La planificación de misiones eficiente y adaptativa para los Satélites de Observación de la Tierra (EOS) sigue siendo una tarea desafiante debido a la creciente complejidad de las demandas de los usuarios, las restricciones de las tareas y los recursos limitados de los satélites. Los enfoques heurísticos y metaheurísticos tradicionales a menudo tienen dificultades con la escalabilidad y la adaptabilidad en entornos dinámicos. Para superar estas limitaciones, introducimos AEM-D3QN, un nuevo marco de programación de tareas inteligente que integra Redes Neuronales de Grafos (GNN) con un Mecanismo de Exploración Adaptativa habilitado para la Red Dueling Deep Q (D3QN). Este marco construye un atlas de Grafo Dirigido Acíclico (DAG) para representar las dependencias y restricciones de las tareas, aprovechando las GNN para extraer características de tareas espacio-temporales. Estas características se codifican en un modelo de aprendizaje por refuerzo que optimiza dinámicamente las políticas de programación bajo múltiples restricciones de recursos. El mecanismo de exploración adaptativa mejora la eficiencia del aprendizaje al equilibrar la exploración y la explotación en función de la urgencia de la tarea y el estado del satélite. Experimentos extensivos realizados en escenarios de planificación tanto periódicos como de emergencia demuestran que AEM-D3QN supera a los algoritmos de última generación en eficiencia de programación, tiempo de respuesta y tasa de finalización de tareas. El marco propuesto ofrece una solución escalable y robusta para la planificación de misiones satelitales en tiempo real en entornos operativos complejos y dinámicos.