El cambio climático está provocando la degradación del permafrost en la meseta de Qinghai-Tíbet, lo que desencadena peligros de termokarst y afecta al medio ambiente. A pesar de su importancia ecológica, la distribución y los riesgos de los lagos de termokarst no se comprenden bien debido a los complejos factores que influyen. En este estudio, introdujimos un nuevo método de aprendizaje en conjunto interpretable diseñado para mejorar la interpretación global y local de las evaluaciones de susceptibilidad para los lagos de termokarst. Nuestro objetivo principal fue ofrecer apoyo científico para evaluar con precisión las áreas propensas a la formación de lagos de termokarst. En la evaluación de la susceptibilidad de los lagos de termokarst, identificamos diez factores condicionantes relacionados con la formación y distribución de los lagos de termokarst. En este modelo de apilamiento de alta precisión, las unidades de aprendizaje principales fueron los algoritmos de bosque aleatorio (RF), árboles extremadamente aleatorizados (EXTs), aumento extremo de gradiente (XGBoost) y aumento categórico (CatBoost). Mientras tanto, se emplearon árboles de decisión aumentados por gradiente (GBDTs) como unidad de aprendizaje secundaria. Basándonos en el modelo de apilamiento, evaluamos la susceptibilidad de los lagos de termokarst y validamos la precisión a través de seis índices de evaluación. Examinamos la interpretabilidad del modelo de apilamiento utilizando tres métodos de interpretación: efectos locales acumulados (ALE), explicaciones locales de modelos independientes de interpretación (LIME) y explicaciones aditivas de Shapley (SHAP). Los resultados mostraron que el modelo de apilamiento de aprendizaje en conjunto demostró un rendimiento superior y la mayor precisión de predicción. Aproximadamente el 91.20% de los puntos de peligro de termokarst totales se encontraban dentro de las áreas de alta y muy alta susceptibilidad, abarcando el 20.08% de la extensión del permafrost en la QTP. Los hallazgos concluyentes revelaron que la pendiente, la elevación, el índice de humedad topográfica (TWI) y la precipitación eran los principales factores que influían en la evaluación de la susceptibilidad de los lagos de termokarst. Este análisis integral se extiende a los impactos más amplios de los peligros de termokarst, con las zonas de alta y muy alta susceptibilidad identificadas afectando tramos significativos de infraestructura ferroviaria y de carreteras, reservas sustanciales de carbono orgánico del suelo y vastas praderas alpinas. Este modelo de aprendizaje en conjunto interpretable, que exhibe alta precisión, ofrece una importancia práctica sustancial para la selección de rutas de proyectos, construcción y operación en la QTP.