The trunk of a tree can be seen as a spatiotemporal sampling domain from the statistical perspective, where space is represented by direction horizontally and height vertically, and time through annual growth rings. In this framework, wood properties such as density can be the object of data collection for given estimation and testing purposes. We present a multidimensional statistical model, the tensor normal distribution, in which the variation (variance) of and dependency (covariance) between wood property measurements made for different years at various locations in a tree trunk can be inferred. Its application requires a smaller number of replicates (trees) than the traditional vector normal distribution because variances and covariances for directions and growth rings, for example, must be the same at all heights, up to a multiplicative constant. This assumption on the variance-covariance structure is called "separability", and we explain how to test it. An illustration with wood density estimates obtained from computed tomography scanning data for 11 white spruce (Picea glauca (Moench) Voss) trees is presented. This example is completed by assessing differences in mean wood density according to location in the trunk, with analysis-of-variance F-tests adjusted for the estimated variances and covariances obtained by fitting the model.Résumé : Le tronc d'un arbre peut être vu comme un domaine d'échantillonnage spatio-temporel sous l'angle statistique. L'espace y est représenté par la direction à l'horizontale et la hauteur à la verticale, et le temps, via les cernes de croissance annuels. Dans ce cadre de travail, des propriétés du bois telles que la densité peuvent faire l'objet de collectes de données à des fins d'estimation et de test. Nous présentons un modèle statistique multi-dimensionnel, le tenseur aléatoire normal, dans lequel la variation (variance) et la dépendance (covariance) pour des mesures de propriété du bois en différentes années et à différents endroits dans un tronc d'arbre peuvent être inférées. Son application requiert un plus petit nombre de réplicats (arbres) que la distribution du vecteur aléatoire normal traditionnel, parce que les variances et les covariances pour les directions et les cernes de croissance, par exemple, doivent être les mêmes à chaque hauteur, à une constante multiplicative près. Cette condition sur la structure de la matrice de variance-covariance est appelée « séparabilité », et nous expliquons comment la tester. Une illustration avec des mesures de la densité du bois obtenues par tomodensitométrie assistée par ordinateur pour 11 épinettes blanches (Picea glauca (Moench) Voss) est présentée. Cet exemple est complété par l'évaluation des différences dans la densité moyenne du bois selon la localisation dans l'arbre, à l'aide de tests F d'analyse de variance modifiés en utilisant les variances et covariances estimées obtenues en ajustant le modèle.