En géosciences, les méthodes d'interpolation spatiale peuvent être divisées en géostatistiques, non-géostatistiques ou hybrides. Le krigeage est une méthode couramment utilisée en géostatistique, sous l'hypothèse d'une distribution normale des données. De plus, il peut être très gourmand en ressources lorsqu'il est utilisé pour réaliser une interpolation avec un volume de données conséquent. Les méthodes non-géostatistiques ont bénéficié des avancées récentes des Réseaux Antagonistes Génératifs (GAN), mais elles exigent une quantité importante de données étiquetées pour produire des résultats performants. Les approches hybrides sont limitées de part leurs dépendances aux contraintes associées aux approches géostatistiques. Dans cet article, nous proposons une nouvelle méthode d'interpolation spatiale non-géostatistique par apprentissage profond, en se basant sur une technique de reconstruction d'image sans entraînement au préalable, permettant ainsi de surmonter les limites des GAN. Notre méthode utilise des connexions résiduelles et un sur-échantillonnage bi-cubique dans le but d'adapter la technique de reconstruction d'image à notre application. Elle s'appuie sur un réseau de neurones convolutifs pour produire une carte à partir d'une carte de valeurs aléatoires, en réduisant la différence entre la carte générée et les valeurs observées. L'approche proposée est évaluée sur un jeu de données de modèle numérique de terrain selon deux méthodes d'échantillonnage différentes : régulière et aléatoire. Les résultats montrent des performances supérieures par rapport à l'état de l'art des méthodes l'interpolation.