Water is one of the most important resources in the world. It has direct impact on the daily life ofmankind and sustainable development of society. Water quality affects biological life and has to obeystrict regulations. Traditional water quality assurance methods, used today, involve manual samplingfollowed by laboratory analysis. This process is expensive due to high labour costs for sampling andlaboratory work. Moreover, it lacks real time analysis which is essential to minimise contamination.This thesis aims to find a solution to this problem using IoT sensors and Machine Learning techniquesto detect anomalies in the water quality. The spatial scalability is key requirement when selecting transmissionprotocols, as sensors could be spread around the water network. We consider solutions readilyavailable or soon to be in the market. The key LPWAN technologies studied are: SigFox, LoRaWANand NB-IoT. In general these protocols have many characteristics essential for fresh water monitoring,like long lasting battery life and long range, however, they have many limitations in terms of transmissiondata rates and duty cycles. It is therefore essential to find a solution that would correctly find anomaliesin the water quality but at the same time comply with limited transmission and processing capabilities ofthe node sensors and above mentioned protocols.A trial sensor is already in place in lake M¨alaren and its readings are used for this study. Supervisedmachine learning algorithms such as Logistic Regression, Artificial Neural Network, Decision Tree, OneClass K-NN and Support Vector Machine (SVM) are studied and discussed regarding the data available.SVM is then selected, implemented and optimised to comply with the limitations of IoT. The trade offbetween false anomalies and false normal readings was also discussed. / Vatten ä r en av de viktigaste resurserna i vä rlden. Det har direkt inverkan på mä nsklighetens dagliga liv och samhä llets hå llbara utveckling. Vattenkvaliteten på verkar det biologiska livet och må ste fö lja strikta fö reskrifter. Traditionella metoder fö r vattenkvalitetssä kring, som anvä nds idag, innefattar manuell provtagning fö ljt av laboratorieanalys. Denna process ä r dyr på grund av hö ga arbetskostnader fö r provtagning och laboratoriearbete. Dessutom saknar den realtidsanalys som ä r vä sentlig fö r att minimera‌fö rorening.Avhandlingen syftar till att hitta en lö sning på detta problem med hjä lp av IoT-sensorer och maskinlä rningsteknik fö r att upptä cka avvikelser i vattenkvaliteten. Den spatiala skalbarheten ä r ett viktigt krav vid val av ö verfö ringsprotokoll, eftersom sensorer kan spridas runt vattennä tverket. Vi diskuterar lö sningar som ä r lä ttillgä ngliga eller snart ska vara på marknaden. De viktigaste LPWAN-teknikerna som studerats ä r: SigFox, LoRaWAN och NB-IoT. Generellt har dessa protokoll må nga egenskaper som ä r nö dvä ndiga fö r ö vervakning av fä rskvatten, som lå ng batterilivslä ngd och lå ng rä ckvidd, men de har må nga begrä nsningar vad gä ller ö verfö ringshastighet och arbetscykel. Det ä r dä rfö r viktigt att hitta en lö sning som skulle hitta anomalier vid hö gt sä kerhet men samtidigt ö verensstä mmer med begrä nsade ö verfö ringsoch bearbetningskapaciteter hos sensorerna och de ovan nä mnda protokoll.En fö rsö kssensor finns redan på plats i Lake Mä laren och dess avlä sningar anvä nds fö r dennastudie.Ö vervakade maskininlä rningsalgoritmer, så som Logistic Regression, Artificial Neural Network,Decision Tree, One Class K-NN and Support Vector Machine (SVM) studeras och diskuteras beträ ffande tillgä ngliga data. SVM vä ljs sedan, implementeras och optimeras fö r att uppfylla IoTs begrä nsningarna.Balansen mellan falska avvikelser och falska normala avlä sningar diskuteras också .