La rápida proliferación de drones de baja altitud ha llevado a entornos electromagnéticos cada vez más congestionados y heterogéneos, lo que plantea desafíos significativos para la conciencia espectral detallada y la gestión confiable de drones. La identificación de emisores específicos (SEI), que explota las huellas dactilares de frecuencia de radio dependientes del hardware, proporciona una solución efectiva a nivel físico para la discriminación a nivel de emisor. Sin embargo, los sistemas SEI prácticos a menudo sufren de dos problemas críticos: muestras etiquetadas extremadamente limitadas para emisores emergentes y distribuciones de datos heterogéneas recopiladas por receptores distribuidos geográficamente con espacios de etiquetas desajustados. Para abordar estos desafíos, este documento propone un marco basado en aprendizaje federado heterogéneo (HFL) para la identificación de emisores específicos con pocos disparos (FS-SEI). El marco propuesto desacopla el aprendizaje de incrustaciones de características de la clasificación específica de tareas y permite el aprendizaje colaborativo de representaciones a través de receptores distribuidos sin compartir datos de señal en bruto. Se adopta una estrategia de entrenamiento basada en aprendizaje métrico, donde solo se agregan los modelos de incrustación de características en el proceso federado, aliviando efectivamente el impacto del desajuste del espacio de etiquetas al utilizar pérdida central y una pérdida de tripleta mejorada. Además, se investigan sistemáticamente dos esquemas de optimización federada, a saber, promediado de gradientes (GA) y promediado de modelos (MA), para analizar su efectividad en configuraciones completamente heterogéneas. Experimentos extensivos realizados en un conjunto de datos del mundo real demuestran que el marco HFL propuesto supera significativamente el entrenamiento local aislado. En particular, el esquema basado en GA logra un rendimiento de identificación con pocos disparos que se acerca mucho al aprendizaje centralizado, al tiempo que preserva la privacidad de los datos y la robustez frente a la heterogeneidad de los datos. Los resultados validan la efectividad del enfoque propuesto para la FS-SEI práctica en escenarios de gestión de drones de baja altitud.