La plateforme AirVisual vise à centraliser et agréger autant d'informations sur la qualité de l'air que possible en un seul endroit, afin de fournir une vue d'ensemble la plus complète de la qualité de l'air à l'échelle mondiale.

Les sources de données rapportées via la plateforme AirVisual incluent les données des capteurs, provenant des stations de surveillance gouvernementales (généralement considérées comme des "moniteurs de référence" à coût élevé), ainsi que des capteurs à faible coût tels que les stations publiques AirVisual Pro et les capteurs PurpleAir.

Toutes les données publiées via la plateforme AirVisual sont soumises à une validation des données, et ce processus diffère selon ces deux sources de données de capteurs.

Le système de validation des données de AirVisual est basé sur le cloud et piloté par l'apprentissage automatique, et toutes les mesures passent par ce système avant d'être publiées sur notre plateforme.

Données des capteurs "de référence" gouvernementaux

Bien que les capteurs gouvernementaux à coût élevé soient généralement considérés comme la source la plus précise et fiable de données mesurées sur la qualité de l'air, ces capteurs peuvent parfois également rapporter des anomalies ou des données inexactes. Les raisons peuvent inclure des périodes temporaires de maintenance ou des défauts, voire des sources d'émission hyperlocales temporaires à proximité du capteur.

En conséquence, toutes les données des capteurs gouvernementaux sont soumises à un système de validation avant publication. Un exemple de cette validation est que le système basé sur le cloud identifie toute anomalie potentielle publiée par une station (par exemple, une brusque augmentation élevée de PM2,5 de 10 µg/m3 à 100 µg/m3 d'une heure à l'autre), et vérifie avec d'autres mesures proches pour confirmer si cette augmentation est représentative ou une anomalie. Le processus de validation vérifie également les tendances historiques et d'autres paramètres tels que les conditions météorologiques. La valeur sera alors publiée ou écartée en conséquence.

Capteurs à faible coût

Les mesures provenant des capteurs à faible coût sont également soumises à un processus d'étalonnage et de correction des données, en plus du processus de validation décrit ci-dessus, qui identifiera et écartera les lectures anormales.

Le système appliqué aux capteurs à faible coût prend en compte les conditions environnantes telles que la température, l'humidité, la composition de la pollution et applique un algorithme d'étalonnage des données basé sur les conditions environnementales. Par exemple, des niveaux élevés d'humidité peuvent dans certaines circonstances conduire les capteurs à faible coût à surestimer les niveaux de PM2,5. De même, la composition de la pollution (pollution générée par les transports, tempêtes de sable, pollution à base de charbon, etc.) affecte grandement la mesure et la plateforme AirVisual utilise des images satellites pour déterminer la composition de la pollution à utiliser dans le mécanisme d'étalonnage. Par conséquent, cet algorithme d'étalonnage et de correction prend en compte les niveaux locaux d'humidité et d'autres paramètres environnementaux, en plus des tendances historiques régionales, et ajuste les mesures de PM2,5 en conséquence.

Le niveau d'ajustement est déterminé par le système basé sur le cloud qui repose sur l'intelligence artificielle et l'apprentissage automatique. En agrégeant des milliards de points de données mondiaux sur la qualité de l'air sur de nombreuses années, provenant de capteurs de référence, de capteurs AirVisual, de données météorologiques et de la composition de la pollution à partir d'images satellites, ce système a appris les relations historiques complexes entre différents paramètres de qualité de l'air dans différentes parties du monde.

Étant donné que la composition des PM peut varier considérablement entre différentes régions du monde, il est crucial de distinguer les corrélations entre les PM et des facteurs tels que l'humidité au niveau local/régional. Ces corrélations peuvent varier largement en fonction des différentes compositions locales des PM, et doivent donc être prises en compte pour les algorithmes de calibration et de correction locaux.

CRÉER UN CAS