, Johanna Moreno-Castellanos , Laura Grande Pérez , Juan Manuel Núñez Velasco La seguridad y la soberanía alimentarias en contextos urbanos vulnerables enfrenta limitaciones asociadas a la escasez de recursos, la variabilidad climática y la falta de conectividad. Este trabajo propone una arquitectura inteligente basada en aprendizaje federado (Federated Learning) y edge computing para la gestión eficiente de huertos urbanos distribuidos. La solución integra sensores IoT que recopilan variables ambientales como temperatura, humedad y luminosidad, permitiendo que cada nodo entrene modelos locales para optimizar la productividad y el uso de recursos hídricos sin compartir datos crudos. Mediante un servidor federador, los modelos locales se agregan utilizando técnicas como FedAvg, generando un modelo global robusto y escalable. La incorporación de inteligencia artificial en el borde reduce la latencia, el consumo de red y mejora la resiliencia ante fallos de conectividad. Los resultados evidencian una mejora en la toma de decisiones, la optimización del riego y la identificación de patrones de consumo, contribuyendo al desarrollo sostenible de la agricultura urbana y a la protección de la privacidad de los datos.