La reflectividad del radar juega un papel crucial en la detección de lluvias intensas y es una herramienta importante para el análisis meteorológico. Sin embargo, la cobertura de un solo radar es limitada, lo que lleva al uso de datos satelitales como fuente complementaria. En consecuencia, cómo cerrar la brecha entre los datos del radar y los datos satelitales se ha convertido en un enfoque de investigación en crecimiento. En este artículo, presentamos MAFormer, un modelo novedoso para reconstruir la reflectividad del radar utilizando datos satelitales dentro del marco de Transformer. MAFormer consta de dos módulos: el Módulo de Atención Local Axial y el Módulo de Atención Global Mixup, que extraen tanto la saliencia local como la similitud global. Experimentos cuantitativos y cualitativos demuestran la efectividad de nuestro método propuesto. Específicamente, el modelo MAFormer exhibe avances notables en comparación con las técnicas de aprendizaje profundo de vanguardia. Muestra una mejora que varía de 0.01 a 0.05 en términos del puntaje de habilidad de Heidke, lo que indica su rendimiento superior. Además, MAFormer mitiga efectivamente las tasas de falsas alarmas en aproximadamente 0.016 a 0.04, lo que resalta aún más su precisión y fiabilidad mejoradas.