Comment Sporalo calcule ses scores

1La pousse météo

Pour chaque commune et chaque jour, le moteur évalue quatre facteurs entre 0 (défavorable) et 1 (idéal), puis les multiplie.

Une multiplication plutôt qu'une addition : un seul facteur défavorable suffit à faire chuter le score. Une canicule sur un sol détrempé, ou une température idéale après trois semaines sans pluie, donnent un score bas, comme sur le terrain. C'est le principe du facteur limitant.

Température favorable par espèce

Chaque courbe montre l'effet de la température de la semaine, de nul (en bas) à idéal (en haut), et la saison en plaine.

2L'habitat

Une météo idéale ne sert à rien sans les bons arbres. La plupart des champignons de Sporalo sont mycorhiziens : ils vivent associés aux racines de certaines essences et ne poussent pas sans elles. L'habitat suit donc la même logique que la météo : les facteurs se multiplient, et un facteur bloquant fait chuter le score, quels que soient les autres.

Sur la carte, l'habitat est calculé pixel par pixel (environ 800 m), à partir de la forêt, des sols et de l'occupation du sol à l'endroit même ; la météo, elle, est celle de la commune la plus proche (voir « Le calcul quotidien »). Une lisière de bois dans un paysage de champs apparaît donc sur la carte, alors que la météo varie plus doucement.

Vérification sur les lieux d'observation publiés (GBIF) : pour les espèces forestières, les zones jugées bloquantes couvrent un tiers à plus de la moitié des communes mais ne contiennent que 3 à 17 % des observations. L'habitat sépare donc bien « forêt » et « hors forêt ». En revanche, la composition fine (essences, pH, exposition) n'améliore guère la distinction entre deux zones boisées, faute de données assez précises (les essences ne sont connues qu'à 1,4 km près).

3Le score publié

Le score garde normalement une part du potentiel météo (le « plancher », de l'ordre d'un tiers), car les données d'habitat restent imparfaites : bosquets, haies et lisières ne sont pas toujours cartographiés. Quand l'habitat est bloquant, ce plancher s'efface progressivement et le score devient très bas. Le même calcul est fait dans la fiche d'un lieu et pour peindre la carte.

• 75 – 100 Très favorable : conditions réunies.
• 55 – 74 Favorable.
• 35 – 54 Possible : un ou deux facteurs limitants.
• 15 – 34 Peu probable.
• 0 – 14 Défavorable ou hors saison.

4Vérifié sur de vraies observations

Les réglages ont été calés sur les observations publiques de ces espèces en France (GBIF, 2010-2025), associées à la météo historique de chaque lieu (réanalyse ERA5). Le critère : un jour où l'espèce a été trouvée doit obtenir un meilleur score qu'un autre jour de la même saison, au même endroit. Les réglages sont ajustés sur les années paires et contrôlés sur les années impaires, jamais utilisées pendant l'ajustement.

Lecture : pour les cèpes, le jour où ils ont été trouvés obtient un meilleur score qu'un autre jour de la même saison au même endroit dans 76 % des cas. Le hasard donnerait 50 % ; l'ancienne version du calcul obtenait 65 % (sur les 5 espèces suivies alors). Les morilles reposent sur très peu d'observations : leur chiffre est fragile. Mise à jour : 4 novembre 2026.

Ce que ce test dit, et ne dit pas. Un score d'environ 70 % signifie une réelle capacité à repérer les bons jours, pas une prévision fiable à chaque sortie : dans environ trois comparaisons sur dix, un jour ordinaire est mieux noté qu'un jour où l'espèce a été trouvée. Le test utilise la météo observée (réanalyse ERA5), pas les prévisions : au-delà de deux ou trois jours, l'incertitude de la prévision météo s'ajoute. Enfin, les observations GBIF viennent surtout de naturalistes et de promeneurs : elles montrent où l'on cherche autant que où l'on trouve.

Vérification de l'habitat. Séparément, l'habitat a été testé sur les lieux d'observation comparés à des communes tirées au hasard : le classement correct est obtenu dans 72 à 84 % des cas selon l'espèce (hors morilles, qu'aucune donnée disponible ne prédit bien). Comparés cette fois à des lieux où poussent d'autres espèces, c'est-à-dire d'autres forêts, le résultat tombe autour de 50 % pour la plupart : l'habitat dit « il y a une forêt », pas « c'est la bonne forêt ».

Belgique, Suisse et Luxembourg. Le même modèle y est appliqué, avec les mêmes réglages, calés sur la France. L'habitat a été vérifié sur les observations GBIF de chaque pays : le classement correct face à des lieux tirés au hasard y est obtenu dans 60 à 82 % des cas en Belgique, et seulement 53 à 65 % en Suisse, où le relief et des positions d'observation souvent arrondies rendent l'exercice plus difficile. Au Luxembourg, seules 363 observations existent : sur les trois espèces assez observées (cèpes, girolles, coulemelles), le classement correct face à des lieux tirés au hasard est obtenu dans 72 à 78 % des cas, mais les autres espèces n'ont pas assez d'observations pour être testées. La partie météo n'y a pas encore été vérifiée séparément.

