En los últimos años, con el desarrollo de la tecnología del Internet de las Cosas, la demanda de tecnología de comunicación inalámbrica de baja potencia ha ido creciendo, dando lugar a la tecnología LoRa. Una red LoRa consta principalmente de nodos terminales, pasarelas y servidores de red LoRa. Dado que las redes LoRa suelen desplegar muchos dispositivos de nodos terminales para la detección ambiental, los recursos limitados de la tecnología LoRa, el crecimiento explosivo en el número de nodos y el entorno complejo y cambiante plantean desafíos sin precedentes para el rendimiento de la red LoRa. Aunque algunas investigaciones ya han abordado los desafíos asignando canales a la red LoRa, aún no se ha considerado el impacto de factores ambientales complejos y cambiantes en la red LoRa. La asignación de canales razonable debería adaptarse a la situación y enfrentarse a diferentes entornos y condiciones de distribución de la red a través de un aprendizaje adaptativo continuo para obtener la estrategia de asignación correspondiente. En segundo lugar, la mayoría de las investigaciones actuales se centran solo en el ajuste de canal del nodo LoRa en sí, pero no consideran el impacto indirecto de la asignación del nodo en toda la red. El método de asignación de SF de DQN Interno Externo (IEDQN) propuesto en este documento mejora la tasa de recepción de paquetes de todo el sistema mediante el uso de métodos de aprendizaje por refuerzo para el aprendizaje adaptativo del entorno. Considera el impacto en toda la red de la configuración actual de parámetros del nodo a través de un aprendizaje por refuerzo anidado para una optimización adicional y para optimizar el rendimiento de toda la red. Finalmente, este documento evalúa el rendimiento de IEDQN a través de simulaciones. Los resultados experimentales muestran que el método IEDQN optimiza el rendimiento de la red.