Come Sporalo calcola i suoi punteggi

1La crescita meteo

Per ogni comune e ogni giorno, il motore valuta quattro fattori tra 0 (sfavorevole) e 1 (ideale), poi li moltiplica.

Una moltiplicazione piuttosto che un'addizione: basta un solo fattore sfavorevole per far crollare il punteggio. Un'ondata di caldo su un suolo inzuppato, o una temperatura ideale dopo tre settimane senza pioggia, danno un punteggio basso, come sul campo. È il principio del fattore limitante.

Temperatura favorevole per specie

Ogni curva mostra l'effetto della temperatura della settimana, da nullo (in basso) a ideale (in alto), e la stagione in pianura.

2L'habitat

Un meteo ideale non serve a nulla senza gli alberi giusti. La maggior parte dei funghi di Sporalo è micorrizica: vive associata alle radici di certe specie arboree e non cresce senza di esse. L'habitat segue quindi la stessa logica del meteo: i fattori si moltiplicano, e un fattore bloccante fa crollare il punteggio, qualunque siano gli altri.

Sulla mappa, l'habitat è calcolato pixel per pixel (circa 800 m), a partire da foresta, suoli e uso del suolo nel luogo stesso; il meteo, invece, è quello del comune più vicino, riportato all'altitudine del pixel (vedere «Il calcolo quotidiano»). Il margine di un bosco in un paesaggio di campi compare quindi sulla mappa, mentre il meteo varia più dolcemente.

Verifica sui luoghi di osservazione pubblicati (GBIF): per le specie forestali, le zone ritenute bloccanti coprono da un terzo a oltre la metà dei comuni ma contengono solo il 3-17 % delle osservazioni. L'habitat separa quindi bene «foresta» e «fuori foresta». Al contrario, la composizione fine (specie arboree, pH, esposizione) migliora poco la distinzione tra due zone boscate, per mancanza di dati abbastanza precisi (le specie arboree sono note solo con 1,4 km di approssimazione).

3Il punteggio pubblicato

Il punteggio conserva normalmente una parte del potenziale meteo (la «soglia minima», dell'ordine di un terzo), perché i dati di habitat restano imperfetti: boschetti, siepi e margini non sono sempre cartografati. Quando l'habitat è bloccante, questa soglia svanisce progressivamente e il punteggio diventa molto basso. Lo stesso calcolo è fatto nella scheda di un luogo e per colorare la mappa.

• 75 – 100 Molto favorevole: condizioni riunite.
• 55 – 74 Favorevole.
• 35 – 54 Possibile: uno o due fattori limitanti.
• 15 – 34 Poco probabile.
• 0 – 14 Sfavorevole o fuori stagione.

4Verificato su osservazioni reali

Le impostazioni sono state calibrate sulle osservazioni pubbliche di queste specie in Francia (GBIF, 2010-2025), associate al meteo storico di ogni luogo (rianalisi ERA5). Il criterio: un giorno in cui la specie è stata trovata deve ottenere un punteggio migliore di un altro giorno della stessa stagione, nello stesso posto. Le impostazioni sono regolate sugli anni pari e controllate sugli anni dispari, mai utilizzati durante la regolazione.

Lettura: per i porcini, il giorno in cui sono stati trovati ottiene un punteggio migliore di un altro giorno della stessa stagione nello stesso posto nel 76 % dei casi. Il caso darebbe il 50 %; la vecchia versione del calcolo otteneva il 65 % (sulle 5 specie seguite allora). Le spugnole si basano su pochissime osservazioni: il loro dato è fragile. Aggiornamento: 4 novembre 2026.

Cosa dice questo test, e cosa non dice. Un punteggio di circa il 70 % indica una reale capacità di individuare i giorni buoni, non una previsione affidabile a ogni uscita: in circa tre confronti su dieci, un giorno qualsiasi è valutato meglio di un giorno in cui la specie è stata trovata. Il test utilizza il meteo osservato (rianalisi ERA5), non le previsioni: oltre due o tre giorni si aggiunge l'incertezza della previsione meteo. Infine, le osservazioni GBIF provengono soprattutto da naturalisti ed escursionisti: mostrano dove si cerca tanto quanto dove si trova.

