Resumo: A identificação de padrões de dados subjacentes significativos tais como composição de imagem e arranjos espaciais é crucial em tarefas de sensoriamento remoto. Porém, o desenvolvimento de uma abordagem eficaz para extração de informações é crucial para alcançar esse objetivo. O algoritmo propagação de afinidade (PA) é uma técnica nova e poderosa capaz de lidar com dados incomuns, contendo atributos numéricos e/ou categóricos. No entanto, PA tem algumas limitações relacionadas com a escolha do parâmetro preferência inicial, ocorrência de oscilações e processamento de grandes conjuntos de dados. Este artigo avalia o desempenho da clusterização do algoritmo PA levando em consideração a influência do parâmetro preferência e o fator de amortecimento. O estudo foi realizado considerando o algoritmo PA, PA adaptativa e PA por partição. De acordo com os experimentos, a escolha da preferência e do fator de amortecimento influenciam grandemente no número de clusters final e na qualidade da clusterização.

Abstract: The identification of significant underlying data patterns such as image composition and spatial arrangements is fundamental in remote sensing tasks. Therefore, the development of an effective approach for information extraction is crucial to achieve this goal. Affinity propagation (AP) algorithm is a novel powerful technique with the ability of handling with unusual data, containing both categorical and numerical attributes. However, AP has some limitations related to the choice of initial preference parameter, occurrence of oscillations and processing of large data sets. This paper evaluates the clustering performance of AP algorithm taking into account the influence of preference parameter and damping factor. The study was conducted considering the AP algorithm, the adaptive AP and partition AP. According to the experiments, the choice of preference and damping greatly influences on the quality and the final number of clusters.