Diese Arbeit untersucht, inwiefern Visual Analytics die Analyse von Prozessen in geowissenschaftlichen raum-zeitlichen Daten unterstützen kann. Hierzu wurden drei neuartige Visual Analytics Ansätze entwickelt. Jeder Ansatz addressiert eine wichtige Analyseperspektive. Der erste Ansatz erlaubt es, wichtige räumliche Zustände in den Daten sowie deren auftreten in der Zeit zu untersuchen. Mittels hierarchischem Clustering werden alle in den Daten enthaltenen räumlichen Zustände in einer Clusterhierarchie verortet. Interaktive visuelle Analyse ermöglicht es, verschiedene räumliche Zustände aus den Daten zu extrahieren und die dazugehörigen raum-zeitlichen Muster zu interpretieren und zu bewerten. Der zweite Ansatz unterstützt die systematische Analyse des in den Daten zu beobachtenden zeitlichen Verhaltens sowie dessen Auftreten im geographischen Raum mittels einer Kombination aus Cluster Ensembles und interaktiver visueller Exploration. Der dritte Ansatz gestattet die Detektion und Analyse von zeitlichen Zusammenhängen in den Daten. Hierzu wurde eine etablierte Methode zur Analyse von zeitlichen Zusammenhängen zwischen zwei einzelnen Zeitreihen, gefensterte Kreuzkorrelation, durch Visual Analytics auf den Vergleich von Zeitreihenensembles erweitert. Dadurch ist es nicht nur möglich, Zusammenhänge zwischen Zeitreihen zu untersuchen, sondern auch Unsicherheiten in den Daten zu berücksichtigen. Alle Ansätze wurden anhand einer nutzer- und aufgabenorientierten Methodik entwickelt und erfolgreich in Anwendungsfällen aus der Erdsystem-Modellierung, der Ozeanmodellierung, der Paläoklimatologie und sogar den Kognitionswissenschaften eingesetzt. Diese Dissertation zeigt, dass Visual Analytics einen wertvollen Ansatz zur Analyse von Prozess-bezogenen Mustern in raum-zeitlichen Daten darstellt. Es kann die Grenzen existierender Analysemethoden erweitern und ermöglicht Geowissenschaftlern neue, aufschlussreiche Sichtweisen auf Daten und die darin beschriebenen Prozesse. / This thesis studied how visual analytics can facilitate the analysis of processes in geoscientific spatiotemporal data. Three novel visual analytics solutions were developed, each addressing an important analysis perspective. The first solution addresses the analysis of prominent spatial situations in the data and their occurrence over time. Hierarchical clustering is used to arrange all spatial situations in the data in a hierarchy of clusters. The combination with interactive visual analysis enables geoscientists to explore and alter the resulting hierarchy, to extract different sets of representative spatial situations, and to interpret and assess the corresponding spatiotemporal patterns. The second solution supports geoscientists in the analysis of prominent types of temporal behavior and their location in geographic space. Cluster ensembles are integrated with interactive visual exploration to enable users to systematically detect and interpret various types of temporal behavior in different data sets and to use this information for assessment of simulation model output. The third solution enables geoscientists to detect and analyze interrelations of temporal behavior in the data. Windowed cross-correlation, a technique for comparison of two individual time series, was extended to the comparison of entire ensembles of time series through visual analytics. This not only allows scientists to study interrelations, but also to assess how much these interrelations vary between two ensembles. All visual analytics solutions were developed following a rigorous user- and task-centered methodology and successfully applied to use cases in Earth system modeling, ocean modeling, paleoclimatology, and even cognitive science. The results of this thesis demonstrate that visual analytics successfully addresses important analysis perspectives and that it is a valuable approach to the analysis of process-related patterns in geoscientific spatiotemporal data.