Come abbiamo costruito ShroomCast

Come abbiamo scelto il modello di machine learning che alimenta la tua previsione. Dietro le quinte: oltre 15 modelli, 4 000 osservazioni di finferli nella County Mayo e l’esame onesto del 2025.

Nel 2021 il picco dei finferli in Irlanda è caduto a settembre. Nel 2025 il picco è stato a luglio. Due mesi di differenza, stessa specie, stesso paese. Il calendario non torna sempre, il meteo cambia di anno in anno e il diario dell’anno scorso non si ripete per forza. Nella County Mayo il nostro team ha raccolto più di 4 000 osservazioni verificate di finferli in sei anni; nel 2025 abbiamo preso quel dataset e sottoposto 15 modelli di machine learning diversi a un esame onesto. Questo articolo racconta come li abbiamo confrontati, chi ha vinto e perché oggi in ShroomCast usi proprio quel modello.

Il bosco non è un calendario. Guarda in un solo grafico le osservazioni di finferli in Irlanda nelle ultime 7 stagioni:

Nel 2021 saresti andato nel bosco a luglio e avresti trovato solo muschio. Nel 2025 avresti aspettato settembre e avresti mancato il picco di sei settimane. Non è un’anomalia isolata, è la norma: temperatura, pioggia, umidità del suolo, tipo di bosco, cicli lunari, ognuno di questi fattori sposta la fruttificazione di giorni e di settimane, e il loro effetto combinato può trascinare il picco della stagione da luglio a settembre e viceversa.

Per questo da secoli i cercatori vanno «a naso», seguendo indizi poco formalizzati del tipo «dopo il temporale, tra quattro giorni, vai nel querceto». In certi boschi e in certe stagioni funziona. Su scala di un paese e di un anno intero è una lotteria.

Con i dati il problema diventa risolvibile. Se hai migliaia di fruttificazioni davvero registrate per una regione, legate al meteo di quei giorni, in quei dati puoi trovare delle regolarità e prevedere la buttata successiva. È il problema per cui esiste ShroomCast.

Alla data di questa release:

• Oltre 1 milione di osservazioni verificate di funghi dal 2019.
• Oltre 360 regioni coperte dal modello in tutta Europa.
• Oltre 7 anni di dati meteo per ognuna di queste regioni.
• 14 specie modellate una per una (finferlo, porcino, spugnola, sanguinello, boleto baio, chiodino e altre).

Le fonti le raccogliamo sempre allo stesso modo: banche dati pubbliche di osservazioni, più i rilievi sul campo del nostro team e le fonti affidabili con cui lavoriamo direttamente. Ogni record non è solo «trovato in questo giorno», ma una terna (regione, specie, data) più il quadro completo di meteo e suolo attorno a quel giorno.

Ogni specie in ogni regione viene modellata a parte. Il finferlo ha i suoi fattori scatenanti, la spugnola i suoi, il porcino i suoi. Dentro un singolo modello guardiamo cinque gruppi di variabili:

1. Meteo: temperatura dell’aria, pioggia, umidità, pressione atmosferica, copertura nuvolosa.
2. Suolo: temperatura del suolo, umidità del suolo, composizione.
3. Bosco: tipo (conifere, latifoglie, misto), altitudine, microclima locale.
4. Cicli naturali: fasi lunari, ritmi stagionali, finestre di fruttificazione proprie di ogni specie.
5. Dinamica storica: che cosa è successo in questa regione con questa specie negli anni precedenti, in condizioni simili.

Per mostrare come scegliamo un modello prendiamo una regione e una specie. Mayo è il banco di prova ideale per più di un motivo: una grande base di osservazioni su molti anni (più di 4 000 solo per il finferlo) e, in aggiunta, abbiamo integrato il dataset con i dati sui finferli di tutta l’Irlanda per avere il contesto.

Dal 2019 al 2024 è stato il nostro periodo di addestramento. I modelli hanno «imparato» su quelle sei stagioni: quali combinazioni di meteo e suolo precedevano fruttificazioni reali e quali no. Il 2025 lo abbiamo lasciato intatto. È il futuro che nessun modello aveva visto durante l’addestramento.

Ogni punto del grafico qui sopra è un ritrovamento del nostro team oppure un’osservazione verificata da fonti affidabili con cui lavoriamo. Nessun dato dedotto. Solo quello che una persona ha davvero visto e registrato.

Questa è la parte che quasi nessun utente vede: la gara tra i modelli.

Abbiamo messo in gara più di 15 architetture di machine learning diverse. I nomi specifici contano meno dell’approccio: ogni modello guardava gli stessi dati e doveva imparare a prevedere la probabilità di fruttificazione dei finferli a Mayo per ogni settimana del 2025. Dentro ciascuna architettura abbiamo provato decine di varianti: orizzonti diversi per le variabili, strategie di regolarizzazione diverse, modi diversi di codificare la stagionalità.

