Climate change is leading to higher temperatures in Sweden, which increases dryness and the risk of wildfires. Although boreal forests are naturally adapted to seasonal fires, more frequent and intense occurrences may lead to tree mortality and changes in biodiversity, and pose risks to humans and wildlife. Existing low spatial resolution products for mapping burned areas may not be suitable for the Swedish boreal forests, which experiences mainly small fires beyond large fires. The study aims to develop an effective approach for mapping burned areas tailed to the Swedish boreal forest context using Sentinel-2 satellite data and advanced machine learning techniques. The random forest algorithm were employed to identify the most important Sentinel-2 derivatives for discriminating burned areas. The top five selected Sentine2 derivatives were then used to train UNet deep learning models for automated burned area mapping. Three image datasets were created based on the top 3, 4, and 5 derivates resulting from the random forest analysis, along with their corresponding burned and unburned reference labels from 2018 to 2023. Subsequently, three UNet models were trained based on these datasets. Comprehensive model evaluation was conducted using precision, recall, F1-Score, and overall accuracy metrics for both burned and unburned area classification. The results demonstrated a consistent improvement in model performance with the inclusion of more input variables. The UNet model trained on the top five Sentinel-2 derivatives achieved the highest accuracy, with a precision of 0,970 and 0,902, an F1-Score of 0,972 and 0,864, and an overall accuracy of 0,940 for burned and unburned area mapping, respectively. This model exhibited robust classification performance across multiple years, accuratelydelineating burned areas of varying sizes and environmental conditions. The proposed approach leverages the strengths of both machine learning and deep learning techniques, enabling accu, Klimatförändringarna leder till förhöjda temperaturer i Sverige, vilket ökar torrhetsgraden och risken för skogsbränder. Trots att boreala skogar är naturligt anpassade till säsongsbundna bränder kan mer frekventa och intensiva bränder leda till träddöd och förändringar i den biologiska mångfalden samt utgöra en risk för människor och vilda djur. Befintliga produkter med låg rumslig upplösning för kartläggning av brända områden kanske inte är lämpliga för de svenska boreala skogarna, som främst upplever små bränder utöver stora bränder. Studien syftar till att utveckla ett effektivt tillvägagångssätt för att kartlägga brända områden anpassade till den svenska boreala skogen med hjälp av Sentinel-2 satellitdata och avancerade maskininlärningstekniker. Random Forest-algoritmen användes för att identifiera de viktigaste Sentinel-2-derivaten för att diskriminera brända områden. De fem bästa utvalda Sentine-2- derivaten användes sedan för att träna UNet djupinlärningsmodeller för automatisk kartläggning av brända områden. Tre bilddataset skapades baserat på de 3, 4 och 5 bästa derivaten från slumpskogsanalysen, tillsammans med deras motsvarande brända och obrända referensetiketter från 2018 till 2023. Därefter utbildades tre UNet-modeller baserat på dessa dataset. Omfattande modellutvärdering genomfördes med hjälp av precision, återkallande, F1-Score och övergripande noggrannhetsmått för både bränd och obränd områdesklassificering. Resultaten visade en konsekvent förbättring av modellens prestanda med införandet av fler ingångsvariabler. UNet-modellen som tränats på de fem bästa Sentinel2-derivaten uppnådde den högsta noggrannheten, med en precision på 0,970 och 0,902, ett F1-poäng på 0,972 och 0,864 och en total noggrannhet på 0,940 för kartläggning av brända respektive obrända områden. Denna modell uppvisade robust klassificeringsprestanda över flera år och avgränsade noggrant brända områden av varierande storlek ochmiljöförhållanden. Det föreslagna tillvägagångssättet