http://dspace.univ-djelfa.dz:8080/xmlui/handle/123456789/120 2026-10-19T14:50:11Z http://dspace.univ-djelfa.dz:8080/xmlui/handle/112/8608 Application des techniques d’apprentissage automatique pour la prédiction de la rigidité des sols-supports des structures de chaussées // Application of machine learning techniques to predict the subgrades-soil strength for pavement structure بوقدرة, بلال Bouguedra Billel Le CBR est un indicateur clé de la rigidité des structures de chaussées. Cependant, sa détermination nécessite des efforts sur le terrain et en laboratoire, ainsi qu'un temps considérable. C'est pourquoi l'AI a été utilisée pour prédire les valeurs du CBR. Grâce à l'observation et à le questionnaire au niveau des archives du laboratoire de sol et des matériaux du Organisme CTTP, une base de données a été constituée, comprenant 1123 échantillons de sols fins provenant de divers régions du nord-est de l'Algérie. Cette base de données comprend 12 paramètres du sol qui représentent la granulométrie, la plasticité et les caractéristiques de compactage. Cinq modèles de ML ont été développés à savoir : MLR, MLPNN, RF, GPR et SVR. La technique de validation croisée en 10-fold a été intégrée aux les cinq modèles pour une division optimale des données entre l'entraînement et le test et pour éviter le sur-apprentissage. De plus, les deux modèles GPR et SVR ont été hybride avec l'Algorithme d'Optimisation Bayésienne (TPE) pour ajuster les hyper-paramètres de ces deux modèles afin d'obtenir une meilleure efficacité. Les performances des modèles sont évaluées selon les valeurs de coefficient de détermination (R2) ainsi que les erreurs (MSE, RMSE, MAE et MAPE(%)). D’autre part l’utilisation des techniques avancées de sélection des données à travers les deux méthodes RFE et EFS a permis de réduire la taille des données de 12 entrées à seulement 7, ce qui a également amélioré la performance de modèles. Les résultats de l'étude ont donné des valeurs satisfaisantes avec les deux modèles GPR et SVR, avec des valeurs de R² dépassant le seuil de 95% et de faibles taux d'erreur, ce qui prouve la bonne réponse des deux modèles aux techniques d'optimisation dans cette étude. Cependant, à travers la comparaison, il a été démontré que le GPR est plus efficace et surpasse les modèles conventionnels, En plus de sa supériorité sur les modèles hybrides (SVR, H-DNN, H-XGB, H-LGB et H-Ada). Les résultats de performance de modèle GPR hybridé sont : (𝑅²=0.9982/0.9935, 𝑀𝑆𝐸=0.0768/0.2974, 𝑅𝑀𝑆𝐸=0.2771/0.5453, 𝑀𝐴𝐸=0.2107/0.4364 et 𝑀𝐴𝑃𝐸(%)=5.32/13.79). En fin l'application de la méthode SHAP sur le modèle de GPR et Sobol sur le modèle de SVR a montré que la densité sèche optimale (MDD) des échantillons est l'entrée ayant le plus d’impact sur la sortie CBR. The CBR is a key indicator of the strentgh of pavement structures. However, its determination requires efforts in the field and in the laboratory, as well as considerable time. This is why AI has been used to predict CBR values. Through observation and a questionnaire at the archives of the soil and materials laboratory of the CTTP organization, a database was created, including 1123 samples of fine soils from various regions of north-eastern Algeria. This database includes 12 soil parameters that represent grain size, plasticity, and compaction characteristics. Five ML models were developed, namely: MLR, MLPNN, RF, GPR, and SVR. The 10-fold cross validation technique was integrated into the five models for optimal data partitioning between training and testing and to avoid overfitting. Additionally, the GPR and SVR models were hybridized with the Bayesian Optimization Algorithm (TPE) to fine-tune the hyperparameters of these two models for better efficiency. The performance of the models is evaluated according to the coefficient