Verifica dell'habitat. Separatamente, l'habitat è stato testato sui luoghi di osservazione confrontati con comuni estratti a caso: la classificazione corretta è ottenuta nel 72-84 % dei casi a seconda della specie (escluse le spugnole, che nessun dato disponibile prevede bene). Confrontati questa volta con luoghi dove crescono altre specie, cioè altre foreste, il risultato scende intorno al 50 % per la maggior parte: l'habitat dice «c'è una foresta», non «è la foresta giusta».

Belgio, Svizzera e Lussemburgo. Vi è applicato lo stesso modello, con le stesse impostazioni, calibrate sulla Francia. L'habitat è stato verificato sulle osservazioni GBIF di ciascun paese: la classificazione corretta rispetto a luoghi estratti a caso vi è ottenuta nel 60-82 % dei casi in Belgio, e solo nel 53-65 % in Svizzera, dove il rilievo e posizioni di osservazione spesso arrotondate rendono l'esercizio più difficile. In Lussemburgo esistono solo 363 osservazioni: sulle tre specie abbastanza osservate (porcini, finferli, mazze di tamburo), la classificazione corretta rispetto a luoghi estratti a caso è ottenuta nel 72-78 % dei casi, ma le altre specie non hanno abbastanza osservazioni per essere testate. La parte meteo non vi è ancora stata verificata separatamente.

Germania. Stesso modello, stesse impostazioni. Sulle osservazioni GBIF tedesche (18 587), l'habitat classifica correttamente il luogo di osservazione rispetto a un luogo estratto a caso nel 73-86 % dei casi a seconda della specie (escluse le spugnole, 49 %); rispetto a luoghi dove crescono altre specie, il risultato è del 41-65 %. L'est e il nord del paese non hanno una mappa delle specie arboree: l'habitat vi si basa su foresta, uso del suolo, suoli (OpenLandMap) ed esposizione.

Austria. Stesso modello, stesse impostazioni. Sulle osservazioni GBIF austriache, l'habitat classifica correttamente il luogo di osservazione rispetto a un luogo estratto a caso nel 63-72 % dei casi (escluse le spugnole). La parte meteo non vi è ancora stata verificata separatamente.

Cechia. Stesso modello, stesse impostazioni. Sulle osservazioni GBIF ceche (1 382 osservazioni, sette specie abbastanza osservate): l'habitat classifica correttamente il luogo di osservazione rispetto a un luogo estratto a caso nel 77-86 % dei casi, tranne per le spugnole (57 %), ma solo nel 43-61 % rispetto a luoghi dove sono state viste altre specie. La parte meteo non vi è ancora stata verificata separatamente.

Italia. Stesso modello, stesse impostazioni calibrate sulla Francia. La stagione non vi è sempre corretta: in clima mediterraneo, la crescita dei porcini e dei finferli non si ferma in estate in montagna, e quella dei lattari e delle mazze di tamburo scivola verso la fine dell'autunno e l'inverno al sud. La parte meteo non vi è ancora stata verificata separatamente. Sulle osservazioni GBIF italiane, l'habitat classifica correttamente il luogo di osservazione rispetto a un luogo estratto a caso nel 70-83 % dei casi a seconda della specie (spugnole: 55 %); i piedi azzurri, troppo poco osservati, non sono testati.

Regno Unito. Una sola mappa per il Regno Unito e l'Irlanda. Stesso modello, stesse impostazioni calibrate sulla Francia; nel Regno Unito i «comuni» sono i 361 distretti (compresi i consigli scozzesi molto estesi), raggruppati in 12 regioni. Sulle osservazioni GBIF britanniche (19 914 osservazioni), l'habitat classifica correttamente il luogo di osservazione rispetto a un luogo estratto a caso nel 65-80 % dei casi (spugnole: 56 %, piedi azzurri: 62 %), ma solo nel 40-64 % rispetto a luoghi dove sono state viste altre specie. La stagione, calibrata sulla Francia, è vicina alle osservazioni (finferli e piedi azzurri circa due settimane più tardi). La parte meteo non vi è ancora stata verificata separatamente.

