La creciente frecuencia de olas de calor, combinada con el efecto de isla de calor urbano, aumenta la exposición de la población a altas temperaturas, impactando significativamente la salud de los grupos vulnerables y el bienestar general de los residentes. Si bien los modelos meteorológicos de mesoescala pueden predecir de manera confiable las temperaturas en los vecindarios urbanos, redes densas de mediciones in situ ofrecen datos más precisos a escala de calle. En este trabajo, se utilizó la técnica de Random Forest para predecir las temperaturas a escala de calle en el área del centro de Tesalónica, Grecia, durante una ola de calor prolongada en julio de 2021. El modelo fue entrenado utilizando datos de una red de sensores de bajo costo, campos meteorológicos calculados por el modelo de mesoescala MEMO y características espaciales microambientales. Los resultados muestran que, aunque las predicciones de temperatura del MEMO logran una alta precisión durante la noche en comparación con las mediciones, exhiben tendencias inconsistentes en las ubicaciones de los sensores durante el día, lo que indica que el modelo no tiene en cuenta completamente los fenómenos microclimáticos. Además, al utilizar solo la temperatura observada como objetivo del modelo Random Forest, se logra una mayor precisión, pero las características espaciales no están representadas en las predicciones. En contraste, el enfoque más confiable para incorporar características espaciales es utilizar la diferencia entre las temperaturas observadas y las de mesoescala como variable objetivo.