AirVisualPlatform旨在集中和汇总当前一次到位的尽可能多的空气质量信息,以提供全球空气质量的最全面概览。

通过AirVisual平台报告的数据源包括来自政府监测站(通常被视为高成本“参考监视器”)的传感器数据,以及诸如公共AirVisual Pro站和PurpleAir传感器等低成本传感器。

通过AirVisual平台发布的所有数据都要经过数据验证,这一过程在这两个传感器数据源之间有所不同。

AirVisual的数据验证系统基于云计算,由机器学习驱动,所有测量数据在发布到我们的平台之前都通过该系统。

政府“参考”传感器数据

虽然高成本的政府传感器通常被认为是测量空气质量数据的最准确和可靠来源,但有时这些传感器也会报告异常或不准确的数据。原因可能包括临时维护或缺陷,甚至传感器附近的临时超局部发射源。

因此,所有政府传感器数据在发布前都要经过数据验证系统。这种验证的一个例子是,基于云的系统识别了一个台站发布的任何潜在异常(例如,从一小时到下一小时PM2.5突然出现从10ug/m3到100ug/m3的高峰值),并将与附近的其他测量结果交叉检查,以验证这种峰值是否具有代表性或异常。验证过程还对历史模式和其他参数(如天气条件)进行交叉检查。然后将相应地公布或贴现价值。

低成本传感器

除上述验证过程外,低成本传感器的测量还需经过数据校准和校正过程,该过程将识别并贴现异常读数。

应用于低成本传感器的系统考虑了附近的条件,如温度、湿度、污染成分,并应用了基于环境条件的数据校准算法。例如,在某些情况下,高湿度水平可能导致低成本传感器超过报告的PM2.5水平。同样,污染成分(运输产生的污染、沙尘暴、煤基污染等)对测量有很大影响,AirVisual平台使用卫星图像确定用于校准机制的污染成分。因此,该校准和校正算法除了考虑区域历史模式外,还考虑了当地湿度水平和其他环境参数,并相应地调整PM2.5测量值。

调整水平由基于云的系统确定,该系统基于人工智能和机器学习。多年来,该系统收集了数十亿个全球空气质量数据点,包括参考传感器、航空视觉传感器、气象数据和卫星图像中的污染成分,从而了解了世界不同地区不同空气质量参数之间的复杂历史关系。

由于全球不同地区的PM成分差异很大,因此区分PM与局部/区域湿度等因素之间的相关性至关重要。根据PM的不同局部成分,这些相关性可能会有很大差异,因此必须在局部校准和校正算法中予以考虑。

这回答了你的问题吗?