura: para los boletos, el día en que se encontraron obtiene una puntuación mejor que otro día de la misma temporada en el mismo lugar en el 76 % de los casos. El azar daría un 50 %; la versión anterior del cálculo obtenía un 65 % (sobre las 5 especies que se seguían entonces). Las colmenillas se basan en muy pocas observaciones: su cifra es frágil. Actualización: 4 novembre 2026.

Lo que esta prueba dice y lo que no dice. Una puntuación de en torno al 70 % significa una capacidad real para detectar los buenos días, no una previsión fiable en cada salida: en aproximadamente tres de cada diez comparaciones, un día ordinario obtiene mejor puntuación que un día en que se encontró la especie. La prueba utiliza el tiempo observado (reanálisis ERA5), no las previsiones: a partir de dos o tres días, se suma la incertidumbre de la previsión meteorológica. Por último, las observaciones de GBIF proceden sobre todo de naturalistas y paseantes: muestran dónde se busca tanto como dónde se encuentra.

Verificación del hábitat. Por separado, el hábitat se ha probado con los lugares de observación comparados con municipios elegidos al azar: se obtiene la clasificación correcta en el 72 al 84 % de los casos según la especie (salvo las colmenillas, que ningún dato disponible predice bien). Comparados esta vez con lugares donde crecen otras especies, es decir, otros bosques, el resultado baja a en torno al 50 % para la mayoría: el hábitat dice «hay un bosque», no «es el bosque adecuado».

Bélgica, Suiza y Luxemburgo. Se aplica el mismo modelo, con los mismos ajustes, calibrados con Francia. El hábitat se ha verificado con las observaciones de GBIF de cada país: la clasificación correcta frente a lugares elegidos al azar se obtiene en el 60 al 82 % de los casos en Bélgica, y solo en el 53 al 65 % en Suiza, donde el relieve y unas posiciones de observación a menudo redondeadas hacen el ejercicio más difícil. En Luxemburgo solo existen 363 observaciones: en las tres especies suficientemente observadas (boletos, rebozuelos, parasoles), la clasificación correcta frente a lugares elegidos al azar se obtiene en el 72 al 78 % de los casos, pero las demás especies no tienen suficientes observaciones para ser probadas. La parte meteorológica aún no se ha verificado por separado.

Alemania. Mismo modelo, mismos ajustes. Con las observaciones de GBIF alemanas (18 587), el hábitat clasifica correctamente el lugar de observación frente a un lugar elegido al azar en el 73 al 86 % de los casos según la especie (salvo colmenillas, 49 %); frente a lugares donde crecen otras especies, el resultado es del 41 al 65 %. El este y el norte del país no tienen mapa de especies de árboles: el hábitat se basa allí en el bosque, la ocupación del suelo, los suelos (OpenLandMap) y la orientación.

Austria. Mismo modelo, mismos ajustes. Con las observaciones de GBIF austriacas, el hábitat clasifica correctamente el lugar de observación frente a un lugar elegido al azar en el 63 al 72 % de los casos (salvo colmenillas). La parte meteorológica aún no se ha verificado por separado.

Chequia. Mismo modelo, mismos ajustes. Con las observaciones de GBIF checas (1 382 observaciones, siete especies suficientemente observadas): el hábitat clasifica correctamente el lugar de observación frente a un lugar elegido al azar en el 77 al 86 % de los casos, salvo para las colmenillas (57 %), pero solo en el 43 al 61 % frente a lugares donde se han visto otras especies. La parte meteorológica aún no se ha verificado por separado.

Italia. Mismo modelo, mismos ajustes calibrados con Francia. La temporada no siempre es acertada allí: en clima mediterráneo, el crecimiento de boletos y rebozuelos no se detiene en verano en montaña, y el de los níscalos y parasoles se desplaza hacia finales de otoño e invierno en el sur. La parte meteorológica aún no se ha verificado por separado. Con las observaciones de GBIF italianas, el hábitat clasifica correctamente el lugar de observación frente a un lugar elegido al azar en el 70 al 83 % de los casos según la especie (colmenillas: 55 %); los pies azules, demasiado poco observados, no se han probado.

