La sensorización compresiva (CS) es capaz de resolver altas frecuencias a partir de datos submuestreados. Sin embargo, es un desafío aplicar CS en campos de flujo no periódicos con múltiples frecuencias. Este estudio introduce un nuevo enfoque de fusión de datos CS destinado a reconstruir campos de flujo temporalmente resueltos a partir de datos de velocimetría de imágenes de partículas (PIV) submuestreados, integrando restricciones derivadas de un número limitado de mediciones puntuales de alta frecuencia. El enfoque combina mediciones de velocimetría de imágenes de partículas (PIV), que tienen alta resolución espacial pero baja resolución temporal, y algunas sondas puntuales, que tienen alta resolución temporal pero baja resolución espacial. En el método propuesto, se realiza primero una descomposición ortogonal adecuada (POD) a los datos de PIV, adquiriendo así modos espaciales y coeficientes de baja resolución temporal. Para reconstruir los coeficientes no periódicos y de múltiples frecuencias a partir de los datos de PIV, el CS tradicional produce un fuerte ruido de alta frecuencia. En este sentido, los coeficientes obtenidos de las mediciones puntuales utilizando regresión de mínimos cuadrados (LS) pueden servir como un espacio recíproco para suprimir el ruido de alta frecuencia en la reconstrucción CS. Usando factores de relajación, los resultados de la regresión LS aplican los límites superior e inferior para el CS. Al fusionar la medición puntual y los datos de PIV, el rendimiento de la reconstrucción puede mejorarse significativamente. Para verificar el rendimiento, se utilizan campos de flujo no periódicos y de múltiples frecuencias en el remolido de dos cilindros de diferentes diámetros. En comparación con la verdad de terreno, la reconstrucción CS y LS da un error de aproximadamente 7% y 13%, respectivamente. Por otro lado, la fusión de datos CS solo tiene un error de aproximadamente 2%. También se examina la dependencia de este método en el número de sondas puntuales.