We downscaled atmospheric reanalysis data using linear regression and Bayesian neural network (BNN) ensembles to obtain daily maximum and minimum temperatures at ten weather stations in southern Quebec and Ontario, Canada. Performance of the linear and non-linear downscaling models was evaluated using four different sets of predictors, not only in terms of their ability to reproduce the magnitude of day-to-day variability (i.e., "weather," mean absolute error between the daily values of the predictand(s) and the downscaled data) but also in terms of their ability to reproduce longer time scale variability (i.e., "climate," indices of agreement between the predictand's observed annual climate indices and the corresponding downscaled values). The climate indices used were the 90th percentile of the daily maximum temperature, 10th percentile of the daily minimum temperature, number of frost days, heat wave duration, growing season length, and intra-annual temperature range.Our results show that the non-linear models usually outperform their linear counterparts in the magnitude of daily variability and, to a greater extent, in annual climate variability. In particular, the best model simulating weather and climate was a BNN ensemble using stepwise selection from 20 reanalysis predictors, followed by a BNN ensemble using the three leading principal components from the aforementioned predictors. Finally, we showed that, on average, the first three indices presented higher skills than the growing season length, number of frost days, and the heat wave duration. RÉSUMÉ [Traduit par la rédaction] Nous avons réduit l'échelle des données atmosphériques de réanalyse en utilisant la régression linéaire ainsi que des ensembles issus de réseaux neuronaux bayésiens (BNN) pour obtenir les températures maximales et minimales journalières à dix stations météorologiques dans le sud du Québec et de l'Ontario, au Canada. Nous avons évalué la performance des modèles linéaires et non linéaires de réduction d'échelle en nous servant de quatre ensembles différents de prédicteurs, non seulement du point de vue de leur capacité à reproduire l'ampleur de la variabilité au jour le jour (c.-à-d. la « météo », l'erreur moyenne absolue entre les valeurs journalières du (des) prédictant(s) et les données à l'échelle réduite) mais aussi du point de vue de leur capacité à reproduire la variabilité sur de plus grandes périodes (c.-à-d. le « climat », les indices de corrélation entre les indices climatiques annuels observés du prédictant et les valeurs correspondantes à l'échelle réduite). Les indices climatiques utilisés étaient le 90 e centile de la température maximale journalière et le 10 e centile de la température minimale journalière, le nombre de jours de gel, la durée des vagues de chaleur, la durée de la saison de croissance et l'intervalle de température intra-annuel.Nos résultats montrent que les modèles non linéaires font habituellement mieux que les modèles linéaires pour ce qui est de l'ampleur de la variabilité journalière et encore mi...