LiDAR (Light Detection and Ranging) ist zu einem unverzichtbaren Bestandteil des Fernerkundungstools zur Überwachung der Biosphäre geworden. Insbesondere ermöglicht LiDAR die Kartierung der Blattflächen in Wäldern mit bisher ungekannter Genauigkeit, wobei die Blattfläche weiterhin eine bedeutende Quelle der Unsicherheit bei Modellen der Gasaustauschprozesse zwischen Vegetation und Atmosphäre darstellt. Unbemannte Luftfahrzeuge (UAV) sind leicht mobilisierbar und ermöglichen daher häufige Wiederholungen der Beobachtungen, um die Reaktion der Vegetation auf den Klimawandel zu verfolgen. Allerdings liefern miniaturisierte Sensoren an Bord von UAVs in der Regel Punktwolken mit begrenzter Dichte, die zudem durch eine starke Dichtereduktion von der Kronenspitze bis zum Boden beeinträchtigt sind, bedingt durch zunehmende Okklusion. In diesem Kontext stellt die Unterscheidung von Blattpunkten und Holzpunkten aufgrund insbesondere der starken Klassenungleichgewichts und der räumlich unregelmäßigen Abtastdichte eine erhebliche Herausforderung dar. Hier stellen wir ein neuronales Netzwerkmodell vor, das auf der PointNet++-Architektur basiert und ausschließlich geometrische Informationen der Punkte nutzt (ohne jegliche spektrale Daten). Um der lokalen Datensparsamkeit entgegenzuwirken, schlagen wir ein innovatives Abtastverfahren vor, das darauf abzielt, wichtige geometrische Merkmale lokal zu bewahren. Zudem präsentieren wir eine an das starke Klassenungleichgewicht angepasste Verlustfunktion. Wir zeigen, dass unser Modell auf UAV-Punktwolken gegenüber aktuellen state-of-the-art-Alternativen übertrifft. Abschließend diskutieren wir mögliche zukünftige Verbesserungen, insbesondere im Hinblick auf deutlich dichtere Punktwolken, die aus Unterhalb der Kronen erfasst wurden.