أصبح ليدار (الكشف بالضوء وقياس المسافات) جزءًا لا يتجزأ من أداة الاستشعار عن بعد المستخدمة لمراقبة الغلاف الحيوي. وبشكل خاص، يتيح ليدار إمكانية رسم خرائط لمساحة الأوراق في الغابات بدقة غير مسبوقة، بينما لا تزال مساحة الأوراق مصدرًا مهمًا للغموض يؤثر على نماذج تبادل الغازات بين النباتات والغلاف الجوي. وتمتاز الطائرات غير المأهولة (UAV) بسهولة نقلها، مما يسمح بزيارة متكررة لتتبع استجابة النباتات لتغير المناخ. ومع ذلك، فإن المستشعرات المصغرة المثبتة على الطائرات غير المأهولة توفر غالبًا سحوبات نقطية ذات كثافة محدودة، وتتأثر هذه السحوبات بانخفاض كبير في الكثافة من الأعلى إلى الأسفل داخل التاج النباتي بسبب التعتيم المتزايد تدريجيًا. وفي هذا السياق، يمثل التمييز بين النقاط التي تمثل الأوراق والنقاط التي تمثل الخشب تحديًا كبيرًا، خاصة بسبب التوازن غير المتكافئ بين الفئات وشدة التباعد المكاني في كثافة العينة. في هذا البحث، نقدم نموذجًا شبكيًا عصبيًا يستند إلى بنية PointNet++ ويستعمل فقط المعلومات الهندسية للنقاط (مع استبعاد أي معلومات طيفية). وللتغلب على شح البيانات المحلية، نقترح خطة عينة مبتكرة تسعى إلى الحفاظ على المعلومات الهندسية المهمة محليًا. كما نقترح دالة خسارة مُعدّلة تتناسب مع التوازن الشديد بين الفئات. ونُظهر أن نموذجنا يتفوق على البدائل المتطورة في مجاله عند استخدامه مع سحوبات نقطية من الطائرات غير المأهولة. ونناقش إمكانية تحسينات مستقبلية، وخاصة فيما يتعلق بسحوبات نقطية أكثر كثافة تم جمعها من تحت التاج النباتي.