O uso de sensores para a aquisição de dados espectrais de solos na faixa do visível e infravermelho próximo (Vis-NIR)tem contribuído para o avanço das técnicas de quantificação de diversos atributos do solo por ser uma técnica rápida e inovadora, não destrutiva, não gerar resíduos causadores de impactos ambientais e de baixo custo, apontando o seu uso como uma alternativa para análise de solos nos laboratórios. As leituras espectrais trazem consigo erros e ruídos que necessitam de um tratamento para melhorar a sua qualidade antes das análises de predição. As predições são realizadas com auxílio de modelagens do aprendizado de máquinas. Os solos piauienses recentemente demonstraram predições satisfatórias para textura e alguns parâmetros químicos com combinações de pré-processamento e modelagem. Baseado no exposto objetivou avaliar a performance das combinações dos procedimentos de pré-processamento espectral Savitzky-Golay (SG), standard normal variate (SNV), detrend (DET) e continuum removal (CR) com as modelagens multivariadas baseadas em aprendizado de máquinas partial least squares (PLSR), random forest (RF), and cubist (CUB) para a predição de elementos potencialmente tóxicos do estado piauiense. Foram coletadas 262 amostras na profundidade 0 – 0,2 m distribuidas em todo o território piauiense. Os elementos avaliados foram Ba, Cd, Co, Cr, Cu, Fe, Mo, Ni, Pb, Sb, V e Zn obtidos apartir da metodologia 3051A e teores obtidos por emissão óptica com plasma induzido (ICP-OES). O estudo demonstrou que, pelo baixos teores encontrados, 4 elementos não puderam ser preditos. Os espectros sem pré-processamento apresesentou as maiores predições para Cu, Pb e V. O pré-processamento SG foi o mais promissor para as predições de Cr e Ni, enquanto SNV foi para Mo e CR para Ba e Fe. A modelagens realizadas com CUB apresentaram as maiores performances. O devido trabalho evidenciou a habilidade preditiva satisfatória da espectroscopia na faixa Vis-NIR para o elemento Cr.