Las técnicas de vecino más cercano se utilizan comúnmente en teledetección, reconocimiento de patrones y estadísticas para clasificar objetos en un número predefinido de categorías basado en un conjunto dado de predictores. Estas técnicas son especialmente útiles para relaciones altamente no lineales entre las variables. En la mayoría de los estudios, la medida de distancia se adopta a priori. En contraste, proponemos un procedimiento general para encontrar una métrica adaptativa que combina una técnica de reducción de varianza local y un embebido lineal del espacio de observación en un espacio euclidiano apropiado. Para ilustrar la aplicación de esta técnica, se presentan dos clasificaciones de cobertura terrestre agrícola utilizando escenas de Landsat mono-temporales y multi-temporales. Los resultados del estudio, comparados con enfoques estándar utilizados en teledetección como la máxima verosimilitud (ML) o el k-vecino más cercano (k-NN), indican una mejora sustancial con respecto a la precisión general y la cardinalidad del conjunto de datos de calibración. Además, el uso de MNN en un marco de clasificación suave/fuzzy demostró ser una herramienta muy útil para derivar áreas críticas que necesitan más atención e inversión en relación con datos de calibración adicionales.