of determination (R²) as well as errors (MSE, RMSE, MAE, and MAPE(%)). Furthermore, the use of advanced data selection techniques through the two methods RFE and EFS allowed for reducing the size of the data from 12 inputs to only 7, which also improved the performance of the models. The results of the study provided satisfactory values for both GPR and SVR models, with R² values exceeding the threshold of 95% and low error rates, demonstrating the good responsiveness of both models to optimization techniques in this study. However, through comparison, it has been shown that GPR is more effective and surpasses conventional models, in addition to its superiority over hybrid models (SVR, H-DNN, H-XGB, H-LGB, and H-Ada). The performance results of the hybrid GPR model are : (𝑅²=0.9982/0.9935, 𝑀𝑆𝐸=0.0768/0.2974, 𝑅𝑀𝑆𝐸=0.2771/0.5453, 𝑀𝐴𝐸=0.2107/0.4364 et 𝑀𝐴𝑃𝐸(%)=5.32/13.79). Finally, the application of the SHAP method on the GPR model and Sobol on the SVR model showed that the optimal dry density (MDD) of the samples is the input having the most impact on the CBR output. تُعدّ نسبة كاليفورنيا لتحمّل التربة (CBR) مؤشرًا أساسيًا لتقييم مقاومة طبقات الرصف. غير أنّ تحديد هذه النسبة يتطلب بذل جهود ميدانية ومخبرية، فضلًا عن استغراق وقت معتبر. لذلك، تمّ اللجوء إلى تقنيات الذكاء الاصطناعي للتنبؤ بقيم CBR. ومن خلال المعاينة والاستبيان على مستوى أرشيف مخبر التربة والمواد التابع لهيئة CTTP، تمّ إنشاء قاعدة بيانات تضمّ 1123 عيّنة من التربة الناعمة المأخوذة من مناطق مختلفة من شمال شرق الجزائر. وتشتمل هذه القاعدة على 12 متغيرًا للتربة تمثّل خصائص التدرّج الحبيبي، واللدونة، والدمك. تمّ تطوير خمسة نماذج للتعلّم الآلي، وهي: الانحدار الخطي المتعدد (MLR)، والشبكة العصبية الاصطناعية متعددة الطبقات (MLPNN)، والغابة العشوائية (RF)، والانحدار بعملية غاوسية (GPR)، والانحدار بالمتجهات الداعمة (SVR). كما تمّ دمج تقنية التحقّق المتقاطع ذي الطيات العشر (10-fold Cross-Validation) ضمن النماذج الخمسة، بهدف تحقيق تقسيم أمثل للبيانات بين مجموعتي التدريب والاختبار، وتجنّب فرط التعلّم. بالإضافة إلى ذلك، تمّ دمج نموذجي GPR وSVR مع خوارزمية التحسين البايزي (TPE)، من أجل ضبط المعلمات الفائقة لهذين النموذجين وتحسين كفاءتهما. تمّ تقييم أداء النماذج اعتمادًا على معامل التحديد (R²)، بالإضافة إلى مؤشرات الخطأ، وهي: متوسط مربع الخطأ (MSE)، والجذر التربيعي لمتوسط مربع الخطأ (RMSE)، ومتوسط الخطأ المطلق (MAE)، ومتوسط نسبة الخطأ المطلق (MAPE%). علاوة على ذلك، أتاح استخدام تقنيات متقدمة لاختيار المتغيرات، من خلال طريقتي الإزالة التكرارية للمتغيرات (RFE) والاختيار الأمثل للخصائص (EFS)، تقليص عدد المدخلات من 12 متغيرًا إلى 7 متغيرات فقط، وهو ما ساهم أيضًا في تحسين أداء النماذج. أظهرت نتائج الدراسة أداءً مُرضيًا لكلّ من نموذجي GPR وSVR، حيث تجاوزت قيم معامل التحديد (R²) نسبة 95%، مع تسجيل معدلات خطأ منخفضة، مما يدلّ على الاستجابة الجيدة لكلا النموذجين لتقنيات التحسين المعتمدة في هذه الدراسة. غير أنّ المقارنة بين النماذج بيّنت أنّ نموذج GPR أكثر فعالية، إذ تفوّق على النماذج التقليدية، فضلًا عن تفوّقه على النماذج الهجينة الأخرى، وهي: SVR وH-DNN وH-XGB وH-LGB وH-Ada. وقد سجّل نموذج GPR الهجين مؤشرات الأداء التالية: (R² = 0.9982/0.9935، وMSE = 0.0768/0.2974، وRMSE = 0.2771/0.5453، وMAE = 0.2107/0.4364، وMAPE (%) = 5.32/13.79). وأخيرًا، أظهر تطبيق طريقة SHAP على نموذج GPR وطريقة مؤشرات سوبول (Sobol) على نموذج SVR أنّ الكثافة الجافة القصوى (MDD) لعيّنات التربة تمثّل المتغير الأكثر تأثيرًا في القيمة المتوقعة لنسبة CBR. 2026-07-07T00:00:00Z http://dspace.univ-djelfa.dz:8080/xmlui/handle/112/8607 Automatic Seegmentation Medical Image Using Deep Learning لحمر, حنين Lahmar Hanine يشهد قطاع الرعاية الصحية تطورًا سريعًا في مجالال تشخيص الطبي المدعوم بالذكاء الاصطناعي ، مع تزايد الاهتمام بتقنيات التعلّم العميق في تحليل الصور الطبية . تكمن أهمية هذا المجال في قدرته على تحسين دقة التشخيص ، وتسريع عملية التحليل ، وتقديم حلول مبتكرة للتحديات التي يواجهها الأطباء عند التفسير اليدوي للصور الطبية. في إطار هذاالعمل ، طُوّّ ِرنموذج انمُحسَّن انقائمان على شبكة Unet لتحسين دقة التجزئة الدلالية للصور الطبية .