既存のLiDARセマンティックセグメンテーション手法は、悪天候条件下で性能が低下する問題に直面しがちである。これまでの研究では、悪天候をシミュレーションするか、学習時に汎用的なデータ拡張を用いることでこの問題に対処してきた。しかし、これらの手法は悪天候がLiDARセマンティックセグメンテーションの性能にどのように悪影響を及ぼすかについて、詳細な分析や理解を欠いている。この問題に着目し、我々は悪天候の主要な要因を特定し、簡易実験（toy experiment）を通じて性能低下の主な原因を同定した。その結果、以下の2点が主要因であることが明らかになった：(1) 霧や空中の水滴による屈折によって引き起こされる幾何学的摂動、および (2) エネルギー吸収および遮蔽によるポイントの喪失（point drop）。これらの知見をもとに、新たなデータ拡張戦略を提案する。まず、深度（または角度）のランダム範囲内でポイントをジッタリングする「選択的ジッタリング（Selective Jittering, SJ）」を導入し、幾何学的摂動を模倣する。さらに、Deep Q-Learningネットワークを用いて脆弱なポイント消去パターンを学習する「学習可能なポイントドロップ（Learnable Point Drop, LPD）」を開発し、悪天候条件下でのポイント喪失現象を近似する。正確な天候シミュレーションを必要とせずとも、本手法はデータ中心的な分析によって特定された脆弱な状況にモデルをさらすことで、LiDARセマンティックセグメンテーションモデルの耐性を強化する。実験結果により、提案手法の悪天候に対するロバスト性向上の有効性が確認された。SemantickITTIからSemanticSTFへのベンチマークにおいて、本手法は39.5 mIoUを達成し、ベースライン比で8.1%pの向上を実現し、新たなSOTA（最先端）を樹立した。本研究のコードは、\url{https://github.com/engineerJPark/LiDARWeather} にて公開される予定である。