Die AirVisual-Plattform zielt darauf ab, so viele Informationen über die Luftqualität, wie derzeit verfügbar sind, an einem Ort zu zentralisieren und zusammenzufassen, um einen möglichst umfassenden Überblick über die globale Luftqualität zu geben.
Zu den Datenquellen, die über die AirVisual-Plattform gemeldet werden, gehören Sensordaten von staatlichen Überwachungsstationen (die in der Regel als teure "Referenzmonitore" gelten) sowie von kostengünstigen Sensoren wie öffentlichen AirVisual Pro-Stationen und PurpleAir-Sensoren.
Alle Daten, die über die AirVisual-Plattform veröffentlicht werden, unterliegen einer Datenvalidierung, und dieser Prozess unterscheidet sich zwischen diesen beiden Sensordatenquellen.
Das Datenvalidierungssystem von AirVisual ist Cloud-basiert und wird durch maschinelles Lernen gesteuert. Alle Messungen werden durch dieses System geleitet, bevor sie auf unserer Plattform veröffentlicht werden.
Staatliche "Referenz"-Sensordaten
Obwohl teure staatliche Sensoren in der Regel als die genaueste und zuverlässigste Quelle für gemessene Luftqualitätsdaten gelten, melden diese Sensoren manchmal auch Anomalien oder ungenaue Daten. Gründe dafür können vorübergehende Wartungsperioden oder Defekte sein, oder auch vorübergehende hyperlokale Emissionsquellen in der Nähe des Sensors.
Daher werden alle Sensordaten der Regierung vor ihrer Veröffentlichung einem Datenvalidierungssystem unterzogen. Ein Beispiel für diese Validierung ist, dass das Cloud-basierte System alle potenziellen Anomalien erkennt, die von einer Station veröffentlicht werden (z. B. eine plötzliche hohe PM2,5-Spitze von 10ug/m3 auf 100ug/m3 von einer Stunde zur nächsten), und mit anderen Messungen in der Nähe abgleicht, um zu überprüfen, ob eine solche Spitze repräsentativ oder eine Anomalie ist. Bei der Validierung werden auch historische Muster und andere Parameter, wie z. B. die Wetterbedingungen, abgeglichen. Der Wert wird dann entsprechend veröffentlicht oder abgezinst.
Kostengünstige Sensoren
Messungen von Low-Cost-Sensoren werden zusätzlich zu dem oben beschriebenen Validierungsprozess einer Datenkalibrierung und -korrektur unterzogen, um anomale Messwerte zu identifizieren und zu berücksichtigen.
Das System, das auf kostengünstige Sensoren angewandt wird, berücksichtigt die Umgebungsbedingungen wie Temperatur, Luftfeuchtigkeit und Verschmutzungsgrad und wendet einen Algorithmus zur Datenkalibrierung an, der auf den Umgebungsbedingungen basiert. So kann zum Beispiel eine hohe Luftfeuchtigkeit unter Umständen dazu führen, dass kostengünstige Sensoren zu hohe PM2,5-Werte melden. Auch die Zusammensetzung der Verschmutzung (verkehrsbedingte Verschmutzung, Sandstürme, kohlebasierte Verschmutzung usw.) wirkt sich stark auf die Messung aus, und die AirVisual-Plattform verwendet Satellitenbilder, um die Zusammensetzung der Verschmutzung für den Kalibrierungsmechanismus zu bestimmen. Daher berücksichtigt dieser Kalibrierungsalgorithmus & neben den regionalen historischen Mustern auch die lokale Luftfeuchtigkeit und andere Umweltparameter und passt die PM2,5-Messungen entsprechend an.
Das Anpassungsniveau wird von dem cloudbasierten System bestimmt, das auf künstlicher Intelligenz & maschinellem Lernen basiert. Durch die Aggregation von Milliarden globaler Luftqualitätsdaten über viele Jahre hinweg, die von Referenzsensoren, AirVisual-Sensoren, meteorologischen Daten und der Verschmutzungszusammensetzung aus Satellitenbildern stammen, hat dieses System die komplexen historischen Beziehungen zwischen verschiedenen Luftqualitätsparametern in verschiedenen Teilen der Welt gelernt.
Da die Zusammensetzung von Feinstaub in den verschiedenen Gebieten der Welt sehr unterschiedlich sein kann, ist es wichtig, zwischen den Zusammenhängen zwischen Feinstaub und Faktoren wie der Luftfeuchtigkeit auf lokaler/regionaler Ebene zu unterscheiden. Diese Korrelationen können je nach den unterschiedlichen lokalen Zusammensetzungen der PM stark variieren und müssen daher bei lokalen Kalibrierungs- und Korrekturalgorithmen berücksichtigt werden.