एयरविज़ुअल सेंसर एक सुलभ मूल्य पर अत्यधिक विश्वसनीय PM2.5 माप प्रदान करते हैं, जिससे हर किसी को वे जिस हवा में सांस लेते हैं उसे बेहतर ढंग से समझने का अवसर मिलता है।

प्रौद्योगिकियों के संयोजन के माध्यम से, एयरविज़ुअल सेंसर सरकारी बीटा क्षीणन संदर्भ मॉनिटर के विरुद्ध विश्वसनीय रूप से उच्च सहसंबंध प्रदान करते हैं। इन अनुप्रयुक्त प्रौद्योगिकियों में शामिल हैं:
​

AirVisual सेंसर PM2.5 को मापने के लिए आंतरिक रूप से विकसित उन्नत प्रकाश-प्रकीर्णन लेजर सेंसर का उपयोग करते हैं। लेजर सेंसर उपभोक्ता उपकरण में PM2.5 को मापने का सबसे सटीक साधन दर्शाते हैं।

सेंसर एक मापने वाले कक्ष के भीतर एक लेजर को चमकाने और सूक्ष्म कण पदार्थ (आकार में 0.3 से 10 माइक्रोन तक) से परावर्तित विकिरणित प्रकाश की गिनती करके काम करता है।

कम लागत वाले मॉनिटरों में माप त्रुटि का एक सामान्य स्रोत अशांत वायु प्रवाह है जिसका ठीक से हिसाब नहीं दिया जाता है। मापने वाले कक्ष के माध्यम से हवा के निरंतर, गणना किए गए प्रवाह को सुनिश्चित करने के लिए एयरविज़ुअल सेंसर डिवाइस के सेंसर कक्ष के भीतर एक छोटे पंखे का उपयोग करते हैं।

चित्र 1। AirVisual के लेजर-आधारित PM2.5 सेंसर का सरलीकृत आरेख

प्रत्येक मॉनिटर का फ़ैक्टरी सेटिंग में सावधानीपूर्वक परीक्षण और अंशांकन किया जाता है। नियंत्रित प्रदूषण वातावरण का उपयोग करके, उपकरणों को विभिन्न प्रदूषण स्तरों के संपर्क में लाया जाता है और कंप्यूटर नियंत्रित प्रणाली के माध्यम से कैलिब्रेट किया जाता है। यह विधि संदर्भ मॉनिटरों के लिए उच्च परिशुद्धता और कम इंट्रा-मॉडल परिवर्तनशीलता सुनिश्चित करती है।

चित्र 2. एयरविज़ुअल प्रो मॉनिटर पेशेवर निगरानी उपकरण के साथ 0.99 सहसंबंध दर दिखाता है
​

प्रकाश प्रकीर्णन लेजर सेंसर की रीडिंग आर्द्रता, तापमान और प्रदूषण संरचना जैसे पर्यावरणीय कारकों के प्रभाव के अधीन है।

उदाहरण के लिए, उच्च आर्द्रता, अधिक प्रकाश विकिरण का कारण बनती है और कणों को सघन बनाती है - जिससे PM2.5 सांद्रता के आंकड़े बढ़ जाते हैं।

इन पर्यावरणीय कारकों के प्रभाव को कम करने के लिए, क्लाउड-आधारित अंशांकन एल्गोरिदम का उपयोग करके माप को और अधिक समायोजित किया जाता है, जो स्थानीय पर्यावरणीय स्थितियों को ध्यान में रखकर सटीकता में सुधार करता है।

यह क्लाउड कैलिब्रेशन विधि हमारे डेटा वैज्ञानिकों द्वारा इन-हाउस विकसित की गई थी, जिन्होंने सरकारी और कम लागत वाले दोनों स्रोतों से मौसम विज्ञान डेटा, उपग्रह इमेजरी प्रदूषण संरचना और एकत्रित पीएम 2.5 माप का विश्लेषण करने के लिए मशीन लर्निंग का उपयोग किया था। पिछले डेटा रुझानों और सहसंबंधों को पहचानकर, सिस्टम ने संदर्भ मॉनिटर की तुलना में विभिन्न पर्यावरणीय मापदंडों और लेजर सेंसर PM2.5 मापों के बीच संबंधों को सीखा। ऐसा करते हुए, इसने वैश्विक वातावरण में एयरविज़ुअल सेंसर की सटीकता में सुधार करने के लिए एक सुधार एल्गोरिदम बनाया।

आउटडोर तैनात एयरविज़ुअल सेंसर, जिन्हें सार्वजनिक कर दिया गया है, को आगे क्रॉस-कैलिब्रेटेड किया गया है और आस-पास के संदर्भ मॉनिटरों के विरुद्ध मान्य किया गया है। एक डेटा पॉइंट केवल एयरविज़ुअल प्लेटफ़ॉर्म पर प्रकाशित किया जाता है जब यह आस-पास के मॉनिटरों की सामान्य प्रवृत्ति में फिट बैठता है। वास्तविक समय और ऐतिहासिक वायु गुणवत्ता डेटा बिंदुओं से प्रसंस्करण और सीखने में, सिस्टम असामान्य मूल्यों की पहचान कर सकता है और अनुचित गलत बयानी करने से पहले उन्हें प्रकाशन से हटा सकता है।