从换元到弯折整张平面
回想第一卷里的换元法——你称之为 u 代换 的那一招。要对一个 x 的函数积分，你把 x 换成新变量 u，而这一换的代价是一个因子：dx 变成 (dx/du) du。这个因子绝非装饰。当你给坐标轴重新贴标签时，你拉伸或压缩了它，而 (dx/du) 恰好就是拉伸压缩了多少。在正确的 u 区间上带着这个因子积分，定积分 的值便丝毫不变，因为你真正在累加的那块面积被保持得诚实。漏掉因子，你量的就是另一回事了。
现在把这个想法抬升到平面上，也就是本级所在之处。前两篇里你学会了把 多重积分 设成区域上的 累次积分。麻烦在于：现实中整齐的区域，用 x、y 写出来往往丑陋不堪——一个圆盘、一个圆环、一块扇形派。在直角坐标下对圆盘积分，意味着积分上下限本身就是弯曲的函数，这个的平方根、那个的负平方根——没错，但苦不堪言。良方是换到一套能把区域变成朴素矩形的坐标：对一切圆形之物用极坐标 (r, theta)。但从 (x, y) 换到 (r, theta) 绝不是无伤大雅的重新贴标。它弯折了整张平面，而弯折会不均匀地扭曲面积——靠边缘扭得厉害，靠中心几乎不动。
于是平面版的换元法，需要一个平面版的价签。在一维里，单个数 dx/du 就够了，因为拉伸一条直线是一维的事。在二维里，一小片可以同时沿一个方向被拉长、沿另一个方向被压扁、还被倾斜——一个数捕捉不了这些。你需要的是这样一个量：它逐点报告，当一个微小格子从新坐标被拖入旧坐标时，面积涨了还是缩了、涨缩多少。这个量就是 雅可比行列式，而为它挣得一幅真切的图像，正是本篇的全部任务。
雅可比行列式：一个平行四边形那么多的面积
想象那个把新坐标 (u, v) 送到旧坐标 (x, y) = (x(u, v), y(u, v)) 的变换。站在某一点，迈出两小步：一步沿 u 方向 du，一步沿 v 方向 dv。在 uv 网格里，这两步框出一个面积为 du dv 的小矩形。但在映射之下，u 那一步落成 xy 平面里的某个小向量，v 那一步落成另一个小向量——而这两个像向量没有任何理由彼此垂直、或长度相等。于是那个微小的 uv 矩形并不映成微小的 xy 矩形；它映成一个由这两个像向量张成的、微小而倾斜的 平行四边形。映射把格子弯折了。
这两个像向量是什么？正是该映射的 雅可比矩阵 的两列——由全部一阶 偏导数 排成的方格 [x_u, x_v; y_u, y_v]，其中 x_u 表示 partial x / partial u，余类推。第一列 (x_u, y_u) 是当你推动 u 时像点的速度；第二列 (x_v, y_v) 是当你推动 v 时像点的速度。这个矩阵正是该映射的 全导数：对那次弯折的最佳线性逼近，在该点的小邻域内有效。雅可比矩阵告诉你方向；我们还差面积。
下面这条事实把一切系到一起：由两个向量张成的平行四边形，其面积等于「以这两个向量为列的矩阵」之行列式的绝对值。所以那个被弯折的格子，面积是 |x_u y_v - x_v y_u| 乘以 du dv。这个数 J = x_u y_v - x_v y_u 就是 雅可比行列式——映射逐点的局部面积伸缩因子。若某点附近 J = 3，那里每个微小格子在 xy 中就比它在 uv 中大三倍；若 J = 1/2，格子缩小一半。在一维里，这个行列式退化为孤零零的导数 dx/du，所以雅可比行列式是换元因子货真价实、按维数诚实的继承人——一个行列式，顶替一个导数的位置。
诚实地陈述这条定理
现在完整的陈述读起来就像那条一维法则，只是把导数换成了行列式。设一个变换把新坐标 (u, v) 送到旧坐标 (x, y)，把 uv 平面里整齐的区域 S 映到 xy 平面里你那片凌乱的区域 R。那么 变量替换定理 说：f(x, y) dA 在 R 上的二重积分，等于 f(x(u, v), y(u, v)) 乘以 |J| du dv 在 S 上的二重积分。用话说：把被积函数改写到新变量，在容易的区域 S 而非难缠的区域 R 上积分，并把雅可比行列式的绝对值作为 面积元 插进去。整个多重积分的引擎就靠这一行运转，而同样的陈述在三维里也成立，只是雅可比行列式变成 3 乘 3，体积元为 |J| du dv dw。
为什么逐点乘以 |J| 就给出正确的总量？因为正是那套一开始就定义了积分的黎曼和逻辑。把 S 切成细密的 uv 小格网。映射把每个格子拖到 R 中，成为一个面积 |J| du dv 的微小平行四边形。R 上的积分，是 f 乘以这些真实 xy 面积的总和；写到新变量里，每一项就是 f(x(u,v), y(u,v)) 乘以 |J| du dv。求和并取极限，定理就到手了。雅可比行列式不是从帽子里变出来的戏法——它就是格子弯折之后那块诚实的面积，而积分不过是带着正确权重把这些面积加起来。
极坐标：那个著名的 r 从何而来
