雅可比式（Jacobian）
雅可比式（Jacobian）是微积分和向量分析中一个非常核心的工具。在处理多重积分换元、非线性方程组求导或物理模型的坐标系变换时，它扮演着“局部缩放比例”的角色
雅可比式通常指代两个概念：雅可比矩阵（Jacobian Matrix） 和雅可比行列式（Jacobian Determinant）。
1. 核心定义
假设我们有一个从 $n$ 维空间到 $n$ 维空间的向量函数，它将变量 $(u_1, u_2, \dots, u_n)$ 映射为 $(x_1, x_2, \dots, x_n)$：
$x_1 = f_1(u_1, u_2, \dots, u_n)$
$x_2 = f_2(u_1, u_2, \dots, u_n)$
$\dots$
$x_n = f_n(u_1, u_2, \dots, u_n)$
雅可比矩阵是由这些函数的所有一阶偏导数组成的矩阵：
$$J = \frac{\partial(x_1, x_2, \dots, x_n)}{\partial(u_1, u_2, \dots, u_n)} = \begin{bmatrix} \frac{\partial x_1}{\partial u_1} & \frac{\partial x_1}{\partial u_2} & \dots & \frac{\partial x_1}{\partial u_n} \ \frac{\partial x_2}{\partial u_1} & \frac{\partial x_2}{\partial u_2} & \dots & \frac{\partial x_2}{\partial u_n} \ \vdots & \vdots & \ddots & \vdots \ \frac{\partial x_n}{\partial u_1} & \frac{\partial x_n}{\partial u_2} & \dots & \frac{\partial x_n}{\partial u_n} \end{bmatrix}$$
雅可比行列式就是这个方阵的行列式值，通常记为 $\det(J)$ 或直接简写为 $\frac{\partial(x, y)}{\partial(u, v)}$（以二维为例）。
2. 几何与物理意义：面积/体积的“形变率”
在线性代数中，一个线性变换矩阵的行列式绝对值，代表了变换后空间体积的缩放比例。雅可比矩阵本质上是非线性变换的局部线性近似。
当你把坐标系从 $(u, v)$ 变换到 $(x, y)$ 时，原本在 $(u, v)$ 空间中一个极小的矩形微元 $du dv$，映射到 $(x, y)$ 空间后会变成一个扭曲的平行四边形。
利用向量叉乘可以严格证明，这个平行四边形的面积 $dx dy$ 与原本矩形面积 $du dv$ 之间的比例关系，正是雅可比行列式的绝对值：
$$dx dy = \left| \det(J) \right| du dv$$
这就是为什么在计算双重积分或三重积分换元时，必须乘上雅可比行列式的绝对值——它是为了补偿坐标系变换带来的微元面积 / 体积的失真。
3. 经典实例：极坐标变换
这是大学物理和高级微积分中最常用到的变换。将直角坐标 $(x, y)$ 转换为极坐标 $(r, \theta)$：
$x = r \cos\theta$
$y = r \sin\theta$
计算它的雅可比矩阵：
$$J = \frac{\partial(x, y)}{\partial(r, \theta)} = \begin{bmatrix} \frac{\partial x}{\partial r} & \frac{\partial x}{\partial \theta} \ \frac{\partial y}{\partial r} & \frac{\partial y}{\partial \theta} \end{bmatrix} = \begin{bmatrix} \cos\theta & -r \sin\theta \ \sin\theta & r \cos\theta \end{bmatrix}$$
计算其行列式：
$$\det(J) = (\cos\theta)(r \cos\theta) - (-r \sin\theta)(\sin\theta) = r(\cos^2\theta + \sin^2\theta) = r$$
结论： 极坐标变换的雅可比行列式是 $r$。
因此，极坐标下的面积微元不是简单的 $dr d\theta$，而是 $r dr d\theta$。随着半径 $r$ 的增大，相同的 $\Delta r$ 和 $\Delta \theta$ 所截取的真实物理面积也会按比例成倍增大。
![[Pasted image 20260508152417.png|697]]