Reino Unido. Un único mapa para el Reino Unido y Irlanda. Mismo modelo, mismos ajustes calibrados con Francia; en el Reino Unido, los «municipios» son los 361 distritos (incluidos los consejos de Escocia, muy extensos), agrupados en 12 regiones. Con las observaciones de GBIF británicas (19 914 observaciones), el hábitat clasifica correctamente el lugar de observación frente a un lugar elegido al azar en el 65 al 80 % de los casos (colmenillas: 56 %, pies azules: 62 %), pero solo en el 40 al 64 % frente a lugares donde se han visto otras especies. La temporada, calibrada con Francia, se aproxima a las observaciones (rebozuelos y pies azules unas dos semanas más tarde). La parte meteorológica aún no se ha verificado por separado.

Irlanda. En el mismo mapa, con 166 áreas electorales locales agrupadas en 26 condados (mismos ajustes). Las observaciones de GBIF irlandesas son escasas (202): solo cuatro especies se pueden probar; el hábitat clasifica correctamente el lugar de observación frente a un lugar elegido al azar en el 85 al 89 % de los casos para rebozuelos, gamuzas y níscalos (pies azules: 54 %), y en el 57 al 65 % frente a lugares donde se han visto otras especies. La parte meteorológica aún no se ha verificado por separado.

España. Mismo modelo, mismos ajustes calibrados con Francia, aplicado a la península y a las Baleares (Canarias, Ceuta y Melilla no están cubiertas: otro clima, otro tiempo). Con las observaciones de GBIF españolas, el hábitat clasifica correctamente el lugar de una observación frente a un lugar elegido al azar en el 78 al 89 % de los casos para siete especies de nueve (65 % para los pies azules, 58 % para las colmenillas), y la parte meteorológica, probada con una muestra, da del 70 al 90 % según la especie. Una discrepancia conocida: la temporada calibrada con Francia es demasiado temprana para el clima mediterráneo y atlántico de España. El níscalo se observa allí sobre todo de finales de octubre a noviembre, y las gamuzas, trompetas de la muerte, pies azules y rebozuelos tubulares de noviembre a diciembre, es decir, después de la plena temporada del modelo: sus puntuaciones están allí subestimadas a finales de otoño.

5El cálculo diario

Cada mañana, Sporalo obtiene de Open-Meteo 14 días de historial y 8 días de previsión para cada punto. Cada municipio mezcla el tiempo de los cuatro puntos más cercanos (los más cercanos pesan más), corregido con su propia altitud: así se evitan los «cuadrados» que produciría un único punto.

Un mapa más fino que el tiempo. El tiempo solo se conoce cada ~20 km, pero el mapa se dibuja por píxeles (unos 800 m). Cada píxel toma el crecimiento del municipio más cercano, referido a la altitud real del píxel (el crecimiento también se calcula cada mañana 400 y 800 m más arriba y más abajo, y luego se interpola), y lo multiplica por el hábitat del píxel: los bosques, las ciudades, los campos y los fondos de valle destacan, por tanto, con nitidez, mientras que el tiempo varía lentamente. Sin esta corrección, dos puntos vecinos a ambos lados de un límite municipal, en unas gargantas por ejemplo, tomarían la altitud de dos pueblos distintos. La ficha de un lugar indica el municipio utilizado y las coordenadas exactas del punto en el que se ha hecho clic; las clasificaciones y las páginas de municipios utilizan la puntuación del municipio entero.