Irlanda. Sulla stessa mappa, con 166 aree elettorali locali raggruppate in 26 contee (stesse impostazioni). Le osservazioni GBIF irlandesi sono rare (202): solo quattro specie sono testabili; l'habitat classifica correttamente il luogo di osservazione rispetto a un luogo estratto a caso nell'85-89 % dei casi per i finferli, gli steccherini e i lattari (piedi azzurri: 54 %), e nel 57-65 % rispetto a luoghi dove sono state viste altre specie. La parte meteo non vi è ancora stata verificata separatamente.

Spagna. Stesso modello, stesse impostazioni calibrate sulla Francia, applicato alla penisola e alle Baleari (le Canarie, Ceuta e Melilla non sono coperte: altro clima, altro meteo). Sulle osservazioni GBIF spagnole, l'habitat classifica correttamente il luogo di un'osservazione rispetto a un luogo estratto a caso nel 78-89 % dei casi per sette specie su nove (65 % per i piedi azzurri, 58 % per le spugnole), e la parte meteo, testata su un campione, dà il 70-90 % a seconda della specie. Uno scarto noto: la stagione calibrata sulla Francia è troppo precoce per il clima mediterraneo e atlantico della Spagna. Il lattario delizioso (níscalo) vi è osservato soprattutto da fine ottobre a novembre, e gli steccherini, le trombette, i piedi azzurri e i finferli tubiformi da novembre a dicembre, cioè dopo la piena stagione del modello: i loro punteggi vi sono sottostimati a fine autunno.

5Il calcolo quotidiano

Ogni mattina, Sporalo recupera da Open-Meteo 14 giorni di storico e 8 giorni di previsione per ogni punto. Ogni comune mescola il meteo dei quattro punti più vicini (i più vicini pesano di più), corretto in base alla propria altitudine: ciò evita i «quadrati» che produrrebbe un punto unico.

Una mappa più fine del meteo. Il meteo è noto solo ogni ~20 km, ma la mappa è disegnata al pixel (circa 800 m). Ogni pixel prende la crescita del comune più vicino, riportata all'altitudine reale del pixel (la crescita è calcolata ogni mattina anche 400 e 800 m più in alto e più in basso, poi interpolata), e la moltiplica per l'habitat del pixel: boschi, città, campi e fondovalle risaltano quindi nettamente, mentre il meteo varia lentamente. Senza questa correzione, due punti vicini ai due lati di un confine comunale, per esempio in una gola, prenderebbero l'altitudine di due paesi diversi. La scheda di un luogo indica il comune utilizzato e le coordinate esatte del punto cliccato; classifiche e pagine dei comuni utilizzano il punteggio del comune intero.

