يقدم هذا البحث تعريفًا جديدًا للجوار متعدد المقاييس في السحابات النقطية ثلاثية الأبعاد. يعتمد هذا التعريف على الجوار الكروي والأخذ العيني التناسبي، مما يسمح بحساب الخصائص ذات المعنى الهندسي المتسق، وهو ما لا يحدث عند استخدام جيران k الأقرب (k-nearest neighbors). باستخدام استراتيجية تعلم مناسبة، يمكن استخدام الخصائص المقترحة في غابة عشوائية لتصنيف النقاط ثلاثية الأبعاد. في مهمة التصنيف الدلالي هذه، نظهر أن خصائصنا متعددة المقاييس تتفوق على الخصائص الرائدة حاليًا باستخدام نفس الظروف التجريبية. بالإضافة إلى ذلك، فإن قوة تصنيفها تنافس نهج التصنيف الأكثر تعقيدًا بما في ذلك طرق التعلم العميق (Deep Learning).