使用机器学习工具作为Seisbench软件包的一部分进行检测和相关性。使用Phasenet50扫描连续的波形，获得了超过600万个选秀权。使用十六进制方法8进行相关，最初获得112,336个事件。然后，在局部一维速度模型10中使用非Linloc51,52重新定位了此初始事件集，并根据相数和位置精度进行过滤，获得1,775事件的高质量子集。

　　使用最大峰值峰值幅度以及Bakun和Joyner53为加利福尼亚地震（MCAL）提出的原始关系来计算局部大小。然后，将这些幅度与由Geofisico Instituto Geofisico，Escuela Politecnica Nacional，Quito，厄瓜多尔（MIG）计算的本地幅度进行了基准测试。所获得的线性回归为MCAL = MIG+0.49，然后将其用于计算最终局部幅度。我们计算扩展数据中的B值和完整性的幅度图6。

　　使用网格搜索算法哈希54,55计算了24个选定事件的焦点机制，该算法将P波首次运动极性和S/P振幅比率作为输入数据计算。为此，我们仅使用了50 km的地下距离内的站点和透明的P波发作。

　　我们使用现有的3D速度Model45的Tomodd Software11通过使用目录和相关双差异时间来获得准确的相对地震位置。分别使用P-和S波的2.1和3.3 s窗口在2到10 Hz之间过滤的垂直组件的数据中计算互相关。如果相关性高于0.75，则使用差分时间在Tomodd中搬迁，重量等于相关系数的平方。我们需要至少八个相的链接来定义一对，并将对之间的最大分离设置为6 km。这样做仍然可以使所有1,571个在搬迁过程中成功地重新定位的事件。我们还通过引导来计算错误，因为TomoDD没有给出准确的错误估计。两项测试用于确定错误。在第一个折刀测试中，我们将删除每个事件对的一个站，以进行100次迭代，以测试网络对我们结果的影响。在第二次测试中，我们为100个迭代的所有双差测量添加了随机噪声。该误差被视为在整个100个迭代中获得的位置的标准偏差。Jacknife和Bootstrap测试的中位位置误差分别为37和70 m，事件间距离的中位误差为22和33 m。

　　我们根据数据定义代表新的本地板接口的平面。由于大多数地震在15至25 km之间的深度介于75 m以下的相对位置误差似乎在板界面上似乎很好，因此我们只需将平面与最小二乘反转的平面拟合。然后，我们删除异常值，该异常值定义为相对于主平面最低和最高5％的地震。有了这组新的数据，我们再次适合最终的地震性平面，并以最小二乘反转。然后，通过引导和折刀测试来计算错误，在该测试中，我们删除了10％的事件，并在500次迭代中将事件的位置错误成比例添加成正比。总体而言，我们的平面的打击为17.7±0.6°，倾角为23.3±0.2°，地震性形成为872±27 m厚的带。但是，由于板界面的弯曲和地形以及可能在计算中包含板间的地震性，这些误差可能被低估了。

　　我们在垂直分量上执行互相关，这次是4-12 Hz的滤波器，窗口是S和P时间的两倍。如果相关的信号与噪声比低于15，则将低相关性丢弃，以确保噪声不会限制我们的分类。

　　类似的地震被定义为至少80％的可用站的地震，相关性高于0.75（示例在扩展数据中，图7）。根据图8的扩展数据中发现的互相关的直方图选择了0.75阈值。的确，该值分开了两个主要事件组：非相似事件，它们的相关性可以为正值或负数，但峰值绝对值左右为0.25，并且相似的事件与峰值左右具有高度相关性。这表明它们可能在空间上很近并且具有相似的焦点机制，因此可能发生在相同或近距离的平行断层上。我们进一步使用三分方法56来定义这些单独的断层平面，使用家族中的地震，其位置误差相对于彼此的位置误差小于20 m，而事件间距离的十分之一。Fisher统计数据用于查找最佳拟合平面及其相关的不确定性。如果K的值大于五，则保持定义明确的断层平面，角度不确定性在20°以下，概率大于80％。

　　重复地震定义为地震，至少80％的可用站的相关性高于0.92。此外，在错误之内，它们的事件间距离必须在最大事件破裂的半径内较小或相等。假设MONT幅度MW = ML -0.5，其中ML为局部幅度，应力下降为3 MPa（参考文献41），则计算后者。通过使用这两个标准，我们确保中继器真正破裂相同的区域。我们发现十对重复地震，其中一对仅发生在狂热时期，其中一对有一个狂热的事件和一场后的事件。preseismic的中继器发生在地壳集群中，而所有其他中继器都出现在板界面附近。但是，由于检查了小时的时间窗口，这种重复的地震目录可能是不完整的，因为许多浅层山脉可能没有时间重新加载。

　　相对于最佳拟合平面的地震升高的变化是使用实验半波动函数分析的，该图被定义为：

　　给定地震相对于最佳拟合平面的海拔在哪里，是距离d的另一个地震的海拔。是距离d的对数，是高程差异作为事件间距离的函数的半变量。半变量图在给定的距离处达到一个恒定值，称为窗台，称为相关长度或有效范围。在该距离处，分离的高度值根本不再相关，这意味着这对应于地形特征的特征宽度或给定厚度的斑块。同时，门槛与地形特征的特征高度有关，因为它表明了高程的整体差异。在零时的半变量图的值称为掘金，在我们的情况下，与给定点的地震性厚度有关。我们将厚度定义为包含95％地震性的宽度，约为掘金平方根的四倍。

　　我们使用超过108,000次地震性地震性平面内发生的108,000多个地震对，相对高度误差小于20 m，距离误差小于25 m（扩展数据图9）。这里引用的所有错误都是通过删除10％的数据并在拟合100个迭代模型之前添加噪声来计算的。我们的数据最适合指数模型，该模型的相关长度为1.82±0.03 km，钻头为3,511平方米，凹痕为43,980平方米，为此，我们估算了地震性在237±18 m的厚度，大约237 m，范围约为237 m，地位高度均约为210±1 m。这种厚度的估计值几乎等于仅使用相距小于50 m的事件对计算得出的227 m。相比之下，与良好的球形模型相比，我们获得的地震厚度为377±11 m，地形的特征高度和相关长度分别为194±1 m和1.59±0.04 km。

　　由于地震性的厚度特别依赖于模型，因此我们计算了一个额外的上限。为此，我们将巨头划分为1.8×1.8 km的较小区域，等于指数模型的相关长度，从而消除了板弯曲和广泛的地形特征的效果。我们删除了少于十个事件的正方形，只有在我们执行的折刀测试的标准偏差小于75 m时才能保持结果。这样做，我们获得的平均厚度为455 m，其中95％的值介于164至958 m之间。这比我们以前的估计更大，因为它进一步受到狭窄或陡峭的地形特征的影响。这种方法还使我们能够绘制厚度变化和大规模的地形特征（扩展数据图2），从而使板接口的结构进行了整体视图。