Wie wir ShroomCast gebaut haben

Wie wir das ML-Modell ausgewählt haben, das deine Prognose antreibt. Ein Blick hinter den Vorhang auf 15+ Modelle, 4 000 Pfifferling-Beobachtungen aus dem County Mayo und die faire Prüfung 2025.

2021 fiel der Pfifferling-Höhepunkt in Irland in den September. 2025 lag der Höhepunkt im Juli. Zwei Monate Unterschied, dieselbe Art, dasselbe Land. Kalender passen nicht immer zusammen, das Wetter verschiebt sich von Jahr zu Jahr, und das Tagebuch vom Vorjahr wiederholt sich nicht immer. Im County Mayo hat unser Team über sechs Jahre mehr als 4 000 verifizierte Pfifferling-Beobachtungen gesammelt, und 2025 haben wir diesen Datensatz genommen und 15 verschiedene ML-Modelle einer fairen Prüfung unterzogen. In diesem Artikel geht es darum, wie wir sie verglichen haben, wer gewonnen hat und warum du jetzt genau dieses Modell in ShroomCast verwendest.

Der Wald ist kein Kalender. Sieh dir die Pfifferling-Beobachtungen in ganz Irland über die letzten 7 Saisons in einer Grafik an:

2021 wärst du im Juli in den Wald gefahren und hättest nur Moos gefunden. 2025 hättest du auf den September gewartet und den Höhepunkt um sechs Wochen verpasst. Das ist keine einmalige Anomalie, das ist die Norm: Temperatur, Niederschlag, Bodenfeuchte, Waldtyp, Mondzyklen, jeder dieser Faktoren verschiebt das Fruchten um Tage und Wochen, und ihr Zusammenspiel kann den Höhepunkt der Saison vom Juli in den September und zurück ziehen.

Also arbeiten Sammler seit Jahrhunderten „nach Bauchgefühl“, nach schlecht formalisierten Zeichen wie „vier Tage nach dem Gewitter geht es zum Eichenhain.“ In manchen Wäldern und Saisons klappt das. Auf der Ebene eines ganzen Landes und Jahres ist es eine Lotterie.

Mit Daten wird das Problem lösbar. Wenn du für eine Region Tausende tatsächlich erfasste Fruchtungsereignisse hast, verknüpft mit dem Wetter an jenen Tagen, kannst du Muster in diesen Daten finden und die nächste Schwemme vorhersagen. Genau dieses Problem löst ShroomCast.

Zum heutigen Release:

• 750K+ verifizierte Pilzbeobachtungen seit 2019.
• 230+ Regionen, die das Modell in ganz Europa abdeckt.
• 7+ Jahre Wetterdaten für jede dieser Regionen.
• 14 Arten einzeln modelliert (Pfifferling, Steinpilz, Morchel, Edel-Reizker, Maronenröhrling, Hallimasch und weitere).

Wir sammeln Quellen jedes Mal auf dieselbe Weise: öffentliche Beobachtungsdatenbanken plus die eigenen Feldaufzeichnungen unseres Teams und vertrauenswürdige Quellen, mit denen wir direkt zusammenarbeiten. Jeder Datensatz ist nicht nur „an diesem Tag gefunden“, sondern ein Tripel (Region, Art, Datum) plus vollständiger Wetter- und Bodenkontext rund um diesen Tag.

Jede Art in jeder Region wird separat modelliert. Der Pfifferling hat seine Auslöser, die Morchel ihre eigenen, der Steinpilz seine eigenen. Innerhalb eines Modells betrachten wir fünf Gruppen von Merkmalen:

1. Wetter: Lufttemperatur, Niederschlag, Luftfeuchtigkeit, Luftdruck, Bewölkung.
2. Boden: Bodentemperatur, Bodenfeuchte, Zusammensetzung.
3. Wald: Typ (Nadel-, Laub-, Mischwald), Höhenlage, lokales Mikroklima.
4. Natürliche Zyklen: Mondphasen, saisonale Muster, artspezifische Fruchtungsfenster.
5. Historische Dynamik: was in dieser Region mit dieser Art in früheren Jahren unter ähnlichen Bedingungen geschah.