让我们用人人最先遇到的那个变换把它说实：极坐标，x = r cos(theta)，y = r sin(theta)。你想必被告知过 dA = r dr d-theta——一个多出来的因子 r 不知从哪冒出来，漏掉它就会悄无声息地毁掉答案。雅可比行列式把这个 r 解释得一清二楚，一旦你看明白，便永世难忘。看清同一件事有两条路：算行列式，或者干脆看一个极坐标格子的几何。
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几何讲的是同一个故事，连一个导数都不必动，值得你在脑海里牢牢端着。一个极坐标格子，是被角度 theta 与 theta + d-theta 处两条半径、以及半径 r 与 r + dr 处两段弧所围的小片。它不是边长 dr 与 d-theta 的矩形——它内侧的弧短、外侧的弧长，因为半径 r 处张角 d-theta 的弧长为 r d-theta。这格子是一条细弯的薄片，宽是 dr、长是 r d-theta，所以面积为 (r d-theta)(dr) = r dr d-theta。这个 r 就是向外伸出的半径：远离原点的格子肥、靠近原点的格子瘦，而雅可比行列式 r 恰是那份变肥。这就是为什么每个极坐标积分都带着一个 r，也是为什么漏掉它，是整个多元微积分中最被遗忘的那个符号。
这单单一个因子，破解了数学中最美的积分之一。高斯积分，即 e^{-x^2} dx 从负无穷到正无穷的积分，没有初等原函数——但把它平方，你就得到 e^{-(x^2 + y^2)} 在整个平面上的二重积分。换到极坐标，那里 x^2 + y^2 = r^2，而面积元恰好递给你所需的那个 r：e^{-r^2} r dr 的积分是初等的，因为那个 r 正是 -r^2/2 的内层导数。算出来掉下一个 sqrt(pi)，于是原积分等于 sqrt(pi)。那个非初等的一维积分，变成了一行的二维计算，而雅可比行列式里的 r，正是整套戏法转动所凭的那道枢轴。
一套可操作的步骤，和那条逆映射捷径
实践中你很少一开始就把 x、y 写成 u、v 的函数。更常见的是你反着发明一个代换——把 u、v 设成 x、y 的某种组合，以化简区域或被积函数——而你并不想仅为了算 J 就费力地解出 x、y。这里雅可比行列式送上一份礼物：逆映射的雅可比行列式，是原映射的倒数。所以你可以算 (u, v) 对 (x, y) 的偏导数所成行列式，再干脆取它的倒数。这么做的许可来自 反函数定理——某点处雅可比行列式不为零，便保证映射在那里局部可逆——而这条倒数规则，正是第一卷里 dx/du 与 du/dx 互为倒数那条事实在多元中的回响。哪个方向好算就算哪个。
- 选定新坐标。挑选 (u, v)，使区域 R 变成矩形（或简单的盒子）S，或使被积函数塌缩。一个菱形 |x| + |y| <= 1 求着你用 u = x + y、v = x - y；任何圆形之物则求着你用极坐标。
- 求雅可比行列式。若 x、y 已用 u、v 给出，直接算 J = x_u y_v - x_v y_u。若反而是 u、v 用 x、y 给出，就算那个行列式再取倒数。
- 变换区域。把 R 的边界翻译成关于 u、v 的条件；这给出 S 上的新积分限——最好是常数。当心折叠或重复覆盖。
- 改写被积函数与面积元。把 f(x, y) 换成用 u、v 表示的 f，把 dA 换成 |J| du dv。别忘了绝对值，也别忘了把积分限改成与 S 匹配。
- 在 S 上积分。你现在握有一个干净区域上的普通累次积分——按本级前面几篇所学求出它即可。
升上一个维度，同一台机器照常运转。对一个正交曲线坐标系——柱坐标、球坐标、或任何坐标方向彼此成直角的系统——有一条通往雅可比行列式的利落捷径：尺度因子。每个尺度因子 h_i，是该坐标变化一个单位所换得的真实距离，而 体积元 不过是它们的乘积，dV = h1 h2 h3 du1 du2 du3，恰等于 |J|。柱坐标的因子是 1、r、1，给出 dV = r dr d-theta dz；球坐标的因子是 1、rho、rho sin(phi)，给出那著名的 dV = rho^2 sin(phi) d-rho d-phi d-theta。你随时都能硬算那个 3 乘 3 行列式，但读出一个熟悉系统的尺度因子既更快也更不易出错——只要记得，乘积这一招只在坐标正交时才成立。
应当带走的东西
退后一步，整幅图景就是同一个想法穿了三件外衣。第一卷的换元因子 dx/du、极坐标的 r、球坐标的 rho^2 sin(phi)——它们不是要分别死记的几条规则，而是同一个雅可比行列式、那个局部伸缩因子，对不同映射算出来的结果。每当你在任何积分里换坐标，只问一个问题：一个微小格子的面积或体积，在这里涨缩了多少？偏导数矩阵的行列式回答它，而那答案就是你要乘上去的东西。把这一点内化，那一大群背下来的面积元、体积元，便塌缩成一件被理解了的单一之物。