Allemagne. Même modèle, mêmes réglages. Sur les observations GBIF allemandes (18 587), l'habitat classe correctement le lieu d'observation face à un lieu tiré au hasard dans 73 à 86 % des cas selon l'espèce (hors morilles, 49 %) ; face à des lieux où poussent d'autres espèces, le résultat est de 41 à 65 %. L'est et le nord du pays n'ont pas de carte des essences d'arbres et le pays entier n'a pas de carte des sols : l'habitat y repose sur la forêt, l'occupation du sol et l'exposition.

Autriche. Même modèle, mêmes réglages. Sur les observations GBIF autrichiennes, l'habitat classe correctement le lieu d'observation face à un lieu tiré au hasard dans 63 à 72 % des cas (morilles exceptées). La partie météo n'y a pas encore été vérifiée séparément.

Tchéquie. Même modèle, mêmes réglages. Sur les observations GBIF tchèques (1 382 observations, sept espèces assez observées) : l'habitat classe correctement le lieu d'observation face à un lieu tiré au hasard dans 77 à 86 % des cas, sauf pour les morilles (57 %), mais seulement 43 à 61 % face à des lieux où d'autres espèces ont été vues. La partie météo n'y a pas encore été vérifiée séparément.

Italie. Même modèle, mêmes réglages calés sur la France. La saison n'y est pas toujours juste : en climat méditerranéen, la pousse des cèpes et des girolles ne s'arrête pas en été en montagne, et celle des lactaires et des coulemelles glisse vers la fin de l'automne et l'hiver au sud. La partie météo n'y a pas encore été vérifiée séparément . Sur les observations GBIF italiennes, l'habitat classe correctement le lieu d'observation face à un lieu tiré au hasard dans 70 à 83 % des cas selon l'espèce (morilles : 55 %) ; les pieds bleus, trop peu observés, ne sont pas testés.

Royaume-Uni. Une seule carte pour le Royaume-Uni et l'Irlande. Même modèle, mêmes réglages calés sur la France ; au Royaume-Uni, les « communes » sont les 361 districts (conseils d'Écosse très étendus compris), regroupés en 12 régions. Sur les observations GBIF britanniques (19 914 observations), l'habitat classe correctement le lieu d'observation face à un lieu tiré au hasard dans 65 à 80 % des cas (morilles : 56 %, pieds bleus : 62 %), mais seulement 40 à 64 % face à des lieux où d'autres espèces ont été vues. La saison, calée sur la France, est proche des observations (girolles et pieds bleus environ deux semaines plus tard). La partie météo n'y a pas encore été vérifiée séparément.

Irlande. Sur la même carte, avec 166 aires électorales locales regroupées en 26 comtés (mêmes réglages). Les observations GBIF irlandaises sont rares (202) : seules quatre espèces sont testables ; l'habitat classe correctement le lieu d'observation face à un lieu tiré au hasard dans 85 à 89 % des cas pour les girolles, les pieds-de-mouton et les lactaires (pieds bleus : 54 %), et 57 à 65 % face à des lieux où d'autres espèces ont été vues. La partie météo n'y a pas encore été vérifiée séparément.

Espagne. Même modèle, mêmes réglages calés sur la France, appliqué à la péninsule et aux Baléares (les Canaries, Ceuta et Melilla ne sont pas couvertes : autre climat, autre météo). Sur les observations GBIF espagnoles, l'habitat classe correctement le lieu d'une observation face à un lieu tiré au hasard dans 78 à 89 % des cas pour sept espèces sur neuf (65 % pour les pieds bleus, 58 % pour les morilles), et la partie météo, testée sur un échantillon, donne 70 à 90 % selon l'espèce. Un écart connu : la saison calée sur la France est trop précoce pour le climat méditerranéen et atlantique de l'Espagne. Le lactaire délicieux (níscalo) y est surtout observé de fin octobre à novembre, et les pieds-de-mouton, trompettes, pieds bleus et chanterelles en tube de novembre à décembre, soit après la pleine saison du modèle : leurs scores y sont sous-estimés en fin d'automne.

5Le calcul quotidien

Chaque matin, Sporalo récupère auprès d'Open-Meteo 14 jours d'historique et 8 jours de prévision pour chaque point. Chaque commune mélange la météo des quatre points les plus proches (les plus proches pèsent plus), corrigée de sa propre altitude : cela évite les « carrés » que produirait un point unique.