Um zu zeigen, wie wir ein Modell auswählen, nehmen wir eine Region und eine Art. Mayo ist aus mehreren Gründen der ideale Prüfstand: ein großer Pool an Beobachtungen über viele Jahre (mehr als 4 000 allein für Pfifferlinge), dazu haben wir den Datensatz zum Kontext um Pfifferling-Daten aus ganz Irland ergänzt.

Von 2019 bis 2024 war unser Trainingszeitraum. Die Modelle „lernten“ an diesen sechs Saisons: welche Kombinationen aus Wetter und Boden tatsächlichen Fruchtungsereignissen vorausgingen und welche nicht. 2025 ließen wir unangetastet. Das ist die Zukunft, die kein Modell während des Trainings gesehen hatte.

Jeder Punkt in der Grafik oben ist entweder ein Fund unseres Teams oder eine verifizierte Beobachtung von vertrauenswürdigen Quellen, mit denen wir arbeiten. Keine abgeleiteten Daten. Nur das, was ein Mensch tatsächlich gesehen und festgehalten hat.

Das ist der Teil, den die meisten Nutzer nie sehen: die Modellausschreibung.

Wir haben mehr als 15 verschiedene ML-Architekturen laufen lassen. Ihre konkreten Namen sind weniger wichtig als der Ansatz selbst: Jedes Modell sah dieselben Daten und musste lernen, für jede Woche des Jahres 2025 die Wahrscheinlichkeit des Pfifferling-Fruchtens in Mayo vorherzusagen. Innerhalb jeder Architektur probierten wir Dutzende Varianten: unterschiedliche Merkmalshorizonte, unterschiedliche Regularisierungsstrategien, unterschiedliche Arten, Saisonalität zu kodieren.

Die zentrale Auswahlregel: Ein Modell wurde nicht danach beurteilt, wie gut es sich an die alten Daten erinnerte (das kann jede überangepasste Konstruktion), sondern danach, wie genau es 2025 vorhersagte, das Jahr, das es während des Trainings nicht gesehen hatte. Das ist die faire Prüfung.

Die Grafik oben zeigt denselben Satz echter Beobachtungen aus 2025, überlagert mit den Vorhersagen zweier Finalisten-Modelle. Die blaue Linie (ML-Modell 1) folgt den echten Schwemmen sauber: Sie erfasst den Saisonstart, verpasst den August-Höhepunkt nicht und fällt bis in den Oktober korrekt ab. Die andere Variante hinkt entweder hinterher oder überschätzt die Intensität in „ruhigen“ Wochen.

Der Unterschied wirkt für das Auge klein, ist in der Praxis aber enorm. Eine zusätzliche „Ausgezeichnet“-Prognose in einer pilzfreien Woche kostet dich einen vergeudeten Tag und eine Tankfüllung. Ein verpasster Höhepunkt kostet dich die Saison. Der Sieger war also das Modell, das den Nutzer 2025 im Durchschnitt am wenigsten in die Irre führte.

Wir führten dasselbe Verfahren für jede Art und für jede der 230+ Regionen durch. Nicht überall gewann dieselbe Architektur. In Regionen mit dünnerer Beobachtungsbasis setzten sich konservativere Modelle durch, in dichten Regionen übernahmen die empfindlicheren Varianten die Führung. Die finale Produktions-Pipeline ist aus diesen lokal optimalen Entscheidungen zusammengesetzt.

