Este documento presenta mejoras y la demostración de la herramienta de Predicciones de Microclima en Áreas Urbanas Generales (GUMP), que está diseñada para proporcionar predicciones meteorológicas hiperlocales al combinar modelos de aprendizaje automático (ML) y simulaciones de dinámica de fluidos computacional (CFD). Para el desarrollo y la demostración adicionales de GUMP, se utilizó el campus de la Universidad Aeronáutica Embry-Riddle (ERAU) como entorno de prueba. Sensores meteorológicos locales proporcionaron datos para entrenar modelos de ML, y se crearon e iteraron modelos CFD de áreas urbanas y suburbanas del campus de ERAU con una amplia variedad de combinaciones de velocidad y dirección del viento de entrada. Las predicciones de los sensores meteorológicos de ML se combinaron con los modelos CFD de mejor ajuste de una base de datos de campos de flujo CFD, proporcionando a las áreas operativas de vuelo un campo de flujo de viento completamente expresado. Este campo definió un mapa de riesgo para operadores de aeronaves no tripuladas basado en planes de vuelo y métricas de rendimiento de vuelo individuales. Las aplicaciones potenciales de GUMP son significativas debido a la disponibilidad inmediata de predicciones meteorológicas y su capacidad para extenderse fácilmente a ubicaciones urbanas y suburbanas arbitrarias.