يتميز النموذج الأول وصلات التخطّي باستخدام طبقات التفافية إضافية للحفاظ على التفاصيل المكانية الدقيقة دون زيادة في التكلفة الحسابية .أماالنموذج الثاني ، فيستخدم مُشفّرًا قويًا قائمًا على شبكة VGG19، مُدرّبًا مسبقًا على مجموعة بيانات ImageNet، مقترنًا بمفكك مُحسَّن يتميز بكتل التفافية أعمق لتحسين الدقة المكانية .بالإضافة إلى ذلك ،تم استحداث مرحلة للمعالجةالأوليةلدراسةتأثيرتحسين الصورة على أداء عملية التجزئة ؛ حيث تم تطبيق مرشحات غاوسو الوسيط بشكل منفصل لتقليل الضوضاء ،بينمااستُخدمت تقنيةCLAHEلتحسين التباين .وقد أظهرت النتائج التجريبية تحسناً في دقة التجزئة،ممايثبت فعالية هذه الابتكارات المتعلقة بالبنية ومعالجة البيانات الأولية. ولمعالجة القيود الجوهرية في البنى الالتفافية التقليدية ، لاسيما فيما يتعلق بالتقاط العلاقات بعيدة المدى ، يقدم هذا العمل نموذجًا جديدًا أطلق عليهFGHQA-UNet،وهو إطار مبتكر للتجزئة يعتمد على البنية الأساسية ل ـU-Netمع دمج آلية الانتباه (FGHQA).AttentionQueryHybridGlobalFeatureتعتمد هذه الآلية على تمثيل هجين للاستعلامات (Queries)يدمج بين الخصائص المحلية والعالمية ، مما يعزز قدرة النموذج على نمذجة العلاقات السياقية الدقيقة داخل الصورالطبية.ومن خلال هذاالتكامل،يتجاوزالنموذج القيود المرتبطة بالاعتماد الحصري على الالتفافات التقليدية ،حيث يتم تحسين تمثيل الميزات عبر دمج المعلومات المكانية الدقيقة مع السياق العالمي بصورة متزامنة ،بمايحقق توازنًا فعالًا بين الدقة التمثيلية والكفاءة الحسابية .كماتسهم استراتيجية المعالجة المسبقة المعتمدة في رفع جودة البيانات المدخلة وتقليل الضوضاء وتحسين الكفاءة الحسابية ، مماينعكس إيجابًا على أداء النموذج أثناء التدريب والاستدلال. وقد تم تصميم بنيةFGHQA-UNetبما يضمن تحقيق توازن بين الدقة الحسابية والكفاءة التشغيلية مع الحفاظ على القدرة علىا ستخراج السمات الدقيقة في البيئات الطبية المعقدة .وقدتم تقييم النموذج المقترح على ثلاث مجموعات بيانات معيارية للتجزئة الطبية هيBraTSوKiTSوLiTS،حيث أظهرت النتائج التجريبية تفوقه على أحدث الأساليب المنافسة من حيث دقة التجزئة والكفاءة الحسابية ، ممايؤكد فعاليته وجدواه في تطبيقات التصوير الطبي المعزز بالتعلم العميق. The healthcare sector is witnessing rapid development in the field of artificial intelligence-powered medical diagnosis, with deep learning (DL) techniques gaining increasing attention in medical image analysis. The importance of this field lies in its ability to improve diagnostic accuracy, speed up the analysis process, and provide innovative solutions to the challenges faced by physicians in manual interpretation of medical images. As part of this work, two enhanced Unet-based models were developed to improve the semantic segmentation accuracy of medical images. The first model deepens skip connections using additional convolutional layers to better preserve fine spatial detail without increasing computational cost. The second model uses a robust VGG19-based encoder, pre-trained on the ImageNet dataset, coupled with an enhanced decoder featuring deeper convolutional blocks for improved spatial resolution. Additionally, a preprocessing stage was introduced to investigate the impact of image enhancement on segmentation performance. Gaussian and median filters were applied separately for noise reduction, while CLAHE was employed for contrast enhancement. The experimental results showed an improvement in segmentation accuracy, proving the effectiveness of these architectural and preprocessing innovations. To address the fundamental limitations of traditional convolutional architectures, particularly in capturing long-range dependencies, this work introduces a new model termed FGHQA-Unet, an innovative segmentation framework built upon the core Unet architecture with the integration of the Feature Global Hybrid Query Attention (FGHQA) mechanism. This mechanism relies on a hybrid attention framework that combines local and global representations, while employing a hybrid query