A crescente repercussão dos impactos ambientais causados pela pecuária bovina está influenciando grandemente a decisão do consumo de carne. A preocupação dos consumidores não se pauta apenas na qualidade do produto, mas, especialmente, com a origem geográfica, as condições de produção e os aspectos ambientais e humanos. A produção de carne bovina é fortemente criticada devido ao custo ambiental da atividade, associado a problemas de desmatamento, consumo de água, aquecimento global e mudanças climáticas. No entanto, os produtos alimentares de origem animal desempenham papel importante na segurança alimentar mundial. Aumentar a transparência da cadeia produtiva da carne bovina é essencial para melhorar a percepção do consumidor. Brasil é o maior exportador e o segundo maior produtor de carne bovina, com um rebanho de 196 milhões de animais distribuídos em uma vasta área de 163 milhões de hectares, compreendendo os biomas Amazônia, Caatinga, Cerrado, Mata Atlântica, Pampa e Pantanal. O país tem sido duramente criticado por algumas entidades internacionais que atribuem sua alta produção à expansão em áreas desmatadas ilegalmente. Nesse sentido, a caracterização do perfil agrometalômico da carne bovina permitirá obter modelos de aprendizado de máquina como instrumento de avaliação da autenticidade, contribuindo para a transparência do sistema produtivo. Amostras de carne bovina dos maiores exportadores mundiais - Brasil, dos biomas Amazônia, Caatinga, Cerrado, Pampa e Pantanal, Austrália, Argentina, Uruguai e Paraguai - foram selecionadas e submetidas à análise por ativação neutrônica para determinação do perfil agrometalômico. Cinco algoritmos de aprendizado de máquina - Classification and Regression Tree (CART), Multilayer Perceptron (MLP), Naïve Bayes (NB), Random Forest (RF) e Sequential Minimal Optimization (SMO) - foram utilizados para classificação. O modelo MLP apresentou o melhor desempenho de classificação, com acurácia de 100 %, 98 %, 98 %, 96 % e 82 %, respectivamente, para amostras procedentes do Paraguai, Uruguai, Austrália, Argentina e Brasil. Reduzindo o número de classes, a acurácia de classificação das amostras de carne bovina brasileira alcançou 94 % sem alterar o desempenho para outros países. As carnes dos biomas brasileiros foram discriminadas com aproximadamente 95 % de acurácia, comparando cada bioma com os demais. A melhor acurácia de classificação foi obtida para carne bovina dos biomas Amazônia (99 %) e Caatinga (99 %). O uso combinado de composição multielementar e aprendizado de máquina permitiu discriminar os países produtores de carne bovina, tornando-se uma ferramenta valiosa para rastreabilidade e transparência da origem geográfica

The growing repercussion of the environmental impacts caused by cattle ranching is greatly influencing the decision to consume meat. Consumers' concern is not only based on the quality of the product, but especially with the geographical origin, production conditions and environmental and human aspects. Beef production is heavily criticized due to the environmental cost of the activity, associated with problems of deforestation, water consumption, global warming and climate change. However, food products of animal origin play an important role in global food security. Increasing the transparency of the beef supply chain is essential to improve consumer perception. Brazil is the largest exporter and second largest producer of beef, with a herd of 196 million animals distributed over a vast area of 163 million hectares, comprising the Amazon, Caatinga, Cerrado, Atlantic Forest, Pampa and Pantanal biomes. The country has been harshly criticized by some international entities that attribute its high production to expansion into illegally deforested areas. In this sense, the characterization of the agrometallomic profile of beef will make it possible to obtain machine learning models as an instrument for assessing authenticity, contributing to the transparency of the production system. Beef samples from the world's largest exporters - Brazil, from the Amazon, Caatinga, Cerrado, Pampa and Pantanal biomes, Australia, Argentina, Uruguay and Paraguay - were selected and subjected to neutron activation analysis to determine the agrometallomic profile. Five machine learning algorithms - Classification and Regression Tree (CART), Multilayer Perceptron (MLP), Naïve Bayes (NB), Random Forest (RF) and Sequential Minimal Optimization (SMO) - were used for classification. The MLP model presented the best classification performance, with accuracy of 100 %, 98 %, 98 %, 96 % and 82 %, respectively, for samples from Paraguay, Uruguay, Australia, Argentina and Brazil. Reducing the number of classes, the classification accuracy of Brazilian beef samples reached 94 % without changing the performance for other countries. Beef from Brazilian biomes was discriminated with approximately 95% accuracy, comparing each biome with the others. The best classification accuracy was obtained for beef from the Amazon (99 %) and Caatinga (99 %) biomes. The combined use of multi-element composition and machine learning allowed to discriminate between beef producing countries, making it a valuable tool for traceability and transparency of geographic origin