本研究は、Mobile Laser Scanning（MLS）点群の不確実性評価の新しい枠組みを提案します。高精度な応用分野では不確実性の評価が重要ですが、地上真実（GT）の取得はしばしば高コストで現実的ではありません。この問題を解決するため、最適な近傍推定と幾何学的特徴抽出を統合した学習ベースのフレームワークを構築しました。実データセットに対する実験では、提案手法が実行可能であり、XGBoostモデルがランダムフォレストと同等の精度を持ちながら約3倍の効率を実現したことが示されました。この結果から、幾何学的特徴を用いたポイントレベルの不確実性予測が可能であることが初めて証明されました。この研究は、MLS点群の不確実性が学習可能であることを示し、不確実性評価に対する新しい視点を提供します。