Nous présentons une nouvelle notion de régularité, appelée régularité directionnelle, qui s'avère pertinente pour une vaste gamme d'applications impliquant des données fonctionnelles multivariées. Nous démontrons qu'en adaptant la base aux données fonctionnelles anisotropes, des taux de convergence optimal peuvent être atteints en exploitant leur régularité directionnelle. Nous développons un algorithme pour estimer et identifier cette régularité directionnelle pour une large classe de processus stochastiques, ce qui est rendu possible par la nature de réplication unique des données fonctionnelles. Nous fournissons également des garanties théoriques non asymptotiques. De plus, nous concevons un nouvel algorithme de simulation, d'intérêt indépendant, pour évaluer la précision numérique de notre méthode d'estimation. Les résultats de simulation illustrent les bonnes propriétés en un ensemble de données fini de notre estimateur, dont l'implémentation est disponible sous forme d'un package R.