6Límites

• No es una garantía. El modelo ignora la presión de recolección, la historia de cada parcela y el vigor del micelio.
• Observaciones imperfectas. Los datos naturalistas reflejan también la actividad de los observadores (fines de semana, salidas micológicas).
• Lo que la ciencia aún ignora. Ningún umbral publicado de humedad o de temperatura del suelo desencadena el crecimiento; las especies poco estudiadas (rebozuelo tubular, pie azul, níscalos) se ajustan sobre todo a partir de las observaciones.
• Aún no se tiene en cuenta. El efecto de las condiciones del año anterior, la edad de las masas forestales y la gestión forestal (los aclareos, por ejemplo, modifican la producción). El «golpe de frío» tras la lluvia, a menudo citado, se ha probado: no mejora las previsiones con las observaciones francesas.
• Resolución de los datos. Las especies de árboles solo se conocen con unos 1,4 km de precisión, los suelos con unos cientos de metros, el tiempo con ~20 km: un pequeño bosque aislado o un seto pueden faltar, y el límite de una zona bloqueante nunca es exacto al píxel.
• Alemania. Más allá de unos 9,9° E y 52,3° N (la mayor parte de Baviera, Brandeburgo, Sajonia, Turingia y el norte), las especies de árboles hospedantes son desconocidas: se utiliza un perfil neutro. Los suelos proceden de OpenLandMap. El mapa de bosques se deduce de las imágenes de satélite, como en Bélgica.
• Bélgica, Suiza y Luxemburgo. El mapa de bosques se deduce allí de las imágenes de satélite (ESA WorldCover, reajustado con la BD Forêt francesa), los suelos proceden de OpenLandMap, y las especies de árboles del extremo este de los Grisones se toman del municipio vecino cubierto. En montaña, el tiempo se corrige con la altitud del punto, pero no con los efectos de valle (inversiones de temperatura, sombra).
• Austria. El atlas de especies de árboles solo cubre el extremo oeste: en otros lugares, las especies se estiman según la altitud y la región. Los suelos proceden de OpenLandMap. La altitud de un municipio alpino es la de sus bosques, no la de sus glaciares.
• Chequia. El atlas del JRC y SoilGrids no eran utilizables: las especies de árboles proceden de los mapas de especies de OpenGeoHub (roble albar asimilado al roble pedunculado, abedul y roble pubescente ignorados) y los suelos de OpenLandMap. El mapa de bosques se deduce de las imágenes de satélite, como en Bélgica.
• Italia. Las especies de árboles (atlas del JRC) solo están disponibles para el norte y el oeste del país: en otros lugares, cada municipio toma las del municipio cubierto más cercano de altitud comparable (aproximación gruesa, sobre todo en el sur y en Sicilia); los suelos proceden de OpenLandMap. La calibración de la temporada procede de Francia; el clima mediterráneo (verano seco, crecimiento de otoño desplazado en el sur) no se reproduce con finura.
• España. Las especies de árboles proceden de los mapas de Bonannella et al. (2022) y no del atlas del JRC (inaccesible en el momento de la generación): el roble albar, el roble pubescente y el abedul están ausentes, el pino rodeno se sustituye por el pino carrasco y el pino piñonero, y las encinas y los alcornoques (hospedantes de numerosos boletos mediterráneos) no se tienen en cuenta. El mapa de bosques se deduce de las imágenes de satélite reajustadas con la BD Forêt francesa, por lo que es menos fiable para los matorrales y las dehesas; los suelos proceden de OpenLandMap.
• Reino Unido e Irlanda. El atlas del JRC y SoilGrids no eran utilizables: las especies de árboles proceden de los mapas de especies de OpenGeoHub (abedul, roble albar y roble pubescente ignorados, abeto de Sitka y alerce no representados) y los suelos de OpenLandMap; tres distritos británicos no tienen suelo cartografiado (valores medios). Las unidades son grandes (distritos, áreas electorales): el mapa es más grueso que en otros lugares, sobre todo en las Highlands. El mapa de bosques se deduce de las imágenes de satélite, como en Bélgica.
• Previsiones. Los días venideros se basan en una previsión meteorológica cuya fiabilidad baja con el plazo, sobre todo para la lluvia.
• Colmenillas. Sus especies de árboles hospedantes (fresno, olmo, chopo, frutales) y las zonas quemadas no están cartografiadas: su puntuación de hábitat es menos fiable.

7Datos utilizados

Todos los datos de origen son abiertos. Las menciones de atribución exigidas por los productores se muestran al pasar el cursor por el «?»; las licencias completas pueden consultarse siguiendo los enlaces. Sporalo los transforma (agregación, interpolación, cruce): las puntuaciones son una obra derivada y no son los datos de origen.

8Bibliografía científica

Publicaciones con revisión por pares en las que se basan la elección de los factores, sus plazos y las ventanas de temporada.

