Este estudio pionero presenta un marco completamente basado en sensores remotos para mapear la susceptibilidad a olas de calor, integrando el modelo de aprendizaje profundo TabTransformer con la Optimización por Enjambre de Partículas (PSO) para un ajuste robusto de hiperparámetros. La pregunta central que se aborda es si un TabTransformer optimizado por PSO, impulsado completamente por sensores remotos, puede lograr un mapeo preciso, escalable y espacialmente detallado de la susceptibilidad a olas de calor en regiones con escasez de datos, como Asia Central. Utilizando evidencia de olas de calor derivada de ERA5 y trece predictores ambientales y socioeconómicos, el flujo de trabajo produce mapas de susceptibilidad de alta resolución que abarcan cinco países de Asia Central. El análisis comparativo evidencia que el modelo TabTransformer optimizado por PSO supera la línea base en múltiples métricas. En el conjunto de prueba, el modelo optimizado logró un RMSE de 0.123, un MAE de 0.034 y un R de 0.938, superando al TabTransformer independiente (RMSE = 0.132, MAE = 0.038, R = 0.93). La capacidad discriminativa también mejoró, con un AUROC que aumentó de 0.933 a 0.940. El modelo ajustado por PSO ofreció una convergencia más rápida, una menor pérdida final y una precisión más estable durante el entrenamiento y la validación. Los resultados espaciales revelan una mayor susceptibilidad en los sectores del sur y suroeste: Turkmenistán, Uzbekistán, el sur de Kazajistán y las tierras bajas adyacentes, con mejoras estadísticamente significativas en la precisión espacial y la delimitación de clases confirmadas por pruebas de Chi-cuadrado, Friedman y Wilcoxon, todas con valores congruentes.