Karten von Extremwerten meteorologischer Parameter wie der Schneehöhe sind für die Planung von Gebäuden und die allgemeine Risikobewertung in gebirgigen Ländern wie Österreich von entscheidender Bedeutung. Ausgehend von der univariaten Extremwerttheorie wurden in den Alpen bereits räumliche Muster und Korrelationen z.B. für schneebezogene Parameter oder Niederschläge untersucht. Um solche lokal geschätzten Extremwerte oder die Parameter ihrer Wahrscheinlichkeitsverteilung räumlich zu interpolieren, wurden in den letzten Jahren einige Methoden getestet oder angepasst. Im ersten Aufsatz dieser Dissertation werden die konkurrierenden Ansätze smooth spatial modeling und max-stable Prozesse verglichen, um eine Karte der Wiederkehrzeiten extremer Schneehöhen in Österreich zu entwickeln. Die Ergebnisse deuten darauf hin, dass, wenn Extremwerte, die auf der generalisierten Extremwertverteilung (GEV) basieren, eher von Interesse sind als eine korrekte Modellierung der räumlichen Abhängigkeiten, beide Ansätze die 100-jährigen Wiederkehrzeiten extremer Schneehöhen in Österreich mit ähnlicher Genauigkeit reproduzieren. Wenn eine Risikoabschätzung das Ziel ist, kann das smooth model nicht verwendet werden, da es unmöglich ist, Abhängigkeiten zu modellieren. Unter Verwendung verschiedener max-stable Prozesse wird weiter gezeigt, dass es effizienter sein könnte, getrennte Modelle für die Nord- und Südseite der österreichischen Alpen anzupassen.
Die obigen Ergebnisse werfen die Frage auf, ob es möglich ist, die Genauigkeit des smooth modeling Ansatzes zu verbessern, z.B. durch die Verwendung einer geeigneteren Extremwertverteilung. Dies wurde untersucht, indem der smooth modeling Ansatz an die kürzlich entwickelte metastatistische Extremwertverteilung (MEVD) angepasst wurde. Dazu wird zunächst eine detaillierte Analyse der Fehlerstrukturen durchgeführt, die bei der MEVD und der GEV für Tagesniederschläge in Österreich auftreten. Die Ergebnisse zeigen sehr deutlich, dass die MEVD gegenüber der GEV immer dann zu bevorzugen ist, wenn die Stichproben kleiner sind als die gesuchte Wiederkehrzeit. Anschließend wurden zwei smooth model Versionen auf der Basis der MEVD und der GEV verglichen, wobei festgestellt wurde, dass der große Vorteil der MEVD im univariaten Fall im räumlichen Fall fast vollständig verschwindet.
In den ersten beiden Beiträgen werden statistische Modelle für Karten von Extremwerten angepasst und verbessert. Der letzte Teil trägt der Tatsache Rechnung, dass für ein räumliches Modell der Schneewasseräquivalente (SWE), oder "eine Schneelastkarte", grundlegende Daten fehlen, da es in Österreich keine Langzeitbeobachtungen des SWE gibt. Deshalb wird das ∆snow.Modell vorgestellt, das SWE nur aus täglichen Änderungen der Schneehöhe modelliert. Die Fehlermaße sind deutlich kleiner als bei empirischen Regressionsmodellen und liegen in der Größenordnung von viel komplizierteren thermodynamischen Schneemodellen. Ein einfaches smooth model wird dann an solche modellierten SWE-Werte angepasst und ebnet so den Weg zu einer reproduzierbaren Schneelastkarte von Österreich.