Como parte crucial de las tecnologías de redes y computación ubicuas (UNC), las comunicaciones satelitales de órbita terrestre baja (LEO) tienen como objetivo proporcionar servicios de conectividad a Internet en todas partes. Para mejorar la eficiencia espectral de las comunicaciones satelitales a tierra, se utilizan ampliamente la modulación y codificación adaptativas (AMC), que pueden ajustar los tipos de modulación y codificación según la condición variable del canal. Sin embargo, los canales de comunicación satelital a tierra tienen características como cambios dinámicos rápidos, cambios rápidos y atenuación significativa. Estas características hacen que sea difícil predecir con precisión la información del estado del canal y, por lo tanto, realizar una AMC precisa. Por ejemplo, la pérdida por lluvia es uno de los factores cruciales en la atenuación del canal satelital a tierra. En general, es difícil construir un modelo global integrado para la pérdida por lluvia porque varía en diferentes regiones alrededor del mundo. Además, para las aplicaciones emergentes de múltiples antenas en satélites, el método convencional de tabla de búsqueda no puede manejar las entradas de alta dimensionalidad de las múltiples antenas. Para abordar los desafíos anteriores, proponemos un método de AMC basado en aprendizaje profundo (DL) y aprendizaje profundo por refuerzo (DRL) para redes satelitales a tierra ubicuas. El método propuesto procesa directamente información global en tiempo real sobre el clima y la ubicación en el entorno y selecciona de manera inteligente esquemas de codificación para maximizar el rendimiento del sistema. Los resultados de la simulación muestran que el método propuesto puede aumentar el rendimiento total. El número total de bits transmitidos correctamente por unidad de tiempo se mejora y se aumenta la eficiencia de la comunicación satelital a tierra.