Une carte plus fine que la météo. La météo n'est connue que tous les ~20 km, mais la carte est dessinée au pixel (environ 800 m). Chaque pixel prend la pousse de la commune la plus proche et la multiplie par l'habitat du pixel : les bois, les villes et les champs ressortent donc nettement, alors que la météo, elle, varie lentement. La fiche d'un lieu indique la commune utilisée et les coordonnées exactes du point cliqué ; classements et pages de communes utilisent le score de la commune entière.

6Limites

• Pas une garantie. Le modèle ignore la pression de cueillette, l'histoire de chaque parcelle et la vigueur du mycélium.
• Observations imparfaites. Les données naturalistes reflètent aussi l'activité des observateurs (week-ends, sorties mycologiques).
• Ce que la science ignore encore. Aucun seuil publié d'humidité ou de température du sol ne déclenche la pousse ; les espèces peu étudiées (chanterelle en tube, pied bleu, lactaires) sont réglées surtout à partir des observations.
• Pas encore pris en compte. L'effet des conditions de l'année précédente, l'âge des peuplements et la gestion forestière (les éclaircies, par exemple, modifient la production). Le « coup de froid » après la pluie, souvent cité, a été testé : il n'améliore pas les prévisions sur les observations françaises.
• Résolution des données. Les essences d'arbres ne sont connues qu'à environ 1,4 km, les sols à quelques centaines de mètres, la météo à ~20 km : un petit bois isolé ou une haie peuvent manquer, et la limite d'une zone bloquante n'est jamais exacte au pixel près.
• Allemagne. Au-delà d'environ 9,9° E et 52,3° N (la majeure partie de la Bavière, le Brandebourg, la Saxe, la Thuringe et le nord), les essences d'arbres hôtes sont inconnues : un profil neutre est utilisé. Les sols ne sont pas pris en compte (pH et texture neutres). La carte des forêts est déduite des images satellites comme en Belgique.
• Belgique, Suisse et Luxembourg. La carte des forêts y est déduite des images satellites (ESA WorldCover, recalée sur la BD Forêt française) ; les sols manquent au nord de la Belgique et dans l'est des Grisons (valeurs moyennes utilisées), et les essences de l'extrême est des Grisons sont reprises de la commune voisine couverte. En montagne, la météo d'un point est corrigée de l'altitude de la commune, mais pas des effets de vallée.
• Autriche. L'atlas des essences et les cartes de sols ne couvrent que l'extrême ouest : ailleurs, les essences sont estimées d'après l'altitude et la région, et le sol est traité comme neutre. L'altitude d'une commune alpine est celle de ses forêts, non celle de ses glaciers.
• Tchéquie. L'atlas JRC et SoilGrids n'étaient pas utilisables : les essences viennent des cartes d'espèces d'OpenGeoHub (chêne sessile assimilé au chêne pédonculé, bouleau et chêne pubescent ignorés) et les sols d'OpenLandMap. La carte des forêts est déduite des images satellites comme en Belgique.
• Italie. Les essences d'arbres (atlas JRC) ne sont disponibles que pour le nord et l'ouest du pays : ailleurs, chaque commune reprend celles de la commune couverte la plus proche à altitude comparable (approximation grossière, surtout dans le sud et en Sicile) ; les sols ne sont connus que dans le nord-ouest (valeurs moyennes utilisées ailleurs). Le calage de la saison vient de la France ; le climat méditerranéen (été sec, pousse d'automne décalée au sud) n'est pas reproduit finement.
• Espagne. Les essences viennent des cartes de Bonannella et al. (2022) et non de l'atlas JRC (injoignable lors de la génération) : chêne sessile, chêne pubescent et bouleau y sont absents, le pin maritime est remplacé par le pin d'Alep et le pin pignon, et les chênes verts et chênes-lièges (hôtes de nombreux cèpes méditerranéens) ne sont pas pris en compte. La carte des forêts est déduite des images satellites recalées sur la BD Forêt française, donc moins fiable pour les matorrals et les dehesas ; les sols ne sont cartographiés que dans le nord-est du pays (valeurs moyennes ailleurs).
• Royaume-Uni et Irlande. L'atlas JRC et SoilGrids n'étaient pas utilisables : les essences viennent des cartes d'espèces d'OpenGeoHub (bouleau, chêne sessile et pubescent ignorés, épicéa de Sitka et mélèze non représentés) et les sols d'OpenLandMap ; trois districts britanniques n'ont pas de sol cartographié (valeurs moyennes). Les unités sont grandes (districts, aires électorales) : la carte est plus grossière qu'ailleurs, surtout dans les Highlands. La carte des forêts est déduite des images satellites comme en Belgique.
• Prévisions. Les jours à venir reposent sur une prévision météo dont la fiabilité baisse avec l'échéance, surtout pour la pluie.
• Morilles. Leurs essences hôtes (frêne, orme, peuplier, fruitiers) et les zones brûlées ne sont pas cartographiées : leur score d'habitat est moins fiable.

