地下水是全球水資源中重要的供給來源。在台灣缺乏地表水的地區，居民仰賴地下水來滿足日常用水需求以及農業灌溉和水產養殖中。然而長期的地下水水質監測指出，某些監測井的地下水污染與所測得的地下水水質參數濃度超過了台灣環境保護總署規定的安全標準。
由於長期接觸某些有害的化學物質會引起各種急性和慢性問題；因此，評估地下水污染對居民健康產生的危害將成為嚴重的環境與公共衛生問題。例如，砷（As）是一種有毒的致癌物質，會導致烏腳病及肝臟、腎臟、膀胱、前列腺、淋巴、皮膚、結腸、肺及鼻腔的癌症以及缺血性心臟病、色素沉著過度、角化症，甚至是糖尿病及腦膜瘤等；從監測井的數據中可以發現地下水污染的分布呈現空間變異性，代表與地下水砷污染程度相關之人體健康風險也將隨區域而有所不同；因此，分析隨地區而頻繁變化的污染分布是迫切需要的。
透過監測地下水質來有效的分析地下水污染空間變化是保護此一寶貴水資源的關鍵步驟；而監測地下水質量需要建立監測井，對地下水質量進行採樣及實驗室分析，是既昂貴又費時的；過去多運用以Kriging為基礎的線性地理統計技術廣泛來分析地下水質量參數的空間變異分析；然而含水層複雜的非均質性與污染物傳輸過程的非線性，使得線性的地理統計方法在非採樣位置的空間分布分析上可能具有高度的不確定性，甚至會對地下水水資源保護和公共衛生管理造成不良的影響。
類神經網路（ANN）是一種數據驅動的機器學習技術；只要有足夠的訓練數據，類神經網路便可以映射出複雜的地下水污染空間分布。因此，本研究旨在將類神經網路應用於蘭陽平原的地下水砷污染空間變異性分析。以類神經方法及傳統地理統計方法預測的地下水污染空間映射相比較，類神經網路的正確率為81%，而Kriging則僅有76%。
基於此結果顯示，類神經網路方法比起傳統的地理統計Kriging方法擁有較高的正確率，因此建議將其作為一種更直接和可靠的方法運用於地下水污染的空間變異性分析。地下水污染的空間分布圖可以用來分類規劃區域，以描述居民是否處於飲用含砷地下水之高風險地區，優先考慮需要對不安全的地下水進行更深入的監控；此外，政府需要開發新的水資源，以替代受污染的地下水為居民使用。

本研究將類神經網路應用於蘭陽平原地下水砷污染的空間變異性分析，比較類神經方法與Kriging的結果，顯示類神經方法的準確度較高，證實了其優越性。類神經網路以監督式學習法為基礎逐次更新權重因子，並在神經元組成的層狀結構中以非線性活化函數轉換訊號，可以有效處理預測非採樣位置的不確定性。

監測地下水質時設置監測井與採樣分析是既昂貴又費時的，若能優先考慮需要對不安全的地下水水質進行更深入監測的區域來設置監測井，便可以減少設井與採樣分析的成本和時間。進一步開發該研究中使用的技術，作為由環境工程師或公共衛生人員在規劃地下水監測網或制定人體健康保護計劃時的有效工具。