Los métodos tradicionales de aplicación de pesticidas representan amenazas sistémicas para la agricultura sostenible debido a prácticas de pulverización ineficientes y contaminación ecológica. Aunque los drones agrícolas demuestran potencial para abordar estos desafíos, enfrentan limitaciones críticas en la planificación de rutas de cobertura completa con restricciones de energía. Este estudio propone un nuevo algoritmo BiLG-D3QN al integrar el aprendizaje profundo por refuerzo con arquitecturas Bi-LSTM y Bi-GRU, diseñadas específicamente para optimizar la planificación de rutas de cobertura segmentada bajo restricciones de consumo de energía dependientes de la carga. La metodología abarca cuatro componentes: modelado de consumo de energía de la carga, identificación de áreas de cultivo de soja utilizando datos de distribución espacial derivados de Google Earth Engine, construcción de mapas raster y implementación mejorada de la planificación de rutas de cobertura segmentada. A través de experimentos de simulación, el algoritmo BiLG-D3QN demostró una eficiencia de cobertura superior, superando a DDQN en un 13.45%, a D3QN en un 12.27%, a Dueling DQN en un 14.62%, a A-Star en un 15.59% y a PPO en un 22.15%. Además, el algoritmo logró una tasa de redundancia promedio de solo 2.45%, que es significativamente menor que la de DDQN (18.89%), D3QN (17.59%), Dueling DQN (17.59%), A-Star (21.54%) y PPO (25.12%). Estos resultados destacan las ventajas notables del algoritmo BiLG-D3QN para abordar los desafíos de las tareas de pulverización de pesticidas en aplicaciones de UAV agrícolas.