平日，我們定期以一小時的間隔記錄樹木的傾斜角度，而當香港天文臺發出暴雨或臺風信號時，則會更頻繁地記錄讀數（間隔五分鐘）。包含收集時間、橫滾角和俯仰角信息的數據包通過網關通過 LoRaWAN 或 4g 網絡從傳感器傳輸，具體取決于傳感器中使用的通信模塊。然后，樹木監測系統從網絡平臺采集數據，并將數據記錄在傾斜角度數據庫中進行進一步分析。由于初始角度測量值因安裝工程和自然樹傾斜而變化，因此即時進行后處理以初始化角度測量值。假設樹木在安裝當天后是穩定的，安裝第一天后的滾動角和俯仰角讀數被認為是初始值。對于初始化后進行的測量，將當前測量值減去方程中列出的初始值。 季節性分解旨在檢查信號的趨勢以及季節性或周期性模式。本研究采用具有季節分解的加性模型分析了樹木傾斜角的時間序列。由于原始數據沒有在等距頻率點進行校正，因此通過對季節分解分析的時間序列和設置進行重采樣，將傾斜角的時間序列預處理為常規采樣頻率。在預處理的時間序列中，使用線性插值將傾斜角重新采樣為1 min間隔;周期的默認長度設置為 1 天（24 小時），并外推趨勢以進行預測。在小波技術中，通過應用單個小波函數的縮放和控制因子的組合，將信號轉換為多個較低分辨率的水平。小波分析通過改變信號的分辨率來濾除信號的高頻或低頻部分。對于每次小波變換，根據奈奎斯特規則丟棄一半頻率較高的信號分量，而濾波信號的點減少一半。對于傾斜角分析，使用離散小波變換（DWT）。
 
欣仰邦樹木傾斜監測模型的高級形式，它在數據分析中加入了時間序列的季節性成分。在研究的這一部分中，傾斜傳感器的所有傾斜角度讀數被重新采樣為1小時間隔（式（5））。超參數的順序限制在 0 到 2 之間，而時間步長 （m） 的數量設置為 24（一天）。該研究采用了兩種模型——提前一步預測（提前1小時）模型和長期預測（提前15天）模型。“一步領先”模型旨在預測未來一小時的樹木傾斜角度，以檢測樹木的突然和潛在變化，例如倒塌、傳感器干擾和故障。
其中，x、y和 z 表示一般傾斜的三個參數。表示過去值的自回歸方面;d 是控制模型中時間序列差異量的積分部分;對應于模型中的移動平均部分。為了納入季節性分量，在基本 模型中添加了三個附加分量：季節性自回歸 、季節性差異和季節性差異;與時間步長數.
 
選取郊外10個樹木樣本及市區6個樹木樣本進行樹木傾斜角分析。為了提前一步進行預報，天文臺的天氣觀測數據作為外生變量應用于該模式。由于「郊外樹木樣本與石崗自動氣象站之間的距離」，以及「市郊樹木樣本與觀塘及圍仔自動氣象站之間的距離」是最短的，因此提取了這些氣象站的溫度記錄。然而，長期預測模型的結果并沒有顯示出非常高的相關性。