Las métricas del paisaje se utilizan ampliamente en la planificación del paisaje y la gestión del uso del suelo. Comprender cómo responden las métricas del paisaje con las escalas puede proporcionar información de predicción más precisa; sin embargo, ignorar la interferencia de la interacción multiescalar puede llevar a un sesgo sistémico severo. En este estudio, analizamos cuantitativamente la sensibilidad a la escala de las métricas basadas en la interacción multiescalar y predecimos sus rangos óptimos de escala. Utilizando un método de grandes datos, el modelo de splines de regresión adaptativa multivariante (MARS) y el modelo de dependencia parcial (PHP), estudiamos las relaciones de escalado de las métricas ante cambios de escala. Los resultados muestran que la interacción multiescalar existe comúnmente en la mayoría de las respuestas de escalado de métricas, contribuyendo de manera significativa. En general, los efectos de escalado de las tres escalas (es decir, extensión espacial, resolución espacial y clasificación del uso del suelo) suelen ir en direcciones diferentes, y la resolución espacial es la escala principal que actúa de forma aislada. Los hallazgos muestran que solo unas pocas métricas son altamente sensibles a las tres escalas a lo largo de todo el espectro de escalas, mientras que las otras métricas están limitadas dentro de un cierto rango de umbral. Este estudio confirma que los escalogramas sensibles a la escala pueden utilizarse como una guía de aplicación para seleccionar métricas de paisaje apropiadas y rangos óptimos de escala.