representation that enhances the model’s ability to model fine-grained contextual relationships within medical images. Through this integration, the model overcomes the constraints associated with exclusive reliance on traditional convolutions by improving feature representation through the simultaneous fusion of precise spatial information and global context, thereby achieving an effective balance between representational accuracy and computational efficiency. In addition, the adopted preprocessing strategy contributes to improving input data quality, reducing noise, and enhancing computational efficiency, which positively reflects on the model’s performance during both training and inference. The FGHQA-Unet architecture is designed to ensure a balance between computational accuracy and operational efficiency while maintaining the ability to extract fine-grained features in complex medical environments. The proposed model was evaluated on three benchmark medical segmentation datasets, BraTS, KiTS, and LiTS, where experimental results demonstrated its superiority over recent advanced methods in terms of segmentation accuracy and computational efficiency, confirming its effectiveness and practicality for DL–based medical imaging applications. Le secteur de la santé connaît un développement rapide dans le domaine du diagnostic médical établi sur l'intelligence artificielle, les techniques d'apprentissage profond gagnant en importance dans l'analyse d'images médicales. L'importance de ce domaine réside dans sa capacité à améliorer la précision diagnostique, à accélérer le processus d'analyse et à apporter des solutions innovantes aux défis rencontrés par les médecins lors de l'interprétation manuelle des images médicales. Dans le cadre de ce travail, deux modèles Unet améliorés ont été développés afin d'optimiser la précision de la segmentation sémantique des images médicales. Le premier modèle approfondit les connexions résiduelles grâce à des couches convolutionnelles supplémentaires, préservant ainsi les détails spatiaux fins sans augmenter la charge de calcul. Le second modèle utilise un encodeur robuste basé sur VGG19, pré-entraîné sur le jeu de données ImageNet, associé à un décodeur amélioré intégrant des blocs convolutionnels plus profonds pour une meilleure résolution spatiale.De plus, une étape de prétraitement a été introduite afin d’étudier l’impact de l’amélioration des images sur les performances de la segmentation. Les filtres Gaussian et median ont été appliqués séparément pour la réduction du bruit, tandis que la méthode CLAHE a été utilisée pour l’amélioration du contraste. Les résultats expérimentaux ont montré une amélioration de la précision de la segmentation, confirmant ainsi l’efficacité des approches architecturales et de prétraitement proposé. Afin de remédier aux limitations fondamentales des architectures convolutionnelles traditionnelles notamment en ce qui concerne la capture des dépendances à longue portée , ce travail propose un nouveau modèle nommé FGHQA-Unet, un cadre innovant de segmentation fondé sur l’architecture de base d’Unet et intégrant le mécanisme Feature Global Hybrid Query Attention (FGHQA). Ce mécanisme repose sur un cadre d’attention hybride qui combine des représentations locales et globales, tout en employant une représentation hybride des requêtes (queries) qui renforce la capacité du modèle à modéliser des relations contextuelles fines au sein des images médicales. Grâce à cette intégration, le modèle dépasse les contraintes liées à l’utilisation exclusive des convolutions classiques en améliorant la représentation des caractéristiques par la fusion simultanée d’informations spatiales précises et du contexte global, permettant ainsi d’atteindre un équilibre efficace entre précision représentationnelle