卫星图像在持续的环境监测和地球观测方面展现出巨大的潜力。然而，云层造成的遮挡会严重限制覆盖范围，使得地面信息提取变得更加困难。现有的处理流程通常通过简单的时序合成和手工设计的滤波器来去除云层。相比之下，我们将云层去除问题视为一个条件图像生成挑战，并提出了一种可训练的空间时间生成网络（Spatiotemporal Generator Network, STGAN）来去除云层。我们在构建的一个新的大规模时空数据集上训练了该模型，该数据集包含97,640对图像，涵盖了所有大陆。实验结果表明，所提出的STGAN模型优于标准模型，并且能够在各种大气条件下生成高PSNR和SSIM值的真实无云图像，从而在下游任务如土地覆盖分类中提高了性能。