La cuenca del río Jinsha en Yunnan sirve como una barrera ecológica crucial en el suroeste de China. La evaluación ecológica objetiva y la identificación de factores clave son esenciales para el desarrollo sostenible de la región. El Índice Ecológico de Teledetección (RSEI) se ha aplicado ampliamente en evaluaciones ecológicas. En los últimos años, el aprendizaje automático interpretable (IML) ha introducido enfoques novedosos para comprender los complejos mecanismos ecológicos. Este estudio empleó Google Earth Engine (GEE) para calcular tres índices de vegetación: NDVI, SAVI y kNDVI, para el área de estudio desde 2000 hasta 2022, junto con sus correspondientes modelos RSEI (NDVI-RSEI, SAVI-RSEI y kNDVI-RSEI). Además, se analizaron las variaciones espaciotemporales de estos modelos RSEI y su relación con los índices de vegetación. Además, se empleó un modelo IML (XGBoost-SHAP) para interpretar los factores que impulsan el RSEI. Los resultados indican que (1) los niveles de RSEI en el área de estudio de 2000 a 2022 fueron principalmente moderados; (2) en comparación con NDVI-RSEI, SAVI-RSEI es más susceptible a factores del suelo, mientras que kNDVI-RSEI exhibe una menor tendencia a la saturación; y (3) la evapotranspiración potencial, el uso del suelo y la elevación son impulsores clave de las variaciones del RSEI, afectando principalmente el entorno ecológico en las partes occidental, sureste y noreste del área de estudio. El enfoque XGBoost-SHAP proporciona valiosas ideas para promover el desarrollo sostenible regional.