با توجه به گسترش شهر‌نشینی در چند دهه‌ی گذشته، تغییرات ایجاد شده با بکارگیری تکنیک‌های آشکارسازی تغییرات شهری نمایان می‌شود که جهت برنامه‌ریزی شهری مورد استفاده قرار می‌گیرد.  استفاده از روش‌های مختلف آشکارسازی تغییرات و اعمال آن بر داده‌های راداری و نوری سنجش از دوری مزایا و معایبی دارند. تلفیق این روش‌ها و دسته داده‌ها می‌تواند به ما این امکان را بدهد که معایبشان پوشیده شود و مکمل یکدیگر باشند. بدین منظور، در این مقاله یک روش تلفیق در سطح تصمیم مبتنی بر رای اکثریت برای تلفیق نقشه‌های تغییرات حاصل از روش‌های مختلف اعمال شده روی دو دسته داده‌ی نوری و پلاریمتری پیشنهاد شده است. پس از اعمال پیش‌پردازش‌های لازم و استخراج ویژگی‌های مورد نظر از تصاویر نوری و پلاریمتری، به طبقه‌بندی آن‌ها به صورت جداگانه و با روش‌های مختلف مانند روش­های طبقه‌بندی شی مبنا (روش نزدیکترین همسایه و روش ماشین بردار پشتیبان) و روش‌های طبقه‌بندی پیکسل مبنا (حداکثر احتمال، شبکه عصبی، ماشین بردار پشتیبان) برای تصاویر نوری و روش­های طبقه‌بندی ویشارت و ماشین بردار پشتیبان برای تصاویر پلاریمتری می‌پردازیم. با اعمال روش‌های مختلف آشکارسازی تغییرات نقشه‌های تغییرات از تصاویر نوری و پلاریمتری حاصل می‌شوند. در مرحله آخر نقشه تغییرات نهایی با اعمال الگوریتم رای اکثریت بر نقشه‌های تغییرات بدست آمده استخراج می‌شود. به منظور ارزیابی دقت و کارایی روش پیشنهادی، این روش بر روی تصاویر نوری حاصل از Google Earth، سنجنده QuickBird و تصاویر پلاریمتری روزنه ترکیبی UAVSAR از حومه شهر اوکلند در کالیفرنیا، آمریکا مربوط به دو تاریخ 2010 و 2017 اعمال شد. به منظور روشن شدن اهمیت بکارگیری هر دو تصاویر نوری و پلاریمتری، الگوریتم تلفیق رای اکثریت روی نقشه‌های تغییرات حاصل از تصاویر نوری و پلاریمتری بصورت جداگانه نیز اعمال شد. جهت انجام ارزیابی مقایسه‌ای، دقت نقشه تغییرات بدست آمده با استفاده از روش پیشنهادی و با بکارگیری تصاویر نوری بصورت مستقل (دقت کلی: 80.86% و کاپا: 0.67)، تصاویر پلاریمتری بصورت مستقل (دقت کلی: 75.43% و کاپا: 0.5)، استفاده همزمان از هر دو نوع تصویر (دقت کلی: 88.48% و کاپا: 0.79) و همچنین با بکارگیری نقشه‌های تغییرات هر دو دسته داده با بیشترین دقت (دقت کلی: 88.81% و کاپا: 0.79) محاسبه شد. در انتها نقشه‌ی تغییراتی با دقت کلی: 90.11% و کاپا: 0.82 حاصل شد.