6Limiti

• Non una garanzia. Il modello ignora la pressione di raccolta, la storia di ogni particella e il vigore del micelio.
• Osservazioni imperfette. I dati naturalistici riflettono anche l'attività degli osservatori (fine settimana, uscite micologiche).
• Ciò che la scienza ignora ancora. Nessuna soglia pubblicata di umidità o di temperatura del suolo innesca la crescita; le specie poco studiate (finferlo tubiforme, piede azzurro, lattari) sono regolate soprattutto a partire dalle osservazioni.
• Non ancora considerato. L'effetto delle condizioni dell'anno precedente, l'età dei popolamenti e la gestione forestale (i diradamenti, per esempio, modificano la produzione). Il «colpo di freddo» dopo la pioggia, spesso citato, è stato testato: non migliora le previsioni sulle osservazioni francesi.
• Risoluzione dei dati. Le specie arboree sono note solo con circa 1,4 km di approssimazione, i suoli a qualche centinaio di metri, il meteo a ~20 km: un piccolo bosco isolato o una siepe possono mancare, e il confine di una zona bloccante non è mai esatto al pixel.
• Germania. Oltre circa 9,9° E e 52,3° N (la maggior parte della Baviera, il Brandeburgo, la Sassonia, la Turingia e il nord), le specie arboree ospiti sono sconosciute: viene utilizzato un profilo neutro. I suoli provengono da OpenLandMap. La mappa delle foreste è dedotta dalle immagini satellitari come in Belgio.
• Belgio, Svizzera e Lussemburgo. La mappa delle foreste vi è dedotta dalle immagini satellitari (ESA WorldCover, ricalibrata sulla BD Forêt francese), i suoli provengono da OpenLandMap, e le specie arboree dell'estremo est dei Grigioni sono riprese dal comune vicino coperto. In montagna, il meteo è corretto in base all'altitudine del punto, ma non degli effetti di valle (inversioni di temperatura, ombra).
• Austria. L'atlante delle specie arboree copre solo l'estremo ovest: altrove, le specie sono stimate in base all'altitudine e alla regione. I suoli provengono da OpenLandMap. L'altitudine di un comune alpino è quella delle sue foreste, non quella dei suoi ghiacciai.
• Cechia. L'atlante JRC e SoilGrids non erano utilizzabili: le specie arboree provengono dalle mappe di specie di OpenGeoHub (rovere assimilato alla farnia, betulla e roverella ignorate) e i suoli da OpenLandMap. La mappa delle foreste è dedotta dalle immagini satellitari come in Belgio.
• Italia. Le specie arboree (atlante JRC) sono disponibili solo per il nord e l'ovest del paese: altrove, ogni comune riprende quelle del comune coperto più vicino a quota comparabile (approssimazione grossolana, soprattutto al sud e in Sicilia); i suoli provengono da OpenLandMap. La calibrazione della stagione proviene dalla Francia; il clima mediterraneo (estate secca, crescita autunnale spostata al sud) non è riprodotto finemente.
• Spagna. Le specie arboree provengono dalle mappe di Bonannella et al. (2022) e non dall'atlante JRC (irraggiungibile durante la generazione): rovere, roverella e betulla vi sono assenti, il pino marittimo è sostituito dal pino d'Aleppo e dal pino domestico, e i lecci e le sughere (ospiti di numerosi porcini mediterranei) non sono considerati. La mappa delle foreste è dedotta dalle immagini satellitari ricalibrate sulla BD Forêt francese, quindi meno affidabile per i matorrales e le dehesas; i suoli provengono da OpenLandMap.
• Regno Unito e Irlanda. L'atlante JRC e SoilGrids non erano utilizzabili: le specie arboree provengono dalle mappe di specie di OpenGeoHub (betulla, rovere e roverella ignorate, abete di Sitka e larice non rappresentati) e i suoli da OpenLandMap; tre distretti britannici non hanno un suolo cartografato (valori medi). Le unità sono grandi (distretti, aree elettorali): la mappa è più grossolana che altrove, soprattutto nelle Highlands. La mappa delle foreste è dedotta dalle immagini satellitari come in Belgio.
• Previsioni. I giorni a venire si basano su una previsione meteo la cui affidabilità diminuisce con la scadenza, soprattutto per la pioggia.
• Spugnole. Le loro specie ospiti (frassino, olmo, pioppo, alberi da frutto) e le zone bruciate non sono cartografate: il loro punteggio di habitat è meno affidabile.

7Dati utilizzati

Tutti i dati di origine sono aperti. Le menzioni di attribuzione richieste dai produttori compaiono al passaggio sul «?»; le licenze complete sono consultabili seguendo i link. Sporalo li trasforma (aggregazione, interpolazione, incrocio): i punteggi sono un'opera derivata e non sono i dati originali.

8Bibliografia scientifica

Pubblicazioni sottoposte a revisione paritaria su cui si basano la scelta dei fattori, i loro ritardi e le finestre di stagione.

