(1) Antecedentes: El objetivo de este artículo fue estudiar la cartografía de susceptibilidad a deslizamientos de tierra basada en aprendizaje automático interpretable desde la perspectiva de la diferenciación topográfica. (2) Métodos: Este artículo selecciona tres condados (Chengkou, Wushan y Wuxi) en el noreste de Chongqing, delimitados como la región montañosa de capas de corrosión alta y media (Zona I), y tres condados (Wulong, Pengshui y Shizhu) en el sureste de Chongqing, delimitados como la región montañosa media de fuertes gargantas kársticas (Zona II), como área de estudio. Este estudio utilizó un algoritmo de optimización bayesiana para optimizar los parámetros de los modelos LightGBM y XGBoost y construir modelos de evaluación para cada una de las dos regiones. Se seleccionó el modelo con alta precisión de acuerdo con la precisión de los indicadores de evaluación con el fin de establecer la cartografía de susceptibilidad a deslizamientos de tierra. Luego se utilizó el algoritmo SHAP para explorar los mecanismos de formación de deslizamientos de tierra de diferentes formas de terreno desde una perspectiva global y local. (3) Resultados: Los valores de AUC para el conjunto de prueba en el modo LightGBM para las Zonas I y II son 0.8525 y 0.8859, respectivamente, y los del conjunto de prueba en el modelo XGBoost son 0.8214 y 0.8375, respectivamente. Esto muestra que LightGBM tiene una alta precisión de predicción con respecto a ambas formas de terreno. Bajo los dos tipos diferentes de formas de terreno, la elevación, el uso del suelo, la profundidad de incisión, la distancia de la carretera y la precipitación anual promedio fueron los factores dominantes comunes que más contribuyeron a la toma de decisiones en ambos sitios; la distancia de una falla y la distancia del río tienen diferentes grados de influencia bajo diferentes tipos de formas de terreno. (4) Conclusiones: el modelo LightGBM-SHAP optimizado es adecuado para el análisis de susceptibilidad a deslizamientos de tierra en dos tipos de paisajes, a saber, la región montañosa de capas de corrosión alta y media, y la región montañosa media de fuertes gargantas kársticas, y puede utilizarse para explorar el mecanismo interno de toma de decisiones del modelo tanto a nivel global como local, lo que hace que los resultados de predicción de susceptibilidad a deslizamientos de tierra sean más realistas y transparentes. Esto es beneficioso para la selección de un sistema de índice de susceptibilidad a deslizamientos de tierra y la prevención y control tempranos de los peligros de deslizamientos de tierra, y puede proporcionar una referencia para la predicción de áreas potencialmente propensas a deslizamientos de tierra y la investigación en aprendizaje automático interpretable.