從換元到彎折整張平面
回想第一卷裡的換元法——你稱之為 u 代換 的那一招。要對一個 x 的函數積分，你把 x 換成新變數 u，而這一換的代價是一個因子：dx 變成 (dx/du) du。這個因子絕非裝飾。當你給座標軸重新貼標籤時，你拉伸或壓縮了它，而 (dx/du) 恰好就是拉伸壓縮了多少。在正確的 u 區間上帶著這個因子積分，定積分 的值便絲毫不變，因為你真正在累加的那塊面積被保持得誠實。漏掉因子，你量的就是另一回事了。
現在把這個想法抬升到平面上，也就是本級所在之處。前兩篇裡你學會了把 多重積分 設成區域上的 累次積分。麻煩在於：現實中整齊的區域，用 x、y 寫出來往往醜陋不堪——一個圓盤、一個圓環、一塊扇形派。在直角座標下對圓盤積分，意味著積分上下限本身就是彎曲的函數，這個的平方根、那個的負平方根——沒錯，但苦不堪言。良方是換到一套能把區域變成樸素矩形的座標：對一切圓形之物用極座標 (r, theta)。但從 (x, y) 換到 (r, theta) 絕不是無傷大雅的重新貼標。它彎折了整張平面，而彎折會不均勻地扭曲面積——靠邊緣扭得厲害，靠中心幾乎不動。
於是平面版的換元法，需要一個平面版的價籤。在一維裡，單個數 dx/du 就夠了，因為拉伸一條直線是一維的事。在二維裡，一小片可以同時沿一個方向被拉長、沿另一個方向被壓扁、還被傾斜——一個數捕捉不了這些。你需要的是這樣一個量：它逐點報告，當一個微小格子從新座標被拖入舊座標時，面積漲了還是縮了、漲縮多少。這個量就是 雅可比行列式，而為它掙得一幅真切的圖像，正是本篇的全部任務。
雅可比行列式：一個平行四邊形那麼多的面積
想像那個把新座標 (u, v) 送到舊座標 (x, y) = (x(u, v), y(u, v)) 的變換。站在某一點，邁出兩小步：一步沿 u 方向 du，一步沿 v 方向 dv。在 uv 網格裡，這兩步框出一個面積為 du dv 的小矩形。但在映射之下，u 那一步落成 xy 平面裡的某個小向量，v 那一步落成另一個小向量——而這兩個像向量沒有任何理由彼此垂直、或長度相等。於是那個微小的 uv 矩形並不映成微小的 xy 矩形；它映成一個由這兩個像向量張成的、微小而傾斜的 平行四邊形。映射把格子彎折了。
這兩個像向量是什麼？正是該映射的 雅可比矩陣 的兩列——由全部一階 偏導數 排成的方格 [x_u, x_v; y_u, y_v]，其中 x_u 表示 partial x / partial u，餘類推。第一列 (x_u, y_u) 是當你推動 u 時像點的速度；第二列 (x_v, y_v) 是當你推動 v 時像點的速度。這個矩陣正是該映射的 全導數：對那次彎折的最佳線性逼近，在該點的小鄰域內有效。雅可比矩陣告訴你方向；我們還差面積。
下面這條事實把一切繫到一起：由兩個向量張成的平行四邊形，其面積等於「以這兩個向量為列的矩陣」之行列式的絕對值。所以那個被彎折的格子，面積是 |x_u y_v - x_v y_u| 乘以 du dv。這個數 J = x_u y_v - x_v y_u 就是 雅可比行列式——映射逐點的局部面積伸縮因子。若某點附近 J = 3，那裡每個微小格子在 xy 中就比它在 uv 中大三倍；若 J = 1/2，格子縮小一半。在一維裡，這個行列式退化為孤零零的導數 dx/du，所以雅可比行列式是換元因子貨真價實、按維數誠實的繼承人——一個行列式，頂替一個導數的位置。
誠實地陳述這條定理
現在完整的陳述讀起來就像那條一維法則，只是把導數換成了行列式。設一個變換把新座標 (u, v) 送到舊座標 (x, y)，把 uv 平面裡整齊的區域 S 映到 xy 平面裡你那片凌亂的區域 R。那麼 變數替換定理 說：f(x, y) dA 在 R 上的二重積分，等於 f(x(u, v), y(u, v)) 乘以 |J| du dv 在 S 上的二重積分。用話說：把被積函數改寫到新變數，在容易的區域 S 而非難纏的區域 R 上積分，並把雅可比行列式的絕對值作為 面積元 插進去。整個多重積分的引擎就靠這一行運轉，而同樣的陳述在三維裡也成立，只是雅可比行列式變成 3 乘 3，體積元為 |J| du dv dw。
為什麼逐點乘以 |J| 就給出正確的總量？因為正是那套一開始就定義了積分的黎曼和邏輯。把 S 切成細密的 uv 小格網。映射把每個格子拖到 R 中，成為一個面積 |J| du dv 的微小平行四邊形。R 上的積分，是 f 乘以這些真實 xy 面積的總和；寫到新變數裡，每一項就是 f(x(u,v), y(u,v)) 乘以 |J| du dv。求和並取極限，定理就到手了。雅可比行列式不是從帽子裡變出來的戲法——它就是格子彎折之後那塊誠實的面積，而積分不過是帶著正確權重把這些面積加起來。
極座標：那個著名的 r 從何而來
讓我們用人人最先遇到的那個變換把它說實：極座標，x = r cos(theta)，y = r sin(theta)。你想必被告知過 dA = r dr d-theta——一個多出來的因子 r 不知從哪冒出來，漏掉它就會悄無聲息地毀掉答案。雅可比行列式把這個 r 解釋得一清二楚，一旦你看明白，便永世難忘。看清同一件事有兩條路：算行列式，或者乾脆看一個極座標格子的幾何。
