По теме исследования рассмотрены существующие решения и технологии в разработке аппаратно-программного комплекса, в частности, по мониторингу и контролю уровня воды; учтены статистические данные официальных источников и результаты эмпирических исследований о потребностях пользователей в мониторинге уровня воды; определены по теме исследования технические характеристики и возможности, используемых модулей беспроводной передачи данных; проанализирована информация о возможностях и ограничениях баз данных для хранения информации об уровне воды; разработана плата, на которую устанавливаются модули беспроводной передачи данных (WiFi, GSM, LoRaWan) для удаленного подключения и работы базы данных; определен программно-аппаратный комплекс ҺSmartАКВАһ как устройство с ультразвуковым датчиком и защищенным водонепроницаемым излучателем, на основе печатной платы ESP32, который считывает уровень воды в любом резервуаре; установлены возможности и пути реализации, а также монетизации программно-аппаратного комплекса "SmartАКВА".

Отмечается, что методология прогнозирования временных рядов различается в зависимости от выбранного метода прогнозирования. В общем случае методология может быть описана следующим образом: сбор и подготовка данных, необходимых для прогнозирования; предварительный анализ данных на наличие аномальных уровней ряда динамики; выбор метода прогнозирования на основе характеристик данных, целей и доступных ресурсов; спецификация и проверка модели ряда динамики; прогнозирование и оценка результатов. В данной статье строится аддитивная модель уровней временного ряда для расчёта прогнозных значений показателей сельскохозяйственного производства на примере Республики Саха (Якутия). В статье показан выбор модели и алгоритм расчета показателей факторных компонент аддитивной модели. Для начала проводится расчет оценок сезонной компоненты в аддитивной модели по данным индексов производства продукции сельского хозяйства Республики Саха (Якутия). Рассчитываются значения сезонной компоненты в аддитивной модели, с использованием средней оценки сезонной компоненты и скорректированной сезонной компоненты. Раскрываются особенности построения линейного тренда с помощью формул и встроенных функций табличного процессора MS ҺExcelһ, на основе которых в дальнейшем получен результат аналитического выравнивания. А также в статье рассчитываются значения трендовой и случайной компонент. С помощью построенной модели рассчитываются прогнозные значения об объеме производства продукции сельского хозяйства за 1-й и 2-й кварталы 2023 года. Показывается, что одной из главных целей прогнозирования объемов производства продукции сельского хозяйства является выявление наиболее перспективного направления. It is noted that the methodology of time series forecasting differs depending on the chosen forecasting method. In general, the methodology can be described as follows: collection and preparation of data necessary for forecasting; preliminary analysis of data for the presence of abnormal levels of a number of dynamics; selection of a forecasting method based on data characteristics, goals and available resources; specification and verification models of a series of dynamics; forecasting and evaluation of results. In this article, an additive model of time series levels is constructed to calculate the forecast values of agricultural production indicators on the example of the Republic of Sakha (Yakutia). The article shows the choice of the model and the algorithm for calculating the indicators of the factor components of the additive model. To begin with, estimates of the seasonal component in the additive model are calculated according to the agricultural production indices of the Republic of Sakha (Yakutia). The values of the seasonal component in the additive model are calculated using the average estimate of the seasonal component and the adjusted seasonal component. The features of constructing a linear trend using formulas and built-in functions of the MS "Excel" tabular processor are revealed, on the basis of which the result of analytical alignment is subsequently obtained. The article also calculates the values of the trend and random components. With the help of the constructed model, forecast values on the volume of agricultural production for the 1st and 2nd quarters of 2023 are calculated. It is shown that one of the main goals of forecasting the volume of agricultural production is to identify the most promising direction.