Hoe we ShroomCast hebben gebouwd

Hoe we het ML-model kozen dat je voorspelling aandrijft. Een blik achter de schermen op 15+ modellen, 4.000 cantharel-waarnemingen uit County Mayo en het eerlijke examen van 2025.

In 2021 viel de cantharelpiek in Ierland in september. In 2025 lag de piek in juli. Twee maanden verschil, dezelfde soort, hetzelfde land. Kalenders kloppen niet altijd, het weer verschuift van jaar tot jaar en het dagboek van vorig jaar herhaalt zich niet altijd. In County Mayo heeft ons team in zes jaar tijd meer dan 4.000 geverifieerde cantharel-waarnemingen verzameld, en in 2025 namen we die dataset en lieten we 15 verschillende ML-modellen een eerlijk examen afleggen. Dit artikel gaat over hoe we ze vergeleken, wie won en waarom je nu precies dit model in ShroomCast gebruikt.

Het bos is geen kalender. Bekijk cantharel-waarnemingen in heel Ierland over de laatste 7 seizoenen in één grafiek:

In 2021 zou je in juli naar het bos zijn gereden en alleen mos hebben gevonden. In 2025 zou je op september hebben gewacht en de piek met zes weken hebben gemist. Dit is geen eenmalige uitschieter, dit is de norm: temperatuur, regenval, bodemvocht, bostype, maancycli, elk daarvan verschuift de vruchtvorming met dagen en weken, en hun gecombineerde effect kan de piek van het seizoen van juli naar september en terug slepen.

Plukkers werken daarom al eeuwenlang “op hun gevoel”, met slecht geformaliseerde tekenen zoals “vier dagen na het onweer, ga naar het eikenbos”. In sommige bossen en seizoenen werkt dat. Op het niveau van een land en een jaar is het een loterij.

Met data wordt het probleem oplosbaar. Als je duizenden daadwerkelijk vastgelegde vruchtvormingsmomenten voor één regio hebt, gekoppeld aan het weer op die dagen, kun je patronen in die data vinden en de volgende golf voorspellen. Dit is het probleem dat ShroomCast bestaat om op te lossen.

Vanaf de release van vandaag:

• 1M+ geverifieerde paddenstoelwaarnemingen sinds 2019.
• 360+ regio’s die door het model worden gedekt in heel Europa.
• 7+ jaar weerdata voor elk van deze regio’s.
• 14 soorten die individueel gemodelleerd worden (cantharel, eekhoorntjesbrood, morielje, oranje melkzwam, kastanjeboleet, honingzwam en andere).

We verzamelen bronnen elke keer op dezelfde manier: openbare waarnemingsdatabases plus de eigen veldnotities van ons team en betrouwbare bronnen waarmee we rechtstreeks samenwerken. Elk record is niet alleen “op deze dag gevonden”, maar een drietal (regio, soort, datum) plus de volledige weer- en bodemcontext rond die dag.

Elke soort in elke regio wordt apart gemodelleerd. De cantharel heeft zijn triggers, de morielje de zijne, het eekhoorntjesbrood de zijne. Binnen één model kijken we naar vijf groepen kenmerken:

1. Weer: luchttemperatuur, regenval, luchtvochtigheid, luchtdruk, bewolking.
2. Bodem: bodemtemperatuur, bodemvocht, samenstelling.
3. Bos: type (naaldbos, loofbos, gemengd), hoogte, lokaal microklimaat.
4. Natuurlijke cycli: maanfasen, seizoenspatronen, soortspecifieke vruchtvormingsvensters.
5. Historische dynamiek: wat er in deze regio met deze soort in voorgaande jaren onder vergelijkbare omstandigheden gebeurde.

Om te laten zien hoe we een model kiezen, nemen we één regio en één soort. Mayo is om verschillende redenen de ideale testomgeving: een grote hoeveelheid waarnemingen over veel jaren (meer dan 4.000 alleen al voor de cantharel), en we hebben de dataset aangevuld met cantharel-data uit heel Ierland voor context.

Van 2019 tot 2024 was onze trainingsperiode. De modellen “leerden” op die zes seizoenen: welke combinaties van weer en bodem voorafgingen aan echte vruchtvormingsmomenten en welke niet. 2025 lieten we onaangeroerd. Dat is de toekomst die geen enkel model tijdens de training had gezien.

Elk punt in de grafiek hierboven is ofwel een vondst van ons team ofwel een geverifieerde waarneming van betrouwbare bronnen waarmee we samenwerken. Geen afgeleide data. Alleen wat een mens daadwerkelijk zag en vastlegde.

Dit is het deel dat de meeste gebruikers nooit zien: de modelaanbesteding.

We hebben meer dan 15 verschillende ML-architecturen gedraaid. Hun specifieke namen doen er minder toe dan de aanpak zelf: elk model keek naar dezelfde data en moest leren de kans op cantharel-vruchtvorming in Mayo voor elke week van 2025 te voorspellen. Binnen elke architectuur probeerden we tientallen varianten: verschillende kenmerkhorizonnen, verschillende regularisatiestrategieën, verschillende manieren om seizoensinvloeden te coderen.

