Airvisual Platform旨在集中和汇总一度位置上的空气质量信息，以提供全球空气质量的最全面概述。

通过Airvisual平台报告的数据源包括传感器数据，来自政府监测站（通常被认为是高成本的“参考监视器”）以及低成本传感器，例如公共Airvisual Pro Station和PurplePleair传感器。

通过Airvisual平台发布的所有数据均受数据验证的约束，这两个传感器数据来源之间的不同。

Airvisual的数据验证系统是基于云的，并由机器学习驱动，所有测量结果都通过该系统传递到我们的平台。

政府“参考”传感器数据

尽管高成本的政府传感器通常被认为是最准确，最可靠的空气质量数据来源，但有时这些传感器也会报告异常或不准确的数据。这样做的原因可能包括临时维护或缺陷，甚至是传感器附近的临时超本地排放源。

因此，所有政府传感器数据都在发布之前均受数据验证系统的约束。此验证的一个例子是，基于云的系统标识了一个站点发表的任何潜在异常（例如，PM2.5突然从10ug/m中出现高尖峰³ 到100ug/m³ 从一个小时到另一个小时），并将与附近的其他测量值进行交叉检查，以验证这种尖峰是代表性还是异常。验证过程还针对历史模式以及其他参数（例如天气条件）进行了交叉检查。然后，该值将被相应地发布或打折。

低成本传感器

除了上述验证过程外，低成本传感器的测量还经过数据校准和校正过程，该过程还将识别和打折异常读数。

应用于低成本传感器的系统考虑了附近的条件，例如温度，湿度，污染组成，并根据环境条件应用了数据校准算法。例如，在某些情况下，高湿度水平可能导致低成本传感器过度报告的PM2.5。同样，污染成分（运输产生污染，沙暴，基于煤炭的污染等）极大地影响了测量值，而空气表平台使用卫星图像来确定用于校准机制中使用的污染成分。因此，除区域历史模式外，该校准和校正算法还考虑了局部湿度水平和其他环境参数，并相应地调整了PM2.5测量值。

调整水平由基于云的系统决定，该系统建立在人工智能和机器学习上。通过参考传感器，空气传感器，气象数据和卫星图像的污染组成从参考传感器，气象传感器，气象学数据和污染组成，通过汇总数十亿个全球空气质量数据点，该系统一直在学习世界各地不同地区的不同空气质量参数之间的复杂历史关系。

由于PM的组成在世界各个不同地区之间的差异很大，因此区分PM的相关性和诸如局部 /区域水平的湿度等因素的相关性至关重要。这些相关性可以根据PM的不同局部组成而有很大变化，因此必须考虑到局部校准和校正算法。

返回空中知识库