In den letzten Jahren wurden viele Deep Learning Verfahren entwickelt, um 3D-Punktwolken automatisch zu segmentieren. Als Eingangsdaten werden dabei üblicherweise Punktwolken, welche zusätzlich mit weiteren Informationen wie Reflektionsintensitäten und RGB Farbwerten versehen sein können, verwendet. Mithilfe von Hyperspektraldaten lassen sich detaillierte Aufschlüsse über die chemische Zusammensetzung unterschiedlicher Materialien gewinnen. In vorhergehenden Arbeiten haben wir untersucht, ob sich klassische Verfahren des maschinellen Lernens direkt auf solche Daten übertragen lassen. Es zeigte sich, dass dies in Prinzip funktioniert, die Klassifikationsgenauigkeit aber noch stark verbessert werden kann. In diesem Beitrag kombinieren wir den vorherigen Ansatz mit einem Verfahren, das neben den Spektraldaten auch die geometrische Verteilung der Messpunkte berücksichtigt. Als Grundlage dient das neuronale Netz RandLA-Net, welches auf aktuellen Benchmark-Datensätzen wie Semantic3D und Semanti-KITTI sehr gut abschneidet. Untersucht wird dabei, wie RandLA-Net auf einem selbsterzeugten und segmentierten Datensatz mit und ohne Hyperspektralwerten abschneidet.