用r语言做某城市的环保监测站于1982年在全市均匀地布置了14个监测点每日三次定时抽取大气样品，测量大气中二氧化硫(X1)、氮氧化物(X2)和飘尘(X3)的含量。前后5天，每个取样点每种污染元素实测15次，取15次实测值的平均作为该取样点大气污染元素的含量(见图2)。表中最后一列给出类别号表示:1代表严重污染地区，2代表一般污染地区，3代表基本没有污染地区。该城市另有两个单位在同一期间测定了所有单位大气中这三种污染元素的含量(见表最后两行)。试用LDA和QDA方法分别判断15号和16号两个单位的污染情况属于哪一类。

题目给出的数据可以用R语言的数据框（data frame）进行表示和处理。假设数据框的名称为pollution_data。

首先，需要加载MASS和class两个包，它们分别提供了LDA和QDA的函数：

library(MASS)
library(class)

然后，将数据框中的三个变量提取出来，分别存储为一个矩阵和一个因子：

pollution_matrix <- as.matrix(pollution_data[, 1:3])
pollution_class <- as.factor(pollution_data[, 4])

接下来，将数据集分成训练集和测试集：

set.seed(123) # 设置随机种子
train_index <- sample(1:nrow(pollution_data), round(nrow(pollution_data) * 0.7))
train_data <- pollution_matrix[train_index, ]
train_class <- pollution_class[train_index]
test_data <- pollution_matrix[-train_index, ]

使用LDA方法进行建模和预测：

lda_model <- lda(train_data, train_class)
lda_pred <- predict(lda_model, test_data)$class

使用QDA方法进行建模和预测：

qda_model <- qda(train_data, train_class)
qda_pred <- predict(qda_model, test_data)$class

最后，将预测结果与真实结果进行比较和评估：

table(lda_pred, pollution_class[-train_index])
table(qda_pred, pollution_class[-train_index])

需要注意的是，由于数据集中类别的分布不均衡，可能会导致某个类别的样本数据太少而无法进行QDA分类，这时需要使用LDA方法代替。