기존의 LiDAR 세분화 방법은 악천후 조건에서 성능 저하 문제를 자주 겪는다. 기존 연구들은 훈련 중 악천후를 시뮬레이션하거나 보편적인 데이터 증강 기법을 활용하여 이 문제를 다루어 왔다. 그러나 이러한 방법들은 악천후가 LiDAR 세분화 성능에 부정적인 영향을 미치는 구체적인 메커니즘에 대한 깊이 있는 분석과 이해가 부족하다. 이러한 문제를 해결하고자, 우리는 악천후의 핵심 요인을 식별하고, 성능 저하의 주요 원인을 규명하기 위해 단순한 실험(토이 실험)을 수행하였다. 그 결과, 성능 저하의 주요 원인은 다음과 같은 두 가지 요소임을 확인하였다: (1) 안개나 공기 중의 수분 입자에 의한 굴절로 인한 기하학적 왜곡, (2) 에너지 흡수 및 가림으로 인한 포인트 손실. 이 발견을 바탕으로, 새로운 전략적 데이터 증강 기법을 제안한다. 첫째, 깊이(또는 각도)의 무작위 범위 내에서 포인트를 왜곡하는 '선택적 점프(Jittering, SJ)' 기법을 도입하여 기하학적 왜곡을 모사한다. 둘째, 딥 큐러닝 네트워크를 활용해 취약한 포인트 제거 패턴을 학습하는 '학습 가능한 포인트 손실(Learnable Point Drop, LPD)' 기법을 개발하여 악천후 조건에서의 포인트 손실 현상을 근사한다. 정밀한 날씨 시뮬레이션 없이도, 본 연구의 데이터 중심 분석을 통해 식별된 취약 조건에 모델을 노출함으로써 LiDAR 세분화 모델의 강건성을 강화한다. 실험 결과는 제안된 데이터 증강 기법이 악천후에 대한 저항력을 향상시키는 데 적합함을 입증하였다. 제안한 방법은 SemanticKITTI-to-SemanticSTF 벤치마크에서 39.5 mIoU를 기록하며, 기준 모델 대비 8.1%p 향상시키며 새로운 최고 성능(SOTA)을 달성하였다. 본 연구의 코드는 \url{https://github.com/engineerJPark/LiDARWeather}에서 공개될 예정이다.