Lo que desencadena las salidas: temperatura y lluvia

1. Kauserud H. et al. (2008). PNAS 105(10):3811-3814 — Mushroom fruiting and climate change. doi.org/10.1073/pnas.070903710534 500 registros noruegos: la lluvia y la temperatura de finales de verano marcan la fecha de las salidas de otoño.
2. Kauserud H. et al. (2010). Proc. R. Soc. B 277:1169-1177 — Climate change and spring-fruiting fungi. doi.org/10.1098/rspb.2009.1537Hongos de primavera: el calentamiento adelanta su fecha de fructificación.
3. Kauserud H. et al. (2012). PNAS 109(36):14488-14493 — Warming-induced shift in European mushroom fruiting phenology. doi.org/10.1073/pnas.1200789109Escala europea: respuestas distintas de los hongos micorrícicos y saprótrofos.
4. Gange A.C. et al. (2007). Science 316:71 — Rapid and recent changes in fungal fruiting patterns. doi.org/10.1126/science.1137489Inglaterra: la temporada de fructificación se ha alargado mucho en medio siglo de calentamiento.
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.2007.01.007Colmenillas: patrones espaciales y temporales de fructificación, en relación con la temperatura y la lluvia.
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.2531-7342/16464Boletos en abetales: producción seguida durante los 21 días posteriores a un episodio de lluvia intensa o a un pico de calor.
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-WVU1Robledales de la Toscana: la lluvia de los 30 días anteriores explica el número de carpóforos.

Humedad del suelo y sequía

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.2017.10.024La humedad del suelo es el mejor predictor de la producción de hongos en Cataluña.
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.2020.108015Pinares mediterráneos: la productividad del bosque y el clima controlan la producción de hongos.
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.12960Clima mediterráneo: una mayor demanda de evapotranspiración podría reducir la producción de hongos.
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.2016.03.015Seguimiento a largo plazo: el control climático de la producción varía mucho de una especie a otra.
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.2015.03.008España: la sequía desplaza la temporada y reduce la producción y la diversidad de hongos.
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/10.1890/110064Series suizas de larga duración: clima y productividad de los hongos.

Fenología, latitud y altitud

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: la fecha de salida varía unos 25 días con la latitud y hasta 30 días con la altitud; la temperatura es el principal motor.
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.14275Gran escala: la temperatura influye en la fecha y la duración de la fructificación.
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.0049777Seguimiento durante 30 años en Japón: la fecha de salida depende del modo de vida (micorrícico o descomponedor).
4. Boddy L. et al. (2014). Fungal Ecology 10:20-33 — Climate variation effects on fungal fruiting. doi.org/10.1016/j.funeco.2013.10.006Revisión: efectos de la variabilidad del clima en la fructificación.

Modelos de previsión y bosques productivos

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/X09-198Pirineos centrales: modelos de producción según el clima y la masa forestal.
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.2012.06.034Pinares de pino silvestre: modelos de producción, incluidos boletos (Boletus edulis) y níscalos.
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.2017.01.025Boletos: efectos de la gestión forestal y del clima en el micelio y la producción.
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.2019.06.471Biomas forestales europeos: tendencias de producción ligadas al crecimiento de los árboles y al clima.
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.2015.11.040Abetales de Finlandia oriental: modelos de rendimiento de los hongos comercializados.
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.2024.102557Impacto del cambio climático en la producción de hongos comestibles en el bosque mediterráneo.
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/104.1.9Rebozuelos: efecto de los aclareos de masas jóvenes en la producción.

Fichas de especies (hábitat, hospedantes, suelos)

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.pdfEcología y gestión de los rebozuelos.
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/26906Ecología y gestión de las colmenillas.
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/microorganisms13092196Boletos: estacionalidad de la microflora del suelo e influencia en la fructificación.
4. Xu et al. (2026). IMA Fungus 17:e172544 — Multi-gene phylogeny and taxonomy of Hydnum. doi.org/10.3897/imafungus.17.172544Taxonomía de los Hydnum (gamuzas).
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-xRebozuelo tubular: usos y popularidad de la especie en Escandinavia.