Map: x = r cos(theta), y = r sin(theta)
Jacobian matrix [ x_r , x_theta ; y_r , y_theta ]
= [ cos(theta) , -r sin(theta) ;
sin(theta) , r cos(theta) ]
J = x_r y_theta - x_theta y_r
= cos(theta)(r cos(theta)) - (-r sin(theta))(sin(theta))
= r cos^2(theta) + r sin^2(theta)
= r <-- the famous factor
so dA = dx dy = |J| dr d-theta = r dr d-theta幾何講的是同一個故事，連一個導數都不必動，值得你在腦海裡牢牢端著。一個極座標格子，是被角度 theta 與 theta + d-theta 處兩條半徑、以及半徑 r 與 r + dr 處兩段弧所圍的小片。它不是邊長 dr 與 d-theta 的矩形——它內側的弧短、外側的弧長，因為半徑 r 處張角 d-theta 的弧長為 r d-theta。這格子是一條細彎的薄片，寬是 dr、長是 r d-theta，所以面積為 (r d-theta)(dr) = r dr d-theta。這個 r 就是向外伸出的半徑：遠離原點的格子肥、靠近原點的格子瘦，而雅可比行列式 r 恰是那份變肥。這就是為什麼每個極座標積分都帶著一個 r，也是為什麼漏掉它，是整個多元微積分中最被遺忘的那個符號。
這單單一個因子，破解了數學中最美的積分之一。高斯積分，即 e^{-x^2} dx 從負無窮到正無窮的積分，沒有初等原函數——但把它平方，你就得到 e^{-(x^2 + y^2)} 在整個平面上的二重積分。換到極座標，那裡 x^2 + y^2 = r^2，而面積元恰好遞給你所需的那個 r：e^{-r^2} r dr 的積分是初等的，因為那個 r 正是 -r^2/2 的內層導數。算出來掉下一個 sqrt(pi)，於是原積分等於 sqrt(pi)。那個非初等的一維積分，變成了一行的二維計算，而雅可比行列式裡的 r，正是整套戲法轉動所憑的那道樞軸。
一套可操作的步驟，和那條逆映射捷徑
實踐中你很少一開始就把 x、y 寫成 u、v 的函數。更常見的是你反著發明一個代換——把 u、v 設成 x、y 的某種組合，以化簡區域或被積函數——而你並不想僅為了算 J 就費力地解出 x、y。這裡雅可比行列式送上一份禮物：逆映射的雅可比行列式，是原映射的倒數。所以你可以算 (u, v) 對 (x, y) 的偏導數所成行列式，再乾脆取它的倒數。這麼做的許可來自 反函數定理——某點處雅可比行列式不為零，便保證映射在那裡局部可逆——而這條倒數規則，正是第一卷裡 dx/du 與 du/dx 互為倒數那條事實在多元中的迴響。哪個方向好算就算哪個。
- 選定新座標。挑選 (u, v)，使區域 R 變成矩形（或簡單的盒子）S，或使被積函數塌縮。一個菱形 |x| + |y| <= 1 求著你用 u = x + y、v = x - y；任何圓形之物則求著你用極座標。
- 求雅可比行列式。若 x、y 已用 u、v 給出，直接算 J = x_u y_v - x_v y_u。若反而是 u、v 用 x、y 給出，就算那個行列式再取倒數。
- 變換區域。把 R 的邊界翻譯成關於 u、v 的條件；這給出 S 上的新積分限——最好是常數。當心摺疊或重複覆蓋。
- 改寫被積函數與面積元。把 f(x, y) 換成用 u、v 表示的 f，把 dA 換成 |J| du dv。別忘了絕對值，也別忘了把積分限改成與 S 匹配。
- 在 S 上積分。你現在握有一個乾淨區域上的普通累次積分——按本級前面幾篇所學求出它即可。
升上一個維度，同一台機器照常運轉。對一個正交曲線座標系——柱座標、球座標、或任何座標方向彼此成直角的系統——有一條通往雅可比行列式的俐落捷徑：尺度因子。每個尺度因子 h_i，是該座標變化一個單位所換得的真實距離，而 體積元 不過是它們的乘積，dV = h1 h2 h3 du1 du2 du3，恰等於 |J|。柱座標的因子是 1、r、1，給出 dV = r dr d-theta dz；球座標的因子是 1、rho、rho sin(phi)，給出那著名的 dV = rho^2 sin(phi) d-rho d-phi d-theta。你隨時都能硬算那個 3 乘 3 行列式，但讀出一個熟悉系統的尺度因子既更快也更不易出錯——只要記得，乘積這一招只在座標正交時才成立。
應當帶走的東西
退後一步，整幅圖景就是同一個想法穿了三件外衣。第一卷的換元因子 dx/du、極座標的 r、球座標的 rho^2 sin(phi)——它們不是要分別死記的幾條規則，而是同一個雅可比行列式、那個局部伸縮因子，對不同映射算出來的結果。每當你在任何積分裡換座標，只問一個問題：一個微小格子的面積或體積，在這裡漲縮了多少？偏導數矩陣的行列式回答它，而那答案就是你要乘上去的東西。把這一點內化，那一大群背下來的面積元、體積元，便塌縮成一件被理解了的單一之物。