During recent years, much focus have been put on replacing time consuming manual mappingand classification tasks with automatic methods, having minimal human interaction. Now it ispossible to quickly classify land cover and terrain features covering large areas to a digital formatand with a high accuracy. This can be achieved using nothing but remote sensing techniques,which provide a far more sustainable process and product. Still, some terrain features do not havean established methodology for high quality automatic mapping.The Scandinavian Mountains contain several terrain features with low passability, such asmires, shrub and stony ground. It would be of interest to anyone passing the land to avoid theseareas. However, they are not sufficiently mapped in current map products.The aim of this thesis was to find a methodology to classify and map these terrain featuresin the Scandinavian Mountains with high accuracy and minimal human interaction, using remotesensing techniques. The study area chosen for the analysis is a large valley and mountain sidesouth-east of the small town Abisko in northern Sweden, which contain clearly visible samplesof the targeted terrain features. The methodology was based on training a Fuzzy Logic classifierusing labeled training samples and descriptors derived from ortophotos, LiDAR data and currentmap products, chosen to separate the classes from each other by their characteristics. Firstly,a set of candidate descriptors were chosen, from which the final descriptors were obtained byimplementing a Fisher score filter. Secondly a Fuzzy Inference System was constructed usinglabeled training data from the descriptors, created by the user. Finally the entire study area wasclassified pixel-by-pixel by using the trained classifier and a majority filter was used to cluster theoutputs. The result was validated by visual inspection, comparison to the current map productsand by constructing Confusion Matrices, both for the training data and validation samples as wellas for the clustered- and non-clustered results.The results showed that / De senaste åren har mycket fokus lagts på att ersätta tidskrävande manuella karterings- och klassificeringsmetodermed automatiserade lösningar med minimal mänsklig inverkan. Det är numeramöjligt att digitalt klassificera marktäcket och terrängföremål över stora områden, snabbt och medhög noggrannhet. Detta med hjälp av enbart fjärranalys, vilket medför en betydligt mer hållbarprocess och slutprodukt. Trots det finns det fortfarande terrängföremål som inte har en etableradmetod för noggrann automatisk kartering.Den skandinaviska fjällkedjan består till stor del av svårpasserade terrängföremål som sankmarker,videsnår och stenig mark. Alla som tar sig fram i terrängen obanat skulle ha nytta av attkunna undvika dessa områden men de är i nuläget inte karterade med önskvärd noggrannhet.Målet med denna analys var att utforma en metod för att klassificera och kartera dessa terrängföremåli Skanderna, med hög noggrannhet och minimal mänsklig inverkan med hjälp avfjärranalys. Valet av testområde för analysen är en större dal och bergssida sydost om Abisko inorra Sverige som innehåller tydliga exemplar av alla berörda terrängföremål. Metoden baseradespå att träna en Fuzzy Logic classifier med manuellt utvald träningsdata och deskriptorer,valda för att bäst separera klasserna utifrån deras karaktärsdrag. Inledningsvis valdes en uppsättningav kandidatdeskriptorer som sedan filtrerades till den slutgiltiga uppsättningen med hjälp avett Fisher score filter. Ett Fuzzy Inference System byggdes och tränades med träningsdata fråndeskriptorerna vilket slutligen användes för att klassificera hela testområdet pixelvis. Det klassificeraderesultatet klustrades därefter med hjälp av ett majoritetsfilter. Resultatet validerades genomvisuell inspektion, jämförelse med befintliga kartprodukter och genom confusion matriser, vilkaberäknades både för träningsdata och valideringsdata samt för det klustrade och icke-klustraderesultatet.Resultatet visade att de svårpasserade terrängföremålen sankmark, videsnår och stenig markkan karteras med hög noggrannhet med hjälp denna metod och att resultaten generellt är tydligtbättre än nuvarande kartprodukter. Däremot kan metoden finjusteras på flera plan för att optimeras.Bland annat genom att implementera deskriptorer för markvattenrörelser och användandeav LiDAR med högre spatial upplösning, samt med ett mer fulltäckande och spritt val av klasser.