La recolección de datos aéreos es bien conocida como un método eficiente para estudiar el impacto tras eventos extremos. Si bien los conjuntos de datos predominan en imágenes para análisis de teledetección post-desastre, las imágenes por sí solas no pueden proporcionar información geométrica detallada debido a la falta de profundidad o la complejidad necesaria para extraer detalles geométricos. Sin embargo, la información geométrica y de color se puede extraer fácilmente de nubes de puntos tridimensionales (3D). La clasificación de escenas se estudia comúnmente en el campo del aprendizaje automático, donde un flujo de trabajo sigue una operación de tubería para calcular una serie de características ingenierizadas para cada punto y luego los puntos se clasifican en función de estas características utilizando un algoritmo de aprendizaje. Sin embargo, estos flujos de trabajo no se pueden aplicar directamente a una nube de puntos 3D aérea debido a la gran cantidad de puntos, la variación de densidad y la apariencia de los objetos. En este estudio, los conjuntos de datos de nubes de puntos se transfieren a un modelo de cuadrícula volumétrica para ser utilizados en el entrenamiento y prueba de modelos de red neuronal convolucional totalmente 3D. El objetivo de estos modelos es segmentar semánticamente dos áreas que sufrieron daños tras el huracán Harvey, que ocurrió en 2017, en seis clases, incluyendo estructuras dañadas, estructuras no dañadas, escombros, carreteras, terreno y vehículos. Estas clases se seleccionan para entender la distribución y la intensidad del daño. Las nubes de puntos consisten en dos áreas distintas ensambladas utilizando Estructura a partir de Movimiento aéreo de una cámara montada en un sistema aéreo no tripulado. Los dos conjuntos de datos contienen aproximadamente 5000 y 8000 instancias únicas, y los métodos desarrollados se evalúan cuantitativamente utilizando métricas de precisión, exactitud, recuperación y la intersección sobre la unión.