平日，我们定期以一小时的间隔记录树木的倾斜角度，而当香港天文台发出暴雨或台风信号时，则会更频繁地记录读数（间隔五分钟）。包含收集时间、横滚角和俯仰角信息的数据包通过网关通过 LoRaWAN 或 4g 网络从传感器传输，具体取决于传感器中使用的通信模块。然后，树木监测系统从网络平台采集数据，并将数据记录在倾斜角度数据库中进行进一步分析。由于初始角度测量值因安装工程和自然树倾斜而变化，因此即时进行后处理以初始化角度测量值。假设树木在安装当天后是稳定的，安装第一天后的滚动角和俯仰角读数被认为是初始值。对于初始化后进行的测量，将当前测量值减去方程中列出的初始值。

季节性分解旨在检查信号的趋势以及季节性或周期性模式。本研究采用具有季节分解的加性模型分析了树木倾斜角的时间序列。由于原始数据没有在等距频率点进行校正，因此通过对季节分解分析的时间序列和设置进行重采样，将倾斜角的时间序列预处理为常规采样频率。在预处理的时间序列中，使用线性插值将倾斜角重新采样为1 min间隔;周期的默认长度设置为 1 天（24 小时），并外推趋势以进行预测。在小波技术中，通过应用单个小波函数的缩放和控制因子的组合，将信号转换为多个较低分辨率的水平。小波分析通过改变信号的分辨率来滤除信号的高频或低频部分。对于每次小波变换，根据奈奎斯特规则丢弃一半频率较高的信号分量，而滤波信号的点减少一半。对于倾斜角分析，使用离散小波变换（DWT）。 欣仰邦树木倾斜监测模型的高级形式，它在数据分析中加入了时间序列的季节性成分。在研究的这一部分中，倾斜传感器的所有倾斜角度读数被重新采样为1小时间隔（式（5））。超参数的顺序限制在 0 到 2 之间，而时间步长 （m） 的数量设置为 24（一天）。该研究采用了两种模型——提前一步预测（提前1小时）模型和长期预测（提前15天）模型。“一步领先”模型旨在预测未来一小时的树木倾斜角度，以检测树木的突然和潜在变化，例如倒塌、传感器干扰和故障。其中，x、y和 z 表示一般倾斜的三个参数。表示过去值的自回归方面;d 是控制模型中时间序列差异量的积分部分;对应于模型中的移动平均部分。为了纳入季节性分量，在基本 模型中添加了三个附加分量：季节性自回归 、季节性差异和季节性差异;与时间步长数. 选取郊外10个树木样本及市区6个树木样本进行树木倾斜角分析。为了提前一步进行预报，天文台的天气观测数据作为外生变量应用于该模式。由于「郊外树木样本与石岗自动气象站之间的距离」，以及「市郊树木样本与观塘及围仔自动气象站之间的距离」是最短的，因此提取了这些气象站的温度记录。然而，长期预测模型的结果并没有显示出非常高的相关性。