Die Siegermodelle laufen in Produktion und berechnen jetzt eine 14-Tage-Prognose für jede Art in deiner Region. Viermal am Tag holt die Pipeline frisches Wetter, aktualisiert die Merkmale, lässt das Modell laufen und veröffentlicht das Ergebnis. Du siehst es als farbkodierte Skala:

• 0-20% Sehr niedrig (Violett, nicht heute)
• 20-40% Niedrig (Blau, so gut wie keine Chance)
• 40-60% Mittel (Grün, ein Blick an deine üblichen Stellen lohnt sich)
• 60-80% Hoch (Gelb, die Bedingungen sind gut)
• 80-100% Ausgezeichnet (Orange, nimm den Korb)

Alles, was aus Tausenden Stunden Modelltraining herauskam, sind also fünf Farben und eine Zahl pro Tag. Genau so soll es sein. Komplexes Modell, einfache Antwort.

Transparenz ist Teil des Produkts. Nicht jede Region hat gleich dichte Daten, und das verschweigen wir nicht.

Am stärksten: Großbritannien und Irland. Hier haben wir die höchste Dichte an Beobachtungen und die längsten Reihen auf Artenebene. Mayo oben ist ein Bild davon, wie eine gut gesättigte Region aussieht.

Solide: die südliche Hälfte Schwedens (Götaland und der größte Teil von Svealand). Wir haben die Abdeckung hier kürzlich ausgeweitet und erhalten bereits ein stabiles Signal.

Schwächer: Nordschweden (Norrland), besonders das subarktische Norrbotten. Die Fruchtungsfenster sind kürzer, die Beobachtungen weniger. Das Modell läuft weiterhin, aber das Unsicherheitsband ist breiter. Wir zeigen das in der App ehrlich: Wo die Daten dünn sind, ist die Prognose vorsichtiger.

Das ist kein Fehler, so ist das Problem nun einmal geformt. Mehr Daten, schärfere Antworten. Jede Saison fügen wir neue Beobachtungen hinzu und kalibrieren die Modelle neu.

Ein technischer Punkt, der regelmäßig aufkommt. ShroomCast zeigt bewusst keine Prognosen an bestimmten Punkten auf der Karte. Nur nach Regionen (Dutzende Quadratkilometer).

Der Grund ist nicht technisch. Würde die App sagen „auf jener Lichtung, 50 Meter nördlich dieser Abzweigung, liegt heute eine 92%-Wahrscheinlichkeit für Pfifferlinge“, gäbe es diese Lichtung eine Woche später nicht mehr. Wälder überstehen koordinatengesteuerte Überfälle nicht. Also arbeiten wir auf regionaler Ebene und überlassen persönliche Stellen den Sammlern selbst.

ShroomCast speichert deine Standorte nicht. Merkt sich nicht, wo du gegangen bist. Baut keine persönliche Karte von dir. Das ist Absicht, kein Versäumnis.

Aktuell umfasst die Abdeckung Großbritannien, Irland und Schweden. Das nächste Release ist Frankreich, danach breiter das kontinentale Europa. Wir fügen neue Arten hinzu, sobald die Beobachtungsbasis groß genug ist, um sie zu tragen (mindestens ein paar Tausend validierte Beobachtungen pro Region, sonst ist das Modell bedeutungslos).

Jede neue Saison führen wir dieselbe Prüfung durch wie für Mayo: auf vergangenen Jahren trainieren, am aktuellen testen, die Sieger auswählen. Das ist kein einmaliger Modellstart, es ist fortlaufende Neukalibrierung.

Pilzprognosen sind keine Zauberei und kein Ratespiel. Es ist der Versuch, den Wald besser zu sehen als Kalender und Intuition zusammen, und dem Nutzer dabei ehrlich zu sagen, wo das Modell sicher ist und wo nicht.

Wir tun das, weil wir selbst Sammler sind. Jeder im Team hat pro Saison mindestens einen Tag in einem leeren Wald verloren, und dieses Produkt begann als Weg, diese Tage nicht mehr zu verlieren. Wenn dir dieser Schmerz vertraut ist, probiere die Prognose für deine Region aus.