De belangrijkste selectieregel: een model werd niet beoordeeld op hoe goed het de oude data onthield (elk overfit apparaat kan dat), maar op hoe nauwkeurig het 2025 voorspelde, het jaar dat het tijdens de training niet had gezien. Dat is het eerlijke examen.

De grafiek hierboven toont dezelfde set echte waarnemingen uit 2025, met daaroverheen de voorspellingen van twee finalistmodellen. De blauwe lijn (ML-model 1) volgt de echte golven netjes: hij pakt het begin van het seizoen, mist de augustuspiek niet en zakt correct af gedurende oktober. De andere variant loopt ofwel achter of overschat de intensiteit tijdens “rustige” weken.

Het verschil lijkt klein voor het oog, maar is enorm in de praktijk. Een extra “Uitstekend”-voorspelling in een paddenstoelloze week kost je een verspilde dag en een tank benzine. Een gemiste piek kost je het seizoen. De winnaar was dus het model dat de gebruiker gemiddeld het minst misleidde in 2025.

We voerden dezelfde procedure uit voor elke soort en voor elk van de 360+ regio’s. Dezelfde architectuur won niet overal. In regio’s met een dunnere waarnemingsbasis wonnen conservatievere modellen, in dichte regio’s namen de gevoeligere varianten de leiding. De uiteindelijke productiepijplijn is samengesteld uit deze lokaal optimale keuzes.

De winnende modellen draaien in productie en berekenen nu een 14-daagse voorspelling voor elke soort in jouw regio. Vier keer per dag haalt de pijplijn vers weer op, werkt de kenmerken bij, draait het model en publiceert het resultaat. Jij ziet het als de kleurgecodeerde schaal:

• 0-20% Zeer laag (paars, vandaag niet)
• 20-40% Laag (blauw, vrijwel geen kans)
• 40-60% Matig (groen, de moeite waard om je vaste plekken te checken)
• 60-80% Hoog (geel, de omstandigheden zijn goed)
• 80-100% Uitstekend (oranje, neem de mand mee)

Alles wat uit duizenden uren modeltraining kwam, is dus vijf kleuren en één getal per dag. Zo hoort het ook. Complex model, simpel antwoord.

Transparantie is onderdeel van het product. Niet elke regio heeft even dichte data, en dat verbergen we niet.

Sterkst: het VK en Ierland. Hier hebben we de hoogste dichtheid aan waarnemingen en de langste reeksen op soortniveau. Mayo hierboven is een beeld van hoe een goed verzadigde regio eruitziet.

Solide: de zuidelijke helft van Zweden (Götaland en het grootste deel van Svealand). We hebben de dekking hier onlangs uitgebreid en we krijgen al een stabiel signaal.

Zwakker: het noorden van Zweden (Norrland), vooral het subarctische Norrbotten. De vruchtvormingsvensters zijn korter, er zijn minder waarnemingen. Het model draait nog steeds, maar de onzekerheidsmarge is breder. We laten dit eerlijk zien in de app: waar de data dun is, is de voorspelling voorzichtiger.

Dit is geen gebrek, zo is het probleem nu eenmaal gevormd. Meer data, scherpere antwoorden. Elk seizoen voegen we nieuwe waarnemingen toe en herkalibreren we de modellen.

Eén technisch punt dat regelmatig terugkomt. ShroomCast toont bewust geen voorspellingen op specifieke punten op de kaart. Alleen per regio (tientallen vierkante kilometers).

De reden is niet technisch. Als de app zou zeggen “op die open plek, 50 meter ten noorden van deze bocht, is er vandaag 92% kans op cantharel”, zou die open plek een week later niet meer bestaan. Bossen overleven geen op coördinaten gerichte plundertochten. Daarom werken we op regioniveau en laten we persoonlijke plekken aan de plukkers zelf over.

ShroomCast slaat je locaties niet op. Onthoudt niet waar je hebt gelopen. Bouwt geen persoonlijke kaart van je. Dit is bewust zo ontworpen, niet per ongeluk.

Op dit moment omvat de dekking Ierland, het VK, Zweden, Frankrijk en Duitsland. De volgende releases zijn Nederland, België en Zwitserland. We voegen nieuwe soorten toe naarmate de waarnemingsbasis groot genoeg wordt om ze te ondersteunen (minstens een paar duizend gevalideerde waarnemingen per regio, anders is het model zinloos).

Elk nieuw seizoen draaien we hetzelfde examen opnieuw dat we voor Mayo deden: trainen op voorgaande jaren, testen op het huidige, de winnaars kiezen. Dit is geen eenmalige modellancering, het is continue herkalibratie.

Paddenstoelen voorspellen is geen magie en geen giswerk. Het is een poging om het bos beter te zien dan de kalender en intuïtie samen, terwijl we de gebruiker eerlijk vertellen waar het model zeker is en waar niet.

We doen dit omdat we zelf plukkers zijn. Iedereen in het team heeft minstens één dag per seizoen verloren in een leeg bos, en dit product begon als een manier om te stoppen met het verliezen van die dagen. Als die pijn je bekend voorkomt, probeer dan de voorspelling voor jouw regio.