et efficacité computationnelle. Par ailleurs, la stratégie de prétraitement adoptée contribue à améliorer la qualité des données d’entrée, à réduire le bruit et à accroître l’efficacité computationnelle, ce qui se reflète positivement sur les performances du modèle lors de l’entraînement et de l’inférence. L’architecture FGHQA-Unet a été conçue de manière à garantir un équilibre entre précision computationnelle et efficacité opérationnelle, tout en conservant la capacité d’extraire des caractéristiques fines dans des environnements médicaux complexes. Le modèle proposé a été évalué sur trois jeux de données de référence en segmentation médicale, BraTS, KiTS et LiTS, où les résultats expérimentaux ont démontré sa supériorité par rapport aux méthodes récentes de l’état de l’art, tant en termes de précision de segmentation que d’efficacité computationnelle, confirmant ainsi son efficacité et sa pertinence pour les applications d’imagerie médicale basées sur l’apprentissage profond. 2026-10-03T00:00:00Z http://dspace.univ-djelfa.dz:8080/xmlui/handle/112/8606 Enhancing Medical Signal Using Wavelet Transform and Artificiel Intelligence اسامة, عبدة Oussaama abda تم استخدام التحويل الموجي والذكاء الاصطناعي في مجموعة واسعة من التطبيقات. في مجال الإشارات الطبية، تم توظيفهما في مهام متعددة مثل استخراج الخصائص، والتصنيف، والتقسيم. في هذا العمل، نقترح نموذجين لتصنيف أورام الدماغ انطلاقًا من صور الرنين المغناطيسي. يعتمد النموذج الأول على مصنف SVM متعدد لتصنيف صور الرنين المغناطيسي إلى أربع فئات، وهي الورم الدبقي، والورم السحائي، والورم النخامي، وعدم وجود ورم. يجمع هذا النموذج بين التحويل الموجي غير المضمحل لاستخراج المعلومات الترددية والزمنية، يليه استخراج الخصائص باستخدام النموذج المدرب مسبقًا EfficientNet-B0. يتم تطبيق تحليل المكونات الرئيسية (PCA) لاختيار الخصائص، ويُدرّب مصنف SVM متعدد بناءً على هذه الخصائص، مستفيدًا من المعلومات الترددية والمكانية لصور الرنين المغناطيسي، مما يسمح بتحقيق دقة تصنيف عالية. أما النموذج الثاني فيستخدم دمج تحويل الموجة الساكنة (SWT) للمعالجة المسبقة، وResNet50V2 لاستخراج الخصائص، وشبكة الذاكرة طويلة وقصيرة المدى (LSTM) للتصنيف. تبدأ مرحلة المعالجة المسبقة بتحويل SWT، حيث يتم تحليل الصور إلى عدة نطاقات ترددية لتعزيز الخصائص المرتبطة بالورم وتقليل الضجيج. ثم يتم تغيير حجم الصور إلى 224×224 بكسل لتتوافق مع نموذج ResNet50V2. يُستخدم ResNet50V2 لاستخراج الخصائص، والتي تُمرّر بعد ذلك إلى شبكة LSTM لتصنيفها إلى أربع فئات، وهي الورم الدبقي، والورم السحائي، والورم النخامي، وعدم وجود ورم. وقد أثبتت الطريقة المقترحة فعاليتها في تحقيق دقة تصنيف عالية. تم تقييم النماذج المقترحة باستخدام مقاييس الأداء، بما في ذلك الدقة، ومقياس F1، والاستدعاء، والضبط، وذلك على مجموعة بيانات من Kaggle، كما تمت مقارنة النتائج المحصل عليها مع بعض الطرق الحديثة. Wavelet transform and artificial intelligence have been applied to a wide range of problems. In medical signals, they have been used in many tasks such as feature extraction, classification and segmentation. In this work, we propose two models for brain tumor classification from MR images. The first model uses a multi-SVM classifier to classify MR images into 4 classes (glioma, meningioma, pituitary, no tumor). The model combines the undecimated wavelet transform to extract both frequency and temporal information, followed by feature extraction using a pretrained EfficientNet-B0 model. Principal Component Analysis (PCA) is applied for feature selection. The multi-SVM classifier is trained based on these features, making use of the frequency and spatial information of the MR images, allowing for high accuracy. The second model uses the integration of Stationary Wavelet Transform (SWT) for preprocessing, ResNet50V2 for feature extraction, and Long Short-Term Memory (LSTM) for classification. The preprocessing phase started with Stationary Wavelet Transform (SWT), which decomposed the images into multiple