La regola di selezione principale: un modello non veniva giudicato su quanto bene ricordava i dati vecchi (quello lo sa fare qualsiasi aggeggio sovradattato), ma su quanto accuratamente prevedeva il 2025, l’anno che non aveva visto durante l’addestramento. È questo l’esame onesto.

Il grafico qui sopra mostra lo stesso insieme di osservazioni reali del 2025, con sovrapposte le previsioni di due modelli finalisti. La linea blu (Modello 1) segue le buttate reali in modo pulito: prende l’inizio della stagione, non manca il picco di agosto e cala nel modo giusto durante ottobre. L’altra variante o resta indietro o sovrastima l’intensità nelle settimane «tranquille».

A occhio la differenza sembra piccola, in pratica è enorme. Una previsione «Eccellente» di troppo in una settimana senza funghi ti costa una giornata buttata e un pieno di carburante. Un picco mancato ti costa la stagione. Ha vinto quindi il modello che, in media, ha ingannato meno l’utente sul 2025.

Abbiamo ripetuto la stessa procedura per ogni specie e per ognuna delle oltre 360 regioni. Non ha vinto ovunque la stessa architettura. Nelle regioni con una base di osservazioni più sottile hanno vinto i modelli più prudenti, in quelle dense sono passate avanti le varianti più sensibili. La pipeline di produzione finale è messa insieme con queste scelte ottimali a livello locale.

I modelli vincenti girano in produzione e calcolano una previsione a 14 giorni per ogni specie nella tua regione. Quattro volte al giorno la pipeline scarica il meteo aggiornato, ricalcola le variabili, esegue il modello e pubblica il risultato. Tu lo vedi come una scala di colori:

• 0-20% Molto bassa (viola, oggi no)
• 20-40% Bassa (blu, quasi nessuna possibilità)
• 40-60% Media (verde, vale la pena controllare i posti soliti)
• 60-80% Alta (giallo, le condizioni sono buone)
• 80-100% Eccellente (arancione, prendi il cesto)

Tutto quello che è uscito da migliaia di ore di addestramento diventa cinque colori e un numero al giorno. Ed è giusto così. Modello complesso, risposta semplice.

La trasparenza fa parte del prodotto. Non tutte le regioni hanno dati altrettanto densi, e non lo nascondiamo.

Dove siamo più forti: Regno Unito e Irlanda. Qui abbiamo la densità più alta di osservazioni e le serie più lunghe a livello di specie. Mayo, qui sopra, è l’immagine di come si presenta una regione ben satura.

Solide: la metà meridionale della Svezia (Götaland e gran parte dello Svealand). Qui abbiamo ampliato la copertura di recente e riceviamo già un segnale stabile.

Più deboli: il nord della Svezia (Norrland), soprattutto il Norrbotten subartico. Le finestre di fruttificazione sono più corte e le osservazioni meno numerose. Il modello gira lo stesso, ma la banda di incertezza è più larga. Nell’app lo diciamo apertamente: dove i dati sono pochi, la previsione è più prudente.

Non è un difetto, è la forma stessa del problema. Più dati, risposte più nitide. Ogni stagione aggiungiamo nuove osservazioni e ricalibriamo i modelli.

Un punto tecnico che torna spesso. ShroomCast, di proposito, non mostra previsioni su punti precisi della mappa. Solo per regioni, cioè decine di chilometri quadrati.

Il motivo non è tecnico. Se l’app dicesse «in quella radura, 50 metri a nord di questa curva, oggi c’è il 92% di probabilità di finferli», una settimana dopo quella radura non esisterebbe più. I boschi non sopravvivono alle spedizioni a colpi di coordinate. Perciò lavoriamo a livello di regione e lasciamo i posti personali ai cercatori.

ShroomCast non salva le tue posizioni. Non ricorda dove hai camminato. Non costruisce la tua mappa personale. È una scelta progettuale, non una dimenticanza.

Oggi la copertura comprende Irlanda, Regno Unito, Svezia, Francia e Germania. Nella prossima release arrivano Paesi Bassi, Belgio e Svizzera. Aggiungiamo nuove specie man mano che la base di osservazioni cresce abbastanza da reggerle: almeno un paio di migliaia di osservazioni validate per regione, altrimenti il modello non ha senso.

A ogni nuova stagione ripetiamo lo stesso esame fatto per Mayo: addestriamo sugli anni passati, testiamo su quello in corso, scegliamo i vincitori. Non è il lancio di un modello una tantum, è una ricalibrazione continua.

Prevedere i funghi non è magia e non è tirare a indovinare. È il tentativo di leggere il bosco meglio di quanto facciano il calendario e l’intuito messi insieme, dicendo con onestà all’utente dove il modello è sicuro e dove non lo è.

Lo facciamo perché siamo cercatori anche noi. Ognuno di noi ha perso almeno una giornata a stagione in un bosco vuoto, e questo prodotto è nato per smettere di perderle. Se questo fastidio ti è familiare, prova la previsione per la tua regione.