La clasificación de galaxias ha avanzado significativamente utilizando técnicas de aprendizaje automático, ofreciendo una comprensión más profunda del universo. Este estudio se centra en la tipología de galaxias utilizando datos del proyecto Galaxy Zoo, donde las clasificaciones se basan en las opiniones de voluntarios no expertos, introduciendo un grado de incertidumbre. El objetivo de este estudio es integrar el agrupamiento Fuzzy C-Means (FCM) con métodos de explicabilidad para lograr un modelo preciso e interpretable para la clasificación de galaxias. Aplicamos FCM para gestionar esta incertidumbre y agrupar galaxias según sus características morfológicas. Además, utilizamos métodos de explicabilidad, específicamente valores SHAP (SHapley Additive exPlanations) y LIME (Local Interpretable Model-Agnostic Explanations), para interpretar y explicar los factores clave que influyen en la clasificación. Los resultados muestran que el uso de FCM permite una clasificación precisa mientras se gestiona la incertidumbre de los datos, con valores de precisión altos que cumplen las expectativas del estudio. Además, los valores SHAP y LIME proporcionan una comprensión clara de las características más influyentes en cada grupo. Este método mejora nuestra clasificación y comprensión de las galaxias y es extensible a estudios ambientales en la Tierra, ofreciendo herramientas para la gestión y protección ambiental. La metodología presentada destaca la importancia de integrar técnicas de FCM y XAI para abordar problemas complejos con datos inciertos.