تُعاني الطرق الحالية لتصنيف المعاني باستخدام ليدار (LiDAR) غالبًا من تراجع الأداء في الظروف الجوية السيئة. وسعت الدراسات السابقة إلى معالجة هذه المشكلة من خلال محاكاة الظروف الجوية السيئة أو استخدام تقنيات تكبير بيانات عامة أثناء التدريب. ومع ذلك، تفتقر هذه الأساليب إلى تحليل دقيق وفهم عميق لكيفية تأثير الظروف الجوية السيئة سلبًا على أداء تصنيف المعاني باستخدام ليدار. مُحفَّزين بهذا التحدي، حددنا العوامل الأساسية للظروف الجوية السيئة، ونفذنا تجربة بسيطة (toy experiment) لتحديد الأسباب الرئيسية لتدهور الأداء: (1) التشوه الهندسي الناتج عن الانكسار الناتج عن الضباب أو القطرات في الهواء، و(2) فقدان النقاط الناتج عن امتصاص الطاقة والاختناقات البصرية. استنادًا إلى هذه النتائج، نقترح تقنيات جديدة لتكبير البيانات ذات استراتيجيات محسّنة. أولاً، قمنا بوضع تقنية "الاهتزاز المختار" (Selective Jittering - SJ)، التي تُحدِّث مواقع النقاط ضمن نطاق عشوائي حسب العمق (أو الزاوية) لمحاكاة التشوه الهندسي. ثانياً، طوّرنا تقنية "الحذف القابل للتعلم" (Learnable Point Drop - LPD)، التي تتعلم أنماط الحذف الضعيفة باستخدام شبكة تعلم التعميق (Deep Q-Learning Network) لمحاكاة ظاهرة فقدان النقاط الناتجة عن الظروف الجوية السيئة. وبلا حاجة إلى محاكاة دقيقة للطقس، تعزز هذه التقنيات نموذج تصنيف المعاني باستخدام ليدار من خلال عرضه للظروف الضعيفة التي حددناها عبر تحليل بيانات مركّز. أثبتت النتائج التجريبية ملاءمة الأساليب المقترحة لتعزيز المقاومة تجاه الظروف الجوية السيئة. حقق نهجنا مؤشرًا ملحوظًا بلغ 39.5 mIoU على معيار SemanticKITTI-to-SemanticSTF، مُحسّنًا النموذج الأساسي بنسبة 8.1%p، ومسجِّلًا حالة جديدة من أفضل النتائج (state-of-the-art). سيتم إتاحة الكود الخاص بنا عبر الرابط: \url{https://github.com/engineerJPark/LiDARWeather}.