Este documento propone un enfoque novedoso para la identificación de sistemas no lineales. Al transformar el espacio de datos en un espacio de características, se pueden utilizar métodos de kernel para modelar sistemas no lineales. Se adopta el kernel de spline para producir un espacio de Hilbert. Sin embargo, surge un problema, ya que el método de identificación basado en el kernel de spline no puede manejar bien los datos con dimensiones altas, lo que resulta en un costo computacional enorme y una velocidad de estimación lenta. Además, debido al gran número de parámetros a estimar, la cantidad de datos de entrenamiento requeridos para una identificación precisa debe ser lo suficientemente grande para satisfacer las condiciones de persistencia de excitación. Para resolver el problema, se propone una estrategia de reducción de dimensionalidad. La transformación de coordenadas se realiza con la herramienta de geometría diferencial. El propósito de la transformación es que no exista intersección de información con relevancia para la salida entre diferentes estados nuevos, mientras que se extraen los estados sin impacto en la salida, que luego se abandonan al construir el modelo. Luego, se reduce la dimensión del modelo basado en kernel y también se reduce el número de parámetros a estimar. Finalmente, el enfoque de identificación propuesto fue validado mediante simulaciones realizadas con datos experimentales de pruebas en túneles de viento. El resultado de la identificación resulta ser preciso y efectivo con dimensiones más bajas.