A produção de forragem, resulta da ação sistêmica de fatores ambientais que atuam nos ecossistemas de pastagens. O estudo dos processos biofísicos envolvidos e a tomada de decisões a partir de modelos preditivos, deve levar em consideração as condições do meio em que a planta se desenvolve. Na busca do entendimento de como as variáveis ambientais agem na produção de forragem, e obtenção de modelos aplicados a regiões equatoriais, objetivou-se avaliar a produção de biomassa dos cultivares Tanzânia e Massai, em experimentos realizados tanto sob influência do bioma amazônico como do clima semiárido brasileiro, sob a ótica de análises multivariadas e geração de modelos empíricos baseados em aprendizado de máquina. Dados provenientes de seis experimentos: dois com capim Tanzânia e um com capim Massai, realizados no município de Igarapé-Açu-PA; mais dois experimentos: um com capim Tanzânia realizado do município de Pentecoste-CE e outro com capim Massai realizado no município de Fortaleza-CE; foram submetidos a análise de correlação canônica (ACC), função discriminante (FD), e componentes principais (ACP). Utilizou-se, medições do acúmulo de forragem total (AcFT), lâmina foliar (AcLF), hastes (AcH), densidade populacional de perfilhos e incremento em altura do dossel como variáveis agronomicas; e um conjunto de variáveis agrometeorológicas. Os dados de experimentos realizados na região amazônica foram utilizados para a geração de modelos por meio de métodos aprendizado de máquina, posteriormente validados com dados provenientes da região semiárida. O AcFT foi considerado variável resposta, enquanto que as variáveis agrometeorológicas e combinações com variáveis agronômicas foram consideradas variáveis independentes. Os métodos estatísticos multivariados foram capazes de caracterizar os experimentos sob a ótica de variabilidade de condições ambientais e de cultivares estudadas. Essa caracterização demonstrou uma maior variabilidade dos experimentos realizados na região norte em relação aos experimentos realizados na região nordeste. A análise de correlação canônica pode correlacionar bem variáveis agrometeorológicas e variáveis produtivas. E os experimentos foram separados por duas funções discriminates, uma que discriminou os experimentos quanto as regiões e outra quanto aos cultivares. Quanto a modelagem de previsão de forragem, métodos de aprendizado de máquina em particular o método de regressão por mínimos quadrados parciais foi capaz de gerar modelos de previsão a partir de dados da região amazônica para predição de produção de biomassa de forragem na região semiárida.Forage production results from the systemic action of environmental factors that act on pasture ecosystems. The study of the biophysical processes involved and the decision making based on predictive models, must take into account the conditions of the environment in which the plant grows. In the search to understand how environmental variables act in the production of forage, and to obtain models applied to equatorial regions, the objective in this study was to evaluate the biomass production of the cultivars Guinea and Massai, in studies carried out under the influence of both the Amazon biome and the Brazilian semiarid climate, from the perspective of multivariate analysis and generation of empirical models. Data from six experiments: two with Guinea grass and one with Massai grass, carried out in Igarapé-Açu - PA; and two other experiments: two with Tanzânia grass carried out in Pentecoste - CE and the other with Massai grass in Fortaleza - CE; were subjected to analyses of canonical correlation (CCA), discriminant function (DFA), and principal components (PCA). Records of accumulation of total forage (TFAc), leaf blade (LBAc), stems (SAc), tiler population density, and canopy height were used as agronomical variables; and a set of agrometeorological variables. Data from experiments carried out in the Amazon region were used to generate models using machine learning methods, subsequently validated with data from the semiarid region. The TFAc was considered the response variable, whereas the agrometeorological variables were considered the independent variables. Multivariate statistical methods were able to characterize the experiments from the perspective of the variability of environmental conditions and cultivars studied. This characterization demonstrated a greater variability of the experiments carried out in the north region than those carried out in the northeast region. The canonical correlation analysis can correlate well with the agrometeorological variables and productive variables. And the experiments were separated by two discriminate functions, one that discriminated the experiments in terms of regions and the other in terms of cultivars. As for forage prediction modeling, machine learning methods, particularly the partial least squares regression method, were able to generate prediction models from data from the Amazon region to predict forage biomass production in the semiarid region.