AirVisual 플랫폼은 현재 이용 가능한 최대한의 대기질 정보를 한 곳에 중앙집중화하고 통합하여 전 세계 대기질에 대한 가장 포괄적인 개요를 제공하는 것을 목표로 합니다.

AirVisual 플랫폼을 통해 보고되는 데이터 출처에는 정부 모니터링 스테이션(일반적으로 고비용의 "참조 모니터"로 간주됨)에서 수집된 센서 데이터뿐만 아니라 공공 AirVisual Pro 스테이션 및 PurpleAir 센서와 같은 저비용 센서도 포함됩니다.

AirVisual 플랫폼을 통해 게시되는 모든 데이터는 데이터 검증을 거치며, 이 과정은 두 가지 센서 데이터 출처 간에 차이가 있습니다.

AirVisual의 데이터 검증 시스템은 클라우드 기반이며 머신러닝으로 구동되며, 모든 측정값은 플랫폼에 게시되기 전에 이 시스템을 통과합니다.

정부 "참조" 센서 데이터

고비용의 정부 센서는 일반적으로 가장 정확하고 신뢰할 수 있는 대기질 측정 데이터 출처로 간주되지만, 때때로 이러한 센서도 이상치나 부정확한 데이터를 보고할 수 있습니다. 이는 일시적인 유지보수 기간이나 결함, 또는 센서 근처의 일시적인 국지적 배출원 때문일 수 있습니다.

따라서 모든 정부 센서 데이터는 게시 전에 데이터 검증 시스템의 대상이 됩니다. 이 검증의 한 예로, 클라우드 기반 시스템은 스테이션에서 게시된 잠재적 이상치(예: 한 시간에서 다음 시간으로 PM2.5가 10ug/m3에서 100ug/m3로 갑작스러운 급증)를 식별하고, 이러한 급증이 대표적인지 아니면 이상치인지를 확인하기 위해 인근 다른 측정값과 교차 확인합니다. 검증 과정은 또한 과거 패턴과 기상 조건과 같은 기타 매개변수도 교차 확인합니다. 그 후 값은 적절히 게시되거나 무시됩니다.

저비용 센서

저비용 센서의 측정값도 위에서 설명한 검증 과정 외에 데이터 보정 및 수정 과정을 거쳐 이상치 판별 및 제외가 이루어집니다.

저비용 센서에 적용되는 시스템은 온도, 습도, 오염 구성과 같은 인근 조건을 고려하며 환경 조건에 기반한 데이터 보정 알고리즘을 적용합니다. 예를 들어, 높은 습도 수준은 특정 상황에서 저비용 센서가 PM2.5 수치를 과대 보고하게 만들 수 있습니다. 마찬가지로 오염 구성(교통으로 인한 오염, 모래 폭풍, 석탄 기반 오염 등)은 측정에 큰 영향을 미치며, AirVisual 플랫폼은 위성 이미지를 사용해 보정 메커니즘에 적용할 오염 구성을 결정합니다. 따라서 이 보정 및 수정 알고리즘은 지역 습도 수준과 기타 환경 매개변수뿐만 아니라 지역의 과거 패턴을 고려하여 PM2.5 측정값을 조정합니다.

조정 수준은 인공지능 및 머신러닝 기반의 클라우드 시스템에 의해 결정됩니다. 참조 센서, AirVisual 센서, 기상 데이터, 위성 이미지로부터의 오염 구성 등 수십억 건의 전 세계 대기질 데이터 포인트를 수년간 집계함으로써, 이 시스템은 세계 각지의 다양한 대기질 매개변수 간 복잡한 역사적 관계를 학습해 왔습니다.

PM의 구성은 전 세계의 다양한 지역마다 크게 다를 수 있으므로, 지역적/국지적 수준에서 습도와 같은 요인들과 PM 간의 상관관계를 구분하는 것이 매우 중요합니다. 이러한 상관관계는 PM의 지역별 구성에 따라 크게 달라질 수 있으므로, 지역별 보정 및 수정 알고리즘에 반드시 반영되어야 합니다.

케이스 만들기