Cet article souligne l'importance de surveiller la dynamique des arbres urbains pour soutenir les politiques de végétalisation urbaine et réduire les risques pour les infrastructures électriques. Nous présentons une étude sur l'extraction de points d'arbres à l'aide du LiDAR multispectral (MS-LiDAR) et d'un modèle d'apprentissage profond (DL). Pour surmonter les limites du LiDAR aéroporté conventionnel liées à la complexité de l'environnement urbain et à la diversité des arbres, nous avons utilisé le MS-LiDAR, qui capture des données spatiales et spectrales 3D. Nous avons évalué trois modèles de pointe : Superpoint Transformer (SPT), Point Transformer V3 (PTv3) et Point Transformer V1 (PTv1). Les résultats montrent que le modèle SPT atteint 85,28 % mIoU, démontrant une efficacité temporelle et une précision supérieures. De plus, l'ajout de l'indice de végétation par différence pseudo-normalisée (pNDVI) aux informations spatiales a permis d'obtenir la plus grande précision de détection, réduisant le taux d'erreur de 10,61 points de pourcentage. Cette étude démontre le potentiel du MS-LiDAR et du DL pour améliorer l'extraction et l'inventaire des arbres.
