Los patrones de uso del suelo son un factor crítico en los cambios en las emisiones de carbono, lo que hace esencial esclarecer la relación entre las emisiones de carbono regionales y los tipos de uso del suelo. Como una zona económica estratégica designada a nivel nacional, la cuenca del río Yangtsé abarca megaciudades, ciudades medianas en rápido desarrollo y regiones relativamente subdesarrolladas. Sin embargo, el mecanismo subyacente a la interacción entre los patrones del paisaje y las emisiones de carbono a través de tales gradientes sigue siendo inadecuadamente comprendido. Este estudio utiliza datos de luz nocturna, uso del suelo y emisiones de carbono, empleando XGBoost, CatBoost, LightGBM y un modelo de ensamblaje apilado para analizar los impactos y factores impulsores de los cambios en el uso del suelo sobre las emisiones de carbono en la cuenca del río Yangtsé desde 2002 hasta 2022. Los resultados mostraron: (1) El modelo de aprendizaje de ensamblaje apilado demostró el mejor rendimiento predictivo, con un coeficiente de determinación (R) de 0.80, una desviación de predicción residual (RPD) de 2.22 y un error cuadrático medio (RMSE) de 4.46. En comparación con los modelos de mejor rendimiento siguientes, estas métricas de rendimiento representan mejoras del 19.40% en R y del 28.32% en RPD, y una reducción del 22.16% en RMSE. (2) Basado en la importancia de las características de SHAP y el análisis de correlación de Pearson, los principales impulsores que influyen en las emisiones netas de CO en la cuenca del río Yangtsé son el PIB per cápita (GDPpc), la densidad de población (POD), la participación de la industria terciaria (TI), el índice de grado de uso del suelo (LUI), el grado dinámico del uso del suelo de cuerpos de agua (K), el índice de parche más grande (LPI) y el número de parches (NP). Estos hallazgos indican que los cambios en los patrones del paisaje regional ejercen un efecto significativo sobre las emisiones de carbono en regiones económicas estratégicas, y que los modelos de ensamblaje apilados pueden simular e interpretar efectivamente esta relación con alta precisión predictiva, proporcionando así apoyo a la toma de decisiones para la planificación del desarrollo bajo en carbono a nivel regional.