Runtom i Sverige och Europa skapar igenvuxna sjöar och vattendrag allt fler problem, vilket bland annat beror på klimatförändringar och mänsklig påverkan. En av de främsta anledningarna till igenväxning av sjöar och vattendrag är övergödning. Studiens syfte är att utvärdera om det är möjligt att på ett automatiskt sätt identifiera utbredning av vattenvegetation i sjöar och vattendrag med hjälp av fjärranalys och GIS. En analys av vegetationsförändringar i sjön Sottern i Uppland genomförs, där utbredd igenväxning skapar problem och där röjningsmaskiner används för att hantera vegetationen, som främst består av bladvass, näckrosor och annan flytande vatten-vegetation. Genom tillämpning av olika klassificeringsalgoritmer, bandkombinationer och vegetationsindex undersöks förändringar i sjöns tillstånd genom att klassa Sottern i två huvudklasser, vatten och vattenvegetation. Studien baseras på fjärranalysdata från den optiska satellitkonstellationen Sentinel-2 och en högupplöst referensbild från Google Earth Pro. Data samlades in under växtsäsongen, maj till oktober, för åren 2021 och 2022 för att analysera om och hur vattenvegetationen förändras över tid. Resultaten visar att Maximum Likelihood Classification (MLC) framträder som den mest effektiva algoritmen för att studera vegetationsförändringar, särskilt om den appliceras på en "False color" bandkombination bestående av banden 8 (NIR), 4 (rött) och 3 (grönt). MLC visar högre (94%) noggrannhet jämfört med Random Trees (RT) och Support Vector Machine (SVM). Genom att tillämpa vegetationsindexet NDVI (Normalized Difference Vegetation Index) ger studien en fördjupad förståelse för hur vegetationen förändras över tid. Genom att kombinera resultaten från dessa metoder går det att dra slutsatser om hur vattenvegetationen breder ut sig över tid i sjön Sottern, där en tydlig ökning av vattenvegetation sker mellan mitten av maj till mitten av juni, medan minskningen av vattenvegetationen inte är lika konsekvent. / In Europe, overgrown lakes and watercourses are creating increasing problems, which are partly due to climate change and human impact. One of the main reasons for the overgrowth of lakes and watercourses is eutrophication. The aim of the study is to evaluate the possibility of automatically identifying overgrown lakes and watercourses using remote sensing and GIS. An analysis of vegetation changes in Lake Sottern in Uppland county, Sweden is conducted, where overgrowth creates problems and where clearing machines are used to manage the vegetation, primarily consisting of reeds, water lilies, and other aquatic vegetation. By applying various classification algorithms, band combinations and vegetation indices, changes in the lake's condition are investigated by classifying Sottern into two main classes: water and aquatic vegetation. The study is based on remote sensing data from the optical satellite constellation Sentinel-2 and a high-resolution reference image from Google Earth Pro. Data were collected during the growing season, from May to October, for the years 2021 and 2022 to analyze if and how aquatic vegetation changes over time. The results show that Maximum Likelihood Classification (MLC) emerges as the most effective algorithm for identifying aquatic vegetation, especially when combined with a "False color" band combination consisting of bands 8 (NIR), 4 (red), and 3 (green). MLC shows higher accuracy compared to Random Trees (RT) and Support Vector Machine (SVM). By applying the Normalized Difference Vegetation Index (NDVI), the study provides a deeper understanding of how vegetation changes over time. By combining the results from these methods, it is possible to draw conclusions about how aquatic vegetation changes over time in lakes like Sottern, where a clear increase in aquatic vegetation occurs between May and June, while the decrease in aquatic vegetation is not as consistent.