La alfalfa (Medicago sativa L.) es uno de los forrajes más cultivados debido a sus características útiles. Aunque la distribución espacial de la alfalfa es una fuente importante de datos básicos, las encuestas manuales incurren en altos costos, requieren grandes cargas de trabajo y enfrentan dificultades para recopilar datos en áreas extensas; la teledetección compensa estas deficiencias. En este estudio, se analizaron las características de variación en series temporales de diferentes tipos de vegetación, y se estableció el método de extracción para el mapeo de alfalfa según diferentes datos de teledetección de resolución espacial y temporal. Los resultados proporcionaron las siguientes conclusiones: (1) al utilizar el número de picos y valles de las curvas del índice de vegetación de diferencia normalizada (NDVI), en el área de estudio, el número de picos debía ser mayor que 2 y el número de valles debía ser mayor que 1; (2) el 91.6% de los puntos de muestreo de alfalfa fueron extraídos mediante datos del espectrorradiómetro de imágenes de resolución moderada (MODIS) utilizando el método de picos y valles, y el 5.0% de los puntos de muestreo de avena fueron extraídos como alfalfa, mientras que ningún otro tipo de vegetación cumplió con estas condiciones; (3) el 85.3% de los puntos de muestreo de alfalfa fueron identificados a partir de datos del instrumento multiespectral Sentinel-2 (MSI) utilizando el método de picos y valles; el 6.0% de la vegetación de pastizales y el 8.7% de la avena cumplieron con las condiciones, mientras que otros tipos de vegetación no cumplieron con esta regla; y (4) la selección de la fase temporal fue muy importante para la extracción de alfalfa utilizando imágenes de teledetección de fase única; la alfalfa se separó fácilmente de otras vegetaciones en la etapa previa a la invernación y fue más difícil de separar en la etapa de reverdecimiento primaveral debido a la variabilidad en la tasa de invernación de la alfalfa; la precisión general de clasificación fue del 92.9% utilizando el método de clasificación supervisada con máquina de soporte vectorial (SVM) en la etapa previa a la invernación. Estos hallazgos proporcionan un enfoque prometedor para el mapeo de alfalfa utilizando diferentes datos de teledetección.