El análisis de series temporales del índice de vegetación a partir de datos satelitales multitemporales se utiliza ampliamente para estudiar la dinámica de la vegetación en la actual era del cambio climático. Este artículo propone una metodología sistemática para predecir el Índice de Vegetación de Diferencia Normalizada (NDVI) utilizando datos de series temporales extraídos del Espectrorradiómetro de Imágenes de Resolución Moderada (MODIS). La idea clave es obtener predicciones precisas del NDVI combinando los méritos de dos técnicas efectivas de inteligencia computacional; a saber, el agrupamiento difuso y las redes neuronales de memoria a corto y largo plazo (LSTM) bajo el marco de la medida de similitud de deformación temporal dinámica (DTW). El área de estudio es la isla de Lesbos, ubicada en el mar Egeo, Grecia, que es un entorno insular en la región costera del Mediterráneo. Los pasos algorítmicos y las principales contribuciones del trabajo actual se describen de la siguiente manera. (1) Se aplicó un mecanismo de reducción de datos para obtener un conjunto de series temporales representativas. (2) Dado que DTW es una medida de similitud y no una distancia, se aplicó un enfoque de escalado multidimensional para transformar las series temporales representativas en puntos en un espacio de baja dimensión, lo que permite el uso de la distancia euclidiana. (3) Se implementó un esquema de agrupamiento difuso óptimo eficiente para obtener el número óptimo de clústeres que mejor describieran la distribución subyacente de los puntos en baja dimensión. (4) El centro de cada clúster se mapeó en series temporales, que eran la media de todas las series temporales representativas que correspondían a los puntos pertenecientes a ese clúster. (5) Finalmente, las series temporales obtenidas en el último paso se procesaron adicionalmente en términos de redes neuronales LSTM. En particular, se llevó a cabo el desarrollo y la evaluación de los modelos LSTM considerando un período de un año, es decir, 12 pasos de tiempo mensuales. Los resultados indican que el método identificó patrones únicos de series temporales de NDVI entre diferentes tipos de uso/cobertura del suelo CORINE (LULC). Las redes LSTM predijeron el NDVI con un error cuadrático medio (RMSE) que varió de 0.017 a 0.079. Para el año de validación de 2020, la diferencia entre el NDVI pronosticado y el real fue inferior a 0.1 en la mayor parte del área de estudio. Este estudio indica que la sinergia del agrupamiento difuso óptimo basado en la similitud DTW de los datos de series temporales de NDVI y el uso de redes LSTM con datos agrupados puede proporcionar resultados útiles para el monitoreo de la dinámica de la vegetación en ecosistemas mediterráneos fragmentados.