Geografiska informationssystems användning blir allt viktigare i dagens samhälle där spatiala data kan lagras, hämtas, analyseras och visualiseras. Genom att sammanställa spatiala data kan en bild av verkligheten abstraheras. Detaljerad information om vägnat och företeelser (refuger, bullerplank, skyltar etcetera) för analys leder till ett effektivare drift- och underhållsarbete. Vilket i sin tur ger en ökad framkomlighet för trafikanter. Teknikföretaget Triona har en kartapplikation där utmaningar har uppstått gällande algoritmisk knytning av inmätta refuger (benämnd Norge-datasamlingen) till det norska vägnatet. En refug ar en upphöjning i gatan som avgränsar körfalt och påminner om en trottoar i utseendet. Denna fallstudie behandlade ett delproblem där klassificering av refuger skulle kunna underlätta knytningen och förutsättningarna for analys. Syftet med studien kan sammanfattas till att presentera förslag på metoder for att klassificera refugerna med övervakad maskininlärning. Med algoritmerna K-nearest neighbors (KNN) och Decision tree studerades möjligheten att automatiskt klassificera refugerna. En refug bestod av en vektorpolygon vilket är en lista med koordinater. Polygonens hörn bestod av koordinatparen latitud och longitud. Norge-datasamlingen var inte i forväg kategoriserad till sina elva typer och kunde därfor inte anvandas. En datasamling med 2157 refuger med sju typer från Portland, USA tillämpades i stället. De spatiala vektorpolygonerna transformerades med Elliptical Fourier Descriptors (EFD). Maskinlärningsmodellerna tränades på att klassificera refugerna baserat på matematiska approximationer av dess konturer från EFD. Slutsatser kunde dras genom att refugtypernas konturer analyserades och prestationer observerades. Prestationer utvärderades utifrån traffsäkerhet med kompletterande mätvarden som precision och återkallelse på Portland-datasamlingen. Traffsäkerhet är andelen rätta klassificeringar av refugerna. KNN uppnådde 64 % och Decisiontree 69 % traffsäkerhet. Då båda datasamlingarna var verkliga exempel på refuger i vägnat kunde ett antagande göras att det inte skulle bli en mycket högre traffsäkerhet om studiens metod appliceras på Norge-datasamlingen. Modellernas prestationer bedömdes därmed inte vara tillrackligt bra for en rekommendation. / Geographical information systems are becoming increasingly important in today´s society where spatial data can be stored, collected, analysed, and visualized. By compiling spatial data reality can be abstracted. Detailed information on road networks and objects (traffic islands, noise barriers, signs, etcetera) for analysis leads to more efficient operation and maintenance work. Which in turn provides increased accessibility for road users. The technology company Triona has a map application where algorithmic connection of traffic islands (Norway-dataset) to the Norwegian road network has been challenging. A traffic island is an elevation in the street that delimits lanes and is reminiscent of a sidewalk in appearance. This case study addressed a sub-problem where classification of traffic islands could facilitate the connection and prerequisites for analysis. The aim was to present methods that could classify the traffic islands with supervised machine learning. With the algorithms K-nearest neighbors (KNN) and Decision tree, the possibility of automatically classifying the traffic islands was studied. A traffic island consisted of a vector polygon which is a list storing its corners (latitude and longitude). The Norway-dataset was not previously labelled into its eleven types. A data collection of 2157 refuges with seven types from Portland, USA was therefore applied instead. The traffic islands were transformed with Elliptical Fourier Descriptors which extracted an approximation of its contours to train the machine learning models on. Conclusions could be drawn by analysing the contours and observing performance. Performance was evaluated based on accuracy with precision and recall on the Port-land-dataset. Accuracy is the proportion of correct classifications. KNN achieved 64% and Decision Tree 69% accuracy. As both datasets contained real traffic islands in road networks, an assumption could be made that the accuracy would not be much higher if applied on the Norway-dataset. The result was not considered sufficient for a recommendation.