La distribution des valeurs extrêmes généralisées (GEV) est un modèle couramment utilisé pour analyser et prévoir les données météorologiques extrêmes. Afin d'améliorer la précision des prévisions, les informations spatiales sont souvent regroupées à l'aide d'un processus gaussien latent (GP) appliqué aux paramètres GEV. L'inférence pour les modèles GEV-GP s'effectue généralement via la méthode de Monte Carlo par chaînes de Markov (MCMC), ou de manière approximative via des méthodes telles que l'approximation de Laplace intégrée et imbriquée (INLA). Cependant, la méthode MCMC ralentit de manière prohibitive à mesure que le nombre de localisations spatiales augmente, tandis que l'INLA n'est applicable en pratique qu'à un sous-ensemble limité de modèles GEV-GP. Nous revisitons ici les modèles GEV-GP d'approximation de Laplace originaux. En combinaison avec une expansion en bases induisant la parcimonie, nous montrons par des simulations que notre approche estime avec précision la distribution prédictive bayésienne des événements météorologiques extrêmes, qu'elle est évolutive sur des milliers d'emplacements spatiaux et qu'elle est d'un ordre de grandeur plus rapide que la méthode MCMC. Nous concluons par une étude de cas sur les chutes de neige extrêmes au Canada.