Para abordar la heterogeneidad estadística y los riesgos de privacidad a nivel de actualización en el aprendizaje federado para datos geoespaciales, este documento propone un marco colaborativo jerárquicamente desacoplado que integra la perturbación de privacidad del lado del cliente con la agregación consciente de la consistencia del lado del servidor, al tiempo que incorpora la gobernanza como un módulo de soporte a nivel de sistema. Bajo condiciones no IID fuertes, la estrategia de agregación de peso suave propuesta mitiga el desajuste de actualizaciones y mejora la estabilidad de la convergencia sin filtrar de manera estricta las contribuciones legítimas de los clientes que están distribucionalmente desplazadas. Mientras tanto, el mecanismo de perturbación consciente del riesgo ajusta de manera adaptativa la fuerza de recorte y ruido entre los clientes para equilibrar mejor la protección de la privacidad y la utilidad del modelo. Además, se introduce un mecanismo de gobernanza en cadena y coordinación de entrenamiento fuera de la cadena para apoyar la colaboración auditable y rastreable sin interferir con el proceso de optimización principal. Los resultados experimentales en EuroSAT_RGB con ResNet-18 muestran que el diseño propuesto logra un entrenamiento más estable y un mejor rendimiento general que las líneas base comparadas, especialmente bajo una heterogeneidad severa. Estos hallazgos destacan el valor de considerar conjuntamente la perturbación consciente de la privacidad y la agregación consciente de la consistencia para mejorar la estabilidad del entrenamiento y preservar la utilidad en el aprendizaje federado geoespacial bajo configuraciones estadísticamente heterogéneas.