Städtische Gebiete leiden aufgrund des Hitzeeffekts in Hitzeperioden mehr. Laut dem Met Office können Bürgerbeobachtungen, Landbedeckungsdaten und maschinelles Lernen kombiniert werden, um die Genauigkeit von Temperaturvorhersagen auf hyperlokaler Ebene zu steigern. Eine Studie mit der Universität Reading und dem Australian Bureau of Meteorology untersuchte acht Hitzewellen in London von 2019-2021. Durch die Verwendung von Wettervorhersagen des Met Office zusammen mit Bürgerbeobachtungen und Landnutzungsdaten wurde ein maschinelles Lernmodell trainiert und gegen Daten aus den Hitzewellen getestet. Die Studie ergab, dass maschinelles Lernen die Vorhersage von städtischen Hitzewellen im Vergleich zu den ursprünglichen Wettervorhersagedaten um bis zu 11% verbesserte.
In einer erwärmten Welt kann maschinelles Lernen dazu beitragen, die Auswirkungen auf Gemeinden auf einer viel feineren Ebene zu verstehen und die Resilienz zu erhöhen sowie letztendlich Leben zu retten. Die Auflösung der Temperaturprognosen konnte von 1.5km auf nur 100m erhöht werden, was das Potenzial für hyperlokale Temperaturvorhersagen selbst innerhalb derselben Straße zeigt. Die Methode ermöglichte es der Temperaturvorhersage, aus vergangenen Ereignissen zu lernen und natürliche und vom Menschen verursachte Einflüsse auf die Temperatur zu berücksichtigen, die innerhalb von relativ kurzen Entfernungen in Städten signifikant variieren können.
Maschinelles Lernen kann auch zur Verbesserung der Genauigkeit von Temperaturen in Städten beitragen und Entscheidungsträgern bei der Verteilung von Ressourcen wie Gesundheit und Infrastruktur während Hitzewellen helfen. Bäume können die Temperaturen in städtischen Gebieten um bis zu 8°C senken. Eine Umfrage der Wildlife Trust ergab, dass mehr als ein Drittel der britischen Erwachsenen nicht in der Lage ist, innerhalb eines fünfminütigen Spaziergangs von ihrem Zuhause aus auf Bäume zuzugreifen, um sich bei heißem Wetter abzukühlen. Dies verdeutlicht die Bedeutung von Grünflächen für die städtische Kühlung und das Wohlbefinden der Bevölkerung.