frequency bands to enhance tumor-related features while reducing noise. The images were then resized to 224×224 pixels to ensure compatibility with the ResNet50V2 model. Feature extraction was performed using ResNet50V2, and the extracted features were then passed to a Long Short-Term Memory (LSTM) network for classification into four categories: Glioma, Meningioma, Pituitary, and No Tumor. The proposed method was effective in producing a high classification accuracy rate. The proposed models are evaluated using performance metrics including accuracy, F1 score, recall and precision, on a dataset from Kaggle. The results obtained are compared with some modern methods. La transformée en ondelettes et l'intelligence artificielle ont été appliquées à un large éventail de problèmes. Dans le domaine des signaux médicaux, elles ont été utilisées dans de nombreuses tâches telles que l'extraction de caractéristiques, la classification et la segmentation. Dans ce travail, nous proposons deux modèles pour la classification des tumeurs cérébrales à partir d'images IRM. Le premier modèle utilise un classifieur multi-SVM pour classer les images IRM en quatre classes (gliome, méningiome, tumeur hypophysaire, absence de tumeur). Il combine la transformée en ondelettes non décimée, afin d'extraire à la fois l'information fréquentielle et temporelle, suivie d'une extraction de caractéristiques à l'aide du modèle pré-entraîné EfficientNet-B0. L'analyse en composantes principales (ACP) est appliquée pour la sélection des caractéristiques. Le classifieur multi-SVM est entraîné sur ces caractéristiques, en tirant parti de l'information fréquentielle et spatiale des images IRM, ce qui permet d'obtenir une grande précision. Le second modèle intègre la transformée en ondelettes stationnaire (SWT) pour le prétraitement, ResNet50V2 pour l'extraction de caractéristiques et un réseau à mémoire à long et court terme (LSTM) pour la classification. La phase de prétraitement débute par la SWT, qui décompose les images en plusieurs bandes de fréquences afin de renforcer les caractéristiques liées à la tumeur tout en réduisant le bruit. Les images sont ensuite redimensionnées à 224×224 pixels afin d'assurer la compatibilité avec le modèle ResNet50V2. L'extraction des caractéristiques est réalisée avec ResNet50V2, puis les caractéristiques extraites sont transmises à un réseau LSTM pour la classification en quatre catégories : gliome, méningiome, tumeur hypophysaire et absence de tumeur. La méthode proposée s'est révélée efficace, avec un taux de précision de classification élevé. Les modèles proposés sont évalués à l'aide de métriques de performance, notamment l'exactitude, le score F1, le rappel et la précision, sur un jeu de données provenant de Kaggle. Les résultats obtenus sont comparés à ceux de certaines méthodes récentes. 2026-10-03T00:00:00Z http://dspace.univ-djelfa.dz:8080/xmlui/handle/112/8599 الإيكولوجيا الحيوية: السلوك الغذائي وتأثير العوامل المناخية على تكاثر طيور الدوري // Bio-ecology: Feeding Behavior and the Influence of Climatic Factors on Sparrow Reproduction خوجة, صارة Khoudja Sarah أُجريت دراسة على البيئة الحيوية لطائر الدوري الهجين في المناطق الزراعية من ولاية البويرة خلال السنوات 2020 و2021 و2022، وكشفت عن اختلاف واضح في النظام الغذائي بين الطيور البالغة والفراخ. فقد تبين أن النظام الغذائي للبالغات يعتمد في معظمه على النباتات بنسبة 83.53%، بينما تركز الفراخ على التغذية الحيوانية بنسبة 77.86%. عند تحليل محتوى الغذاء، تبين أن البذور الأكثر استهلاكًا لدى البالغين تعود لعائلات القطيفية (34.92%)، البطيطية (19.24%)، والنجيلية (14.25%). أما الفراخ، فقد كانت الحشرات السائدة في غذائها من غمديات الأجنحة (33.03%)، مستقيمات الأجنحة (22.93%)، وغشائيات الأجنحة (11.93%). وقد تبيّن أن النظام الغذائي يتغير حسب أشهر سنة 2022، حيث بلغ تنوع النباتات أعلى مستوياته لدى البالغين