7Données utilisées

Toutes les données sources sont ouvertes. Les mentions d'attribution demandées par les producteurs s'affichent au survol du « ? » ; les licences complètes sont consultables en suivant les liens. Sporalo les transforme (agrégation, interpolation, croisement) : les scores sont une œuvre dérivée et ne sont pas les données d'origine.

8Bibliographie scientifique

Publications à comité de lecture sur lesquelles reposent le choix des facteurs, leurs délais et les fenêtres de saison.

Ce qui déclenche les pousses : température et pluie

1. Kauserud H. et al. (2008). PNAS 105(10):3811-3814 — Mushroom fruiting and climate change. doi.org/10.1073/pnas.070903710534 500 relevés norvégiens : pluie et température de fin d'été pilotent la date des pousses d'automne.
2. Kauserud H. et al. (2010). Proc. R. Soc. B 277:1169-1177 — Climate change and spring-fruiting fungi. doi.org/10.1098/rspb.2009.1537Champignons de printemps : le réchauffement avance leur date de fructification.
3. Kauserud H. et al. (2012). PNAS 109(36):14488-14493 — Warming-induced shift in European mushroom fruiting phenology. doi.org/10.1073/pnas.1200789109Échelle européenne : réponses différentes des champignons mycorhiziens et saprotrophes.
4. Gange A.C. et al. (2007). Science 316:71 — Rapid and recent changes in fungal fruiting patterns. doi.org/10.1126/science.1137489Angleterre : la saison de fructification s'est fortement allongée en un demi-siècle de réchauffement.
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.2007.01.007Morilles : schémas spatiaux et temporels de fructification, en lien avec la température et la pluie.
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.2531-7342/16464Cèpes en sapinière : production suivie sur les 21 jours après un épisode de pluie intense ou un pic de chaleur.
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-WVU1Chênaies de Toscane : la pluie des 30 jours précédents explique le nombre de carpophores.

Humidité du sol et sécheresse

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.2017.10.024L'humidité du sol est le meilleur prédicteur de la production de champignons en Catalogne.
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.2020.108015Pinèdes méditerranéennes : la productivité de la forêt et le climat contrôlent la production de champignons.
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.12960Climat méditerranéen : une demande d'évapotranspiration plus forte pourrait réduire la production de champignons.
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.2016.03.015Suivi sur le long terme : le contrôle climatique de la production varie fortement d'une espèce à l'autre.
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.2015.03.008Espagne : la sécheresse décale la saison et réduit la production et la diversité des champignons.
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/10.1890/110064Séries suisses de longue durée : climat et productivité des champignons.

Phénologie, latitude et altitude

1. Andrew C. et al. (2018). Ecology 99(6):1306-1315 — Explaining European fungal fruiting phenology with climate variability. doi.org/10.1002/ecy.2237Europe : la date de pousse varie de ~25 jours avec la latitude et jusqu'à 30 jours avec l'altitude ; la température est le principal moteur.
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.14275Grande échelle : la température influence la date et la durée de la fructification.
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.0049777Suivi sur 30 ans au Japon : la date de pousse dépend du mode de vie (mycorhizien ou décomposeur).
4. Boddy L. et al. (2014). Fungal Ecology 10:20-33 — Climate variation effects on fungal fruiting. doi.org/10.1016/j.funeco.2013.10.006Revue : effets de la variabilité du climat sur la fructification.

Modèles de prévision et forêts productives

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/X09-198Pyrénées centrales : modèles de production selon le climat et le peuplement.
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.2012.06.034Pinèdes de pin sylvestre : modèles de production, dont cèpes (Boletus edulis) et lactaires délicieux.
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.2017.01.025Cèpes : effets de la gestion forestière et du climat sur le mycélium et la production.
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.2019.06.471Biomes forestiers européens : tendances de production liées à la croissance des arbres et au climat.
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.2015.11.040Pessières de Finlande orientale : modèles de rendement des champignons commercialisés.
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.2024.102557Impact du changement climatique sur la production de champignons comestibles en forêt méditerranéenne.
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/104.1.9Girolles : effet des éclaircies de jeunes peuplements sur la production.

Fiches espèces (habitat, hôtes, sols)

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.pdfÉcologie et gestion des girolles.
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/26906Écologie et gestion des morilles.
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/microorganisms13092196Cèpes : saisonnalité de la microflore du sol et influence sur la fructification.
4. Xu et al. (2026). IMA Fungus 17:e172544 — Multi-gene phylogeny and taxonomy of Hydnum. doi.org/10.3897/imafungus.17.172544Taxonomie des Hydnum (pieds-de-mouton).
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-xChanterelle en tube : usages et popularité de l'espèce en Scandinavie.