La integración de vehículos aéreos no tripulados (VANT) y el Aprendizaje Federado (AF) permite el entrenamiento de modelos distribuidos mientras se preserva la privacidad de los datos. Para superar los desafíos causados por las actualizaciones de modelos centralizadas y sincrónicas, integramos un AF basado en blockchain de Grafos Dirigidos Acíclicos (DAG) en redes de VANT. En este marco descentralizado y asincrónico, los VANT pueden participar de manera independiente y autónoma en el proceso de AF según sus propias necesidades. Para lograr un alto rendimiento en AF, es esencial que los VANT contribuyan activamente con sus recursos computacionales y de datos al proceso de AF. Sin embargo, es un desafío garantizar que los VANT contribuyan consistentemente con sus recursos, ya que pueden tener una tendencia a priorizar su propio interés. Por lo tanto, es crucial diseñar mecanismos de incentivos efectivos que alienten a los VANT a participar activamente en el proceso de AF y a contribuir con sus recursos computacionales y de datos. Actualmente, la investigación sobre mecanismos de incentivos efectivos para el marco de AF basado en blockchain DAG en redes de VANT sigue siendo limitada. Para abordar estos desafíos, este documento propone un nuevo mecanismo de incentivos que integra tanto recompensas como castigos para alentar a los VANT a contribuir activamente al AF y disuadir el aprovechamiento en condiciones de información incompleta. Formulamos las interacciones entre los VANT como un juego evolutivo, y se emplea la regla impulsada por aspiraciones para imitar los procesos de toma de decisiones de los VANT. Evaluamos el mecanismo propuesto para los VANT dentro de un marco de AF basado en blockchain DAG. Los resultados experimentales muestran que el mecanismo de incentivos propuesto aumenta sustancialmente la tasa de contribución promedio de los VANT del 77.04+/-0.84% (sin mecanismo de incentivos) al 97.48+/-1.29%. Además, la mayor tasa de contribución resulta en una mejora aproximada del 2.23% en el rendimiento del AF. Adicionalmente, evaluamos el impacto de diferentes configuraciones de parámetros para analizar cómo afectan el rendimiento y la eficiencia del sistema de AF.