في شهري يونيو (2.20) ويناير (1.86)، بينما سجل تنوع الفريسة الحيوانية أعلى قيمة له لدى الفراخ في بداية نموها (2.61). أما مؤشر امتلاء الجهاز الهضمي، فقد شهد تذبذبًا واضحًا، حيث سجل أعلى قيمة له في يونيو (1.39) ويناير (1.29)، وأدنى قيمة في مايو (0.61). وبلغ هذا المؤشر ذروته لدى الفراخ في الأيام الأولى من حياتها، قبل أن يتناقص تدريجيًا. خلال فترة التكاثر لعام 2021، والتي امتدت من منتصف مارس حتى منتصف يوليو، خاض طائر الدوري الهجين ثلاث دورات تكاثرية استمرت كل واحدة منها ما بين 22 و29 يومًا. احتوى كل عش على متوسط 3.75 ± 0.43 بيضة، فقس منها 3.08 ± 1.46 بيضة، بمعدل فقس بلغ 80.41%. بالمقابل، قام الدوري الإسباني بدورتين فقط بين منتصف مارس ونهاية مايو، لكن كل دورة استمرت لفترة أطول نسبيًا (29–30 يومًا). وُجد في أعشاشه معدل 4.21 ± 0.85 بيضة، فقس منها 3.26 ± 1.14، بنسبة فقس بلغت 75.87%. أظهر التحليل المورفومتري لعام 2022 أن الذكور الهجينة كثّفت بحثها عن الفريسة خلال موسم التكاثر (قيمة الاحتمالية = 0.018)، بالتزامن مع زيادة في طول المنقار من 1.36 إلى 1.43 سم. ولوحظ نمط مشابه لدى الإناث، حيث زاد طول المنقار من 1.32 إلى 1.40 سم (قيمة الاحتمالية = 0.033). وتبين أن الذكور تتميز بأبعاد جسمية أكبر مقارنة بالإناث، من حيث طول الجسم (16.30 سم مقابل 15.62 سم) وباع الجناحين (24.89 سم مقابل 23.39 سم). في مرحلة ما قبل التكاثر، أظهرت الإناث حالة جسدية أفضل (م ك م = 25.50 ± 4.60) مقارنة بفترة التكاثر (22.83 ± 4.30)، بينما بقيت حالة الذكور مستقرة (25.80 ± 3.69). أما من الناحية السلوكية، فقد أظهرت الدراسة التي امتدت بين 2020 و2021 أن الوقوف والبحث عن الطعام هما السلوكان السائدان، يليهما الطيران، والبحث عن الماء، والنداء. وقد لوحظ تباين موسمي في النشاط، حيث سُجل انخفاض في البحث عن الطعام والعناية خلال شهري يناير وفبراير، في مايو ويونيو، لوحظت زيادة في سلوك البحث عن الماء. وسُجّل نشاط صوتي مرتفع في نوفمبر، بينما بلغ نشاط صيد الطيران ذروته في أبريل. كما كشفت الدراسة عن علاقات مهمة بين العوامل المناخية وبعض الأنشطة السلوكية؛ فقد أثرت درجة الحرارة بشكل واضح على سلوك العناية، بينما تأثر سلوك الوقوف بهطول الأمطار (قيمة الاحتمالية < 0.05). وأشارت النتائج أيضًا إلى أن متغيرات الوسط تساهم في تنوع السلوك وديناميكيات السكان L’étude de la bio-écologie des moineaux hybrides menée entre 2020 et 2022 dans les périmètres agricoles de la région de Bouira montre un régime alimentaire majoritairement végétal chez les adultes (83,53 %). Les oisillons, en revanche, consomment surtout des proies animales (77,86 %). Chez les adultes, les graines d’Amaranthaceae (34,92 %), Polygonaceae (19,24 %) et Poaceae (14,25 %) dominent. Chez les jeunes, les Coléoptèra (33,03 %), Orthoptèra (22,93 %) et Hyménoptèra (11,93 %) sont les plus représentés.Le régime alimentaire varie selon les mois de l’année 2022. Chez les adultes, la diversité végétale est plus élevée en juin (H’ = 2,20) et en janvier (1,86). Chez les jeunes, la diversité animale atteint un maximum (H’ = 2,61) en début de développement. L’indice de réplétion (Ir) fluctue également : il est plus élevé en juin (1,39) et janvier (1,29), plus bas en mai (0,61), et maximal chez les poussins aux premiers jours de vie, avant de diminuer. La reproduction des moineaux hybrides, s’étendant de mi-mars à mi-juillet 2021, s’est déroulée en trois cycles, avec des couvées de 22 à 29 jours. Chaque nid contenait en moyenne 3,75 ± 0,43 œufs, dont 3,08 ± 1,46 ont éclos, soit un taux d’éclosion de 80,41 %. En comparaison, le moineau espagnol a présenté deux cycles entre mi-mars et fin mai 2021, avec des couvées un peu plus longues (29 à 30 jours). Les nids comptaient en moyenne 4,21 ± 0,85 œufs, dont 3,26 ± 1,14 ont éclos, correspondant à un taux d’éclosion de 75,87 %. L’analyse morphométrique révèle qu’en période de reproduction 2022, les mâles hybrides intensifient leur recherche de proies (p = 0,018), accompagnée d’un allongement du bec de 1,36 à 1,43 cm. Une évolution similaire est observée chez les femelles (1,32 à 1,40 cm ; p = 0,033). Les mâles se distinguent