针对传统数据驱动模型存在收敛速度慢、过度拟合等问题，提出了基于极限学习机算法的基坑地表沉降预测方法。结合季冻区地铁车站基坑的特点，提取基坑开挖时间、开挖深度、围护桩顶位移、围护桩内力、支撑轴力及地表温度等特征信息，建立极限学习机回归预测模型，选用实例数据进行算例分析，并将其与传统回归预测模型进行对比，实验结果表明，极限学习机模型收敛速度快，泛化能力强，其预测精度优于传统预测模型，且在学习速度方面优势明显，对深基坑安全监控有一定的实用价值。

在Sklearn的Python语言代码基础上，开发了基于孤独森林和一类支持向量机的多元地球化学异常识别方法程序。选择吉林省和龙地区为实验区，从1：5万水系沉积物资料中提取地球化学异常。把实验区已知矿点的空间分布位置作为"地真"数据，绘制两种机器学习算法的ROC曲线并计算AUC值，用来对比两种方法的多元地球化学异常识别效果。研究结果表明：两种机器学习算法都能够有效识别多元地球化学异常，所提取的多元地球化学异常与已知矿点具有显著的空间关联性；孤独森林算法在数据处理耗时和多元地球化学异常识别效果方面略优于一类支持向量机。