Европа всё больше подвергается воздействию жары и засух, но краткосрочные экономические последствия этих явлений в различных секторах остаются трудными для прогнозирования. Это исследование разработало климатически-ориентированные модели для прогнозирования реального роста валовой добавленной стоимости на душу населения в 1117 регионах ЕС (2002-2022) путем объединения экономических показателей с высокочастотными климатическими данными. При использовании методов машинного обучения (ML, Random Forest и XGBoost) климатические переменные улучшают прогнозы в сельском хозяйстве, в то время как выгоды для других секторов ограничены и не превосходят экономические модели. Индикаторы жары последовательно повышают прогностическую эффективность, тогда как эффекты засухи варьируются в зависимости от сектора. Симуляции экстремальных сценариев, объединяющих жару и засуху, предполагают, что годовой рост сельского хозяйства может снизиться на 1,9-7,6 процентных пунктов в большинстве регионов, тогда как промышленность, и в частности производство, менее подвержены воздействию, хотя последствия более выражены в Восточной Европе и Прибалтике. В целом, модели ML лучше отражают сложные климатические и экономические взаимодействия, подтверждая их использование для раннего предупреждения, планирования политики и целенаправленной адаптации.