AirVisual प्लेटफॉर्म पर प्रकाशन से पहले वायु गुणवत्ता डेटा को कैसे सत्यापित किया जाता है?

AirVisual प्लेटफ़ॉर्म का उद्देश्य वर्तमान में उपलब्ध जितनी भी वायु गुणवत्ता जानकारी है, उसे एक स्थान पर केंद्रीकृत और संकलित करना है, ताकि वैश्विक वायु गुणवत्ता का सबसे व्यापक अवलोकन प्रदान किया जा सके।

AirVisual प्लेटफ़ॉर्म के माध्यम से रिपोर्ट किए गए डेटा स्रोतों में सरकारी निगरानी स्टेशनों से सेंसर डेटा शामिल है (जो आमतौर पर उच्च-लागत वाले "संदर्भ मॉनिटर" माने जाते हैं), साथ ही कम-लागत सेंसर जैसे सार्वजनिक AirVisual Pro स्टेशन और PurpleAir सेंसर भी शामिल हैं।

AirVisual प्लेटफ़ॉर्म के माध्यम से प्रकाशित सभी डेटा डेटा सत्यापन के अधीन हैं, और यह प्रक्रिया इन दोनों सेंसर डेटा स्रोतों के बीच भिन्न होती है।

AirVisual का डेटा सत्यापन प्रणाली क्लाउड-आधारित और मशीन लर्निंग द्वारा संचालित है, और सभी माप इस प्रणाली से गुजरते हैं इससे पहले कि हमारे प्लेटफ़ॉर्म पर प्रकाशित किए जाएं।

सरकारी "संदर्भ" सेंसर डेटा

हालांकि उच्च-लागत वाले सरकारी सेंसर आमतौर पर मापी गई वायु गुणवत्ता डेटा के सबसे सटीक और विश्वसनीय स्रोत माने जाते हैं, कभी-कभी ये सेंसर विसंगतियाँ या गलत डेटा भी रिपोर्ट करते हैं। इसके कारणों में अस्थायी रखरखाव या दोष, या सेंसर के आसपास अस्थायी हाइपरलोकल उत्सर्जन स्रोत शामिल हो सकते हैं।

इसलिए, सभी सरकारी सेंसर डेटा को प्रकाशित करने से पहले डेटा सत्यापन प्रणाली के अधीन किया जाता है। इस सत्यापन का एक उदाहरण यह है कि क्लाउड-आधारित प्रणाली किसी स्टेशन द्वारा प्रकाशित संभावित विसंगतियों की पहचान करती है (उदाहरण के लिए, एक घंटे से अगले घंटे में PM2.5 का अचानक उच्च उछाल 10ug/m3 से 100ug/m3 तक), और यह जांचने के लिए अन्य नजदीकी मापों के साथ क्रॉस-चेक करती है कि क्या ऐसा उछाल प्रतिनिधि है या विसंगति। सत्यापन प्रक्रिया ऐतिहासिक पैटर्न और मौसम की स्थितियों जैसे अन्य मानकों के साथ भी क्रॉस-चेक करती है। फिर मान को तदनुसार प्रकाशित या अस्वीकार किया जाएगा।

कम लागत वाले सेंसर

कम लागत वाले सेंसर से प्राप्त मापों को भी ऊपर वर्णित सत्यापन प्रक्रिया के अतिरिक्त एक डेटा कैलिब्रेशन और सुधार प्रक्रिया के अधीन किया जाता है, जो विसंगत रीडिंग्स की पहचान कर उन्हें अस्वीकार करती है।

कम लागत वाले सेंसर पर लागू प्रणाली आस-पास की स्थितियों जैसे तापमान, आर्द्रता, प्रदूषण संरचना को ध्यान में रखती है और पर्यावरणीय परिस्थितियों के आधार पर एक डेटा कैलिब्रेशन एल्गोरिदम लागू करती है। उदाहरण के लिए, उच्च आर्द्रता स्तर कुछ परिस्थितियों में कम लागत वाले सेंसर को PM2.5 के स्तर को अधिक रिपोर्ट करने का कारण बन सकती है। इसी तरह, प्रदूषण संरचना (परिवहन से उत्पन्न प्रदूषण, रेतीली आंधी, कोयला आधारित प्रदूषण, आदि) माप को बहुत प्रभावित करती है और AirVisual प्लेटफ़ॉर्म कैलिब्रेशन तंत्र में उपयोग के लिए प्रदूषण संरचना निर्धारित करने के लिए उपग्रह छवियों का उपयोग करता है। इसलिए, यह कैलिब्रेशन और सुधार एल्गोरिदम स्थानीय आर्द्रता स्तर और अन्य पर्यावरणीय मानकों के साथ-साथ क्षेत्रीय ऐतिहासिक पैटर्न को ध्यान में रखता है और PM2.5 मापों को तदनुसार समायोजित करता है।

समायोजन स्तर क्लाउड-आधारित प्रणाली द्वारा निर्धारित किया जाता है जो कृत्रिम बुद्धिमत्ता और मशीन लर्निंग पर आधारित है। संदर्भ सेंसर, AirVisual सेंसर, मौसम विज्ञान डेटा, और उपग्रह छवियों से प्रदूषण संरचना सहित अनेक वर्षों के अरबों वैश्विक वायु गुणवत्ता डेटा बिंदुओं को संकलित करके, यह प्रणाली दुनिया के विभिन्न भागों में विभिन्न वायु गुणवत्ता मानकों के बीच जटिल ऐतिहासिक संबंधों को सीख रही है।

चूंकि पीएम की संरचना दुनिया के विभिन्न क्षेत्रों में व्यापक रूप से भिन्न हो सकती है, इसलिए पीएम और स्थानीय/क्षेत्रीय स्तर पर आर्द्रता जैसे कारकों के बीच संबंधों को अलग करना बहुत महत्वपूर्ण है। ये संबंध पीएम की विभिन्न स्थानीय संरचनाओं के आधार पर व्यापक रूप से भिन्न हो सकते हैं, और इसलिए स्थानीय कैलिब्रेशन और सुधार एल्गोरिदम के लिए इन्हें ध्यान में रखना आवश्यक है।