Los sistemas tradicionales de monitoreo de la salud del ganado dependen de la recolección de datos centralizada, lo que plantea desafíos significativos relacionados con la privacidad de los datos, la conectividad de la red, la fiabilidad del modelo y la confianza. Este estudio presenta un nuevo marco de aprendizaje federado (FL) inspirado en la naturaleza para el monitoreo de la salud del ganado, integrando blockchain para garantizar la validación del modelo, la resiliencia del sistema y la gestión de la reputación. Inspirado en la dinámica de fisión-fusión de las manadas de elefantes, el marco forma y fusiona adaptativamente subgrupos de nodos de borde basándose en seis parámetros clave: métricas de salud, niveles de actividad, proximidad geográfica, disponibilidad de recursos, actividad temporal y conectividad de la red. Las redes de atención gráfica (GAT) permiten la fisión dinámica, mientras que el Clustering Espacial Basado en Densidad de Aplicaciones con Ruido (DBSCAN) apoya la fusión de subgrupos basada en la similitud del modelo. Los contratos inteligentes de blockchain validan las contribuciones del modelo y aseguran que solo los modelos de alto rendimiento participen en la agregación global. Un mecanismo impulsado por la reputación promueve nodos confiables y desalienta a los participantes inestables. Los resultados experimentales muestran que el marco propuesto logra una precisión del modelo del 94.3%, una convergencia más rápida y una mejor eficiencia de recursos. Este enfoque adaptativo y que preserva la privacidad transforma el monitoreo de la salud del ganado en un proceso más confiable, eficiente y resiliente.