Las evaluaciones tradicionales del paisaje urbano han dependido principalmente de métricas espaciales objetivas, como el Índice de Vista Verde (GVI), o de encuestas humanas subjetivas, a menudo sin lograr capturar los complejos mecanismos de la percepción ambiental humana. Este estudio propone un nuevo marco de Inteligencia Artificial Explicable (XAI) que integra la configuración física objetiva con la evaluación cognitiva subjetiva para predecir la preferencia paisajística humana. Utilizando 159 imágenes de paisajes urbanos, extraímos características físicas a través de la segmentación semántica (SegFormer) y percepciones psicológicas mediante un modelo de visión-lenguaje de cero disparos (CLIP). Nuestro modelo híbrido de Bosque Aleatorio logró conectar con éxito estas dimensiones, alcanzando un rendimiento predictivo moderado pero prometedor (R cuadrado = 0.442). El análisis SHAP (Explicaciones Aditivas de Shapley) reveló que las percepciones psicológicas, específicamente Seguridad (0.104), Fascinación (0.096) y Tranquilidad (0.080), superaron a las métricas objetivas tradicionales como el GVI (0.067) en la determinación de la preferencia general, mientras que la interpretación del submodelo vinculó estas respuestas psicológicas a elementos físicos específicos como edificios, apertura del cielo, vegetación baja y cuerpos de agua. Los hallazgos sugieren que el diseño de espacios verdes urbanos debería ir más allá de maximizar la cantidad de vegetación y, en cambio, priorizar composiciones espaciales que induzcan seguridad psicológica, interés visual y restauración. El marco propuesto ofrece una herramienta escalable e interpretable para la evaluación paisajística centrada en el ser humano, al tiempo que reconoce limitaciones relacionadas con el tamaño de la muestra, la generalizabilidad cultural, el sesgo del modelo preentrenado y la dependencia de imágenes estáticas bidimensionales.