Cosa fa spuntare i funghi: temperatura e pioggia

1. Kauserud H. et al. (2008). PNAS 105(10):3811-3814 — Mushroom fruiting and climate change. doi.org/10.1073/pnas.070903710534 500 rilevamenti norvegesi: pioggia e temperatura di fine estate guidano la data delle fruttificazioni autunnali.
2. Kauserud H. et al. (2010). Proc. R. Soc. B 277:1169-1177 — Climate change and spring-fruiting fungi. doi.org/10.1098/rspb.2009.1537Funghi primaverili: il riscaldamento anticipa la loro data di fruttificazione.
3. Kauserud H. et al. (2012). PNAS 109(36):14488-14493 — Warming-induced shift in European mushroom fruiting phenology. doi.org/10.1073/pnas.1200789109Scala europea: risposte diverse dei funghi micorrizici e saprotrofi.
4. Gange A.C. et al. (2007). Science 316:71 — Rapid and recent changes in fungal fruiting patterns. doi.org/10.1126/science.1137489Inghilterra: la stagione di fruttificazione si è allungata notevolmente in mezzo secolo di riscaldamento.
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.2007.01.007Spugnole: schemi spaziali e temporali di fruttificazione, in relazione a temperatura e pioggia.
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.2531-7342/16464Porcini in abetaie: produzione seguita nei 21 giorni dopo un episodio di pioggia intensa o un picco di caldo.
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-WVU1Querceti della Toscana: la pioggia dei 30 giorni precedenti spiega il numero di carpofori.

Umidità del suolo e siccità

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'umidità del suolo è il miglior predittore della produzione di funghi in Catalogna.
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.2020.108015Pinete mediterranee: la produttività della foresta e il clima controllano la produzione di funghi.
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 mediterraneo: una maggiore domanda di evapotraspirazione potrebbe ridurre la produzione di funghi.
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.2016.03.015Monitoraggio a lungo termine: il controllo climatico della produzione varia fortemente da una specie all'altra.
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.2015.03.008Spagna: la siccità sposta la stagione e riduce la produzione e la diversità dei funghi.
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/10.1890/110064Serie svizzere di lungo periodo: clima e produttività dei funghi.

Fenologia, latitudine e altitudine

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 data di crescita varia di circa 25 giorni con la latitudine e fino a 30 giorni con l'altitudine; la temperatura è il principale fattore.
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 scala: la temperatura influenza la data e la durata della fruttificazione.
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.0049777Monitoraggio trentennale in Giappone: la data di crescita dipende dallo stile di vita (micorrizico o decompositore).
4. Boddy L. et al. (2014). Fungal Ecology 10:20-33 — Climate variation effects on fungal fruiting. doi.org/10.1016/j.funeco.2013.10.006Rassegna: effetti della variabilità climatica sulla fruttificazione.

Modelli di previsione e foreste produttive

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/X09-198Pirenei centrali: modelli di produzione secondo il clima e il popolamento.
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.2012.06.034Pinete di pino silvestre: modelli di produzione, tra cui porcini (Boletus edulis) e lattari deliziosi.
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.2017.01.025Porcini: effetti della gestione forestale e del clima sul micelio e sulla produzione.
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.2019.06.471Biomi forestali europei: tendenze di produzione legate alla crescita degli alberi e 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.2015.11.040Peccete della Finlandia orientale: modelli di resa dei funghi commercializzati.
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.2024.102557Impatto del cambiamento climatico sulla produzione di funghi commestibili nella foresta mediterranea.
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/104.1.9Finferli: effetto dei diradamenti dei popolamenti giovani sulla produzione.

Schede delle specie (habitat, ospiti, suoli)

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.pdfEcologia e gestione dei finferli.
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/26906Ecologia e gestione delle spugnole.
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/microorganisms13092196Porcini: stagionalità della microflora del suolo e influenza sulla fruttificazione.
4. Xu et al. (2026). IMA Fungus 17:e172544 — Multi-gene phylogeny and taxonomy of Hydnum. doi.org/10.3897/imafungus.17.172544Tassonomia degli Hydnum (steccherini).
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-xFinferlo tubiforme: usi e popolarità della specie in Scandinavia.