AirVisual 平台旨在集中和汇总目前可获得的尽可能多的空气质量信息，以提供最全面的全球空气质量概览。

通过 AirVisual 平台报告的数据源包括来自政府监测站（通常被认为是高成本的 "参考监测器"）以及公共 AirVisual Pro 监测站和 PurpleAir 传感器等低成本传感器的传感器数据。

通过 AirVisual 平台发布的所有数据都要经过数据验证，而这两种传感器数据源的验证过程有所不同。

AirVisual 的数据验证系统基于云技术，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要通过该系统。

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最准确、最可靠的来源，但有时这些传感器也会报告异常或不准确的数据。 造成这种情况的原因可能包括临时的维护或缺陷期，甚至是传感器附近临时的超本地排放源。

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的检验。 这种验证的一个例子是，基于云的系统可以识别监测站公布的任何潜在异常情况（例如，PM2.5从一小时到下一小时突然从10ug/m3飙升到100ug/m3），并与附近的其他测量数据进行交叉核对，以验证这种飙升是有代表性的，还是异常情况。 验证过程还与历史模式和天气条件等其他参数进行交叉检查。 然后，将相应公布或折算价值。

低成本传感器
​

除上述验证过程外，低成本传感器的测量值还需经过数据校准和修正过程，以识别和消除异常读数。

应用于低成本传感器的系统考虑了附近的温度、湿度、污染成分等条件，并根据环境条件应用了数据校准算法。 例如，在某些情况下，高湿度可能会导致低成本传感器过度报告 PM2.5 的水平。 同样，污染成分（运输产生的污染、沙尘暴、煤基污染等）也会极大地影响测量结果，AirVisual 平台利用卫星图像来确定污染成分，并将其用于校准机制中。 因此，该校准 & 修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，并相应调整 PM2.5 测量值。

调整水平由基于人工智能 & 机器学习的云系统决定。 通过汇总参考传感器、AirVisual 传感器、气象数据以及卫星图像中的污染成分等数十亿年来的全球空气质量数据点，该系统一直在学习世界各地不同空气质量参数之间复杂的历史关系。

由于全球不同地区的可吸入颗粒物成分差异很大，因此在地方/区域层面区分可吸入颗粒物与湿度等因素的相关性至关重要。 这些相关性会因 PM 的本地组成不同而有很大差异，因此必须在本地校准和校正算法中加以考虑。