La plataforma AirVisual pretende centralizar y agregar en un solo lugar toda la información sobre calidad del aire disponible en la actualidad, con el fin de ofrecer la visión más completa de la calidad del aire mundial.

Las fuentes de datos que se comunican a través de la plataforma AirVisual incluyen datos de sensores, procedentes de estaciones de control gubernamentales (normalmente considerados "monitores de referencia" de alto coste), así como sensores de bajo coste, como las estaciones públicas AirVisual Pro y los sensores PurpleAir.

Todos los datos que se publican a través de la plataforma AirVisual están sujetos a validación de datos, y este proceso difiere entre estas dos fuentes de datos de sensores.

El sistema de validación de datos de AirVisual se basa en la nube y está impulsado por el aprendizaje automático, y todas las mediciones pasan por este sistema antes de publicarse en nuestra plataforma.

Datos de sensores gubernamentales de "referencia

Aunque los sensores gubernamentales de alto coste suelen considerarse la fuente más precisa y fiable de datos medidos sobre la calidad del aire, a veces estos sensores también informan de anomalías o datos inexactos. Las razones pueden ser periodos temporales de mantenimiento o defectos, o incluso fuentes de emisión hiperlocales temporales cercanas al sensor.

En consecuencia, todos los datos de los sensores gubernamentales se someten a un sistema de validación de datos antes de su publicación. Un ejemplo de esta validación es que el sistema basado en la nube identifica cualquier posible anomalía publicada por una estación (por ejemplo, un repentino pico elevado de PM2,5 de 10ug/m³ a 100ug/m³ de una hora a otra), y lo cotejará con otras mediciones cercanas para verificar si ese pico es representativo o una anomalía. El proceso de validación también se compara con patrones históricos y otros parámetros, como las condiciones meteorológicas. A continuación, el valor se publica o se descuenta en consecuencia.

Sensores de bajo coste

Las mediciones de los sensores de bajo coste también se someten a un proceso de calibración y corrección de datos, además del proceso de validación descrito anteriormente, que identificará y descontará las lecturas anómalas.

El sistema aplicado a los sensores de bajo coste tiene en cuenta las condiciones cercanas, como la temperatura, la humedad y la composición de la contaminación, y aplica un algoritmo de calibración de datos basado en las condiciones ambientales. Por ejemplo, unos niveles de humedad elevados pueden dar lugar en determinadas circunstancias a que los sensores de bajo coste informen en exceso sobre los niveles de PM2,5. Del mismo modo, la composición de la contaminación (contaminación generada por el transporte, tormentas de arena, contaminación basada en el carbón, etc.) afecta en gran medida a la medición y la plataforma AirVisual utiliza imágenes de satélite para determinar la composición de la contaminación que se utilizará en el mecanismo de calibración. Por lo tanto, este algoritmo de calibración y corrección tiene en cuenta los niveles locales de humedad y otros parámetros medioambientales, además de los patrones históricos regionales, y ajusta las mediciones de PM2,5 en consecuencia.

El nivel de ajuste lo determina el sistema basado en la nube que se basa en la inteligencia artificial y el aprendizaje automático. A través de la agregación de miles de millones de puntos de datos sobre la calidad del aire mundial durante numerosos años, procedentes de sensores de referencia, sensores AirVisual, datos meteorológicos y composición de la contaminación a partir de imágenes por satélite, este sistema ha ido aprendiendo las complejas relaciones históricas entre los distintos parámetros de calidad del aire en diferentes partes del mundo.

Dado que la composición de las PM puede variar ampliamente entre las distintas zonas del mundo, es crucial distinguir entre las correlaciones de las PM y factores como la humedad a nivel local / regional. Estas correlaciones pueden variar ampliamente en función de las diferentes composiciones locales de PM y, por lo tanto, deben tenerse en cuenta para los algoritmos locales de calibración y corrección.

Volver a la base de conocimientos de AirVisual