AirVisual平台旨在集中和汇总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 平台报告的数据来源包括来自政府监测站（通常被视为高成本的 "参考 监测仪 "）以及公共 AirVisual Pro 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来源的验证过程有所不同。
AirVisual的数据验证系统基于云，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经过该系统的验证。
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维护或缺陷，甚至是传感器附近的临时超本地排放源。
因此，所有政府传感器的数据在发布前都要经过数据验证系统。这种验证的一个例子是，基于云的系统会识别监测站发布的任何潜在异常情况（例如，PM2.5 从一小时到下一小时从 10ug/m3 突然飙升到 100ug/m3），并与附近的其他测量数据进行交叉检查，以验证这种飙升是具有代表性的，还是异常情况。验证过程还会与历史模式和天气条件等其他参数进行交叉检查。然后会相应地公布或折算数值。
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，该过程将识别并扣除异常读数。
应用于低成本传感器的系统会考虑附近的温度、湿度、污染成分等条件，并根据环境条件应用数据校准算法。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、煤炭污染等）也会极大地影响测量结果，AirVisual平台使用卫星图像来确定污染成分，以便在校准机制中使用。因此，该校准和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，并对 PM2.5 测量值进行相应调整。
调整水平由基于人工智能和机器学习的云系统决定。该系统通过汇总多年来全球数十亿个空气质量数据点，包括参考传感器、AirVisual传感器、气象数据以及卫星图像中的污染成分，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，因此区分可吸入颗粒物与湿度等因素在地方/区域层面的相关性至关重要。这些相关性会因不同的地方而有很大差异。 因此，本地校准和校正算法必须考虑到可吸入颗粒物的成分。