par des dimensions corporelles supérieures : longueur du corps (16,30 cm vs 15,62 cm) et envergure (24,89 cm vs 23,39 cm). En phase pré-reproductive, les femelles affichent une meilleure condition corporelle (SMI : 25,50 ± 4,60) qu’en période reproductive (22,83 ± 4,30), tandis que celle des mâles reste stable (25,80 ± 3,69). L’étude comportementale des moineaux hybrides (2020–2021) révèle que le perchage (Pr) et la recherche alimentaire (RA) sont les activités principales, suivies du vol (V), de la recherche d’eau (BRE) et du cri (Cr). L’activité varie selon les mois, étant faible en janvier-février avec une baisse de la recherche alimentaire et du toilettage (T). En mai-juin, une augmentation de la recherche d’eau est observée. Novembre se distingue par une forte activité vocale, tandis qu’avril montre un pic de chasse au vol (CV). Des liens significatifs sont observés entre le climat et certaines activités : la température influence le toilettage, tandis que les précipitations affectent le perchage (p < 0,05). L’habitat contribue également à la variabilité comportementale et à la dynamique des populations. The study of the bio-ecology of hybrid sparrows carried out between 2020, 2021 and 2022 in the agricultural perimeters of the Bouira region shows a predominantly plant-based diet among adults (83.53%). Chicks, on the other hand, mainly consume animal prey (77.86%). Among adults, the seeds of Amaranthaceae (34.92%), Polygonaceae (19.24%) and Poaceae (14.25%) dominate. Among young, Coleoptera (33.03%), Orthoptera (22.93%) and Hymenoptera (11.93%) are the most represented. The diet varies according to the months of the year 2022. Among adults, plant diversity is higher in June (H' = 2.20) and January (1.86). In young animals, animal diversity reaches a maximum (H' = 2.61) at the beginning of development. The repletion index (Ir) also fluctuates: it is highest in June (1.39) and January (1.29), lowest in May (0.61), and maximum in chicks in the first days of life, before decreasing. Breeding of hybrid sparrows, extending from mid-March to mid-July 2021, occurred in three cycles, with clutches lasting 22 to 29 days. Each nest contained an average of 3.75 ± 0.43 eggs, of which 3.08 ± 1.46 hatched, corresponding to a hatching rate of 80.41%. In comparison, the Spanish sparrow presented two cycles between mid-March and the end of May 2021, with slightly longer clutches (29 to 30 days). The nests contained an average of 4.21 ± 0.85 eggs, of which 3.26 ± 1.14 hatched, corresponding to a hatching rate of 75.87%. Morphometric analysis reveals that during the 2022 breeding period, hybrid males intensify their search for prey (p = 0.018), accompanied by a beak lengthening from 1.36 to 1.43 cm. A similar trend is observed in females (1.32 to 1.40 cm; p = 0.033). Larger body dimensions distinguish males: body length (16.30 cm vs. 15.62 cm) and wingspan (24.89 cm vs. 23.39 cm). In the pre-reproductive phase, females display a better body condition (SMI: 25.50 ± 4.60) than in the reproductive period (22.83 ± 4.30), while that of males remains stable (25.80 ± 3.69). The behavioral study of hybrid sparrows (2020–2021) reveals that perching (Pr) and foraging (RA) are the main activities, followed by flying (V), water searching (BRE), and calling (Cr). Activity varies across months, being low in January–February with a decrease in foraging and grooming (T). In May-June, an increase in water-searching behavior is observed. November is characterized by high vocal activity, while April shows a peak in flight hunting (CV). Significant links are observed between climate and some activities: temperature influences grooming, while precipitation affects perching (p < 0.05). Habitat also contributes to behavioral variability and population dynamics. 2026-02-08T00:00:00Z