La construcción de series temporales de imágenes ópticas para el monitoreo de cultivos requiere un método de eliminación de nubes que restaure con precisión las regiones nubosas y elimine la discontinuidad alrededor de los límites de las nubes. Este artículo describe un método de eliminación de nubes híbrido basado en aprendizaje automático de dos etapas que combina predicciones basadas en regresión de procesos gaussianos (GPR) con mezcla de imágenes para una reconstrucción óptica de imágenes sin costuras. GPR se emplea en la primera etapa para generar resultados de predicción iniciales cuantificando las relaciones temporales entre imágenes multitemporales. La incertidumbre predictiva de GPR se combina particularmente con los valores de predicción para utilizar predicciones ponderadas por incertidumbre como entrada para la siguiente etapa. En la segunda etapa, se aplica mezcla de Poisson para eliminar la discontinuidad en las predicciones basadas en GPR. Los beneficios de este método se ilustran a través de experimentos de eliminación de nubes utilizando imágenes Sentinel-2 con máscaras de nubes sintéticas en dos sitios de cultivo. El método propuesto logró mantener las características estructurales y la calidad de la reflectancia subyacente en las regiones nubosas y superó a dos métodos de eliminación de nubes híbridos existentes para todas las bandas espectrales. Además, demostró el mejor rendimiento en la predicción de varios índices de vegetación en regiones nubosas. Estos resultados experimentales indican los beneficios del método propuesto de eliminación de nubes para la reconstrucción de imágenes ópticas contaminadas por nubes.