Appearance
平面多边形面积公式：从三角形到高维推广
1. 三角形面积与向量叉积
设三角形的一个顶点位于原点 $O(0,0)$，另两点为 $A(a,b)$和$B(c,d)$。视 $\vec{OA}=(a,b)$与$\vec{OB}=(c,d)$ 为二维向量。
1.1 向量叉积的几何意义
二维向量的叉积（外积）模长等于以两向量为邻边的平行四边形的面积： $$ |\vec{u} \times \vec{v}| = |\vec{u}|\thinspace|\vec{v}|\sin\theta $$ 将二维向量嵌入三维（$z=0$）： $$ \vec{u} \times \vec{v} = (a,b,0) \times (c,d,0) = (0,\thinspace0,\thinspace{}ad-bc) $$ 因此平行四边形面积为 $|ad-bc|$，三角形面积为其一半： $$ S_{\triangle OAB} = \frac{1}{2} |ad - bc| $$
1.2 任意位置三角形
若三角形顶点为 $(x_1,y_1), (x_2,y_2), (x_3,y_3)$，平移使第一点至原点： $$ a = x_2-x_1,\thickspace b = y_2-y_1;\quad c = x_3-x_1,\thickspace d = y_3-y_1 $$ 代入即得一般公式： $$ S = \frac{1}{2} \big| (x_2-x_1)(y_3-y_1) - (x_3-x_1)(y_2-y_1) \big| $$
示例 1：原点三角形
计算顶点为 $O(0,0)$、$A(3,1)$、$B(2,4)$ 的三角形面积。
- $a=3, b=1, c=2, d=4$
- $ad-bc = 3\times4 - 1\times2 = 12 - 2 = 10$
- 面积 $S = \frac{1}{2}|10| = 5$
示例 2：一般位置三角形
计算 $\triangle PQR$面积，其中$P(1,2)$、$Q(4,3)$、$R(2,5)$。
- 平移至 $P$：$\vec{PQ}=(3,1)$，$\vec{PR}=(1,3)$
- $a=3,b=1,c=1,d=3$
- $ad-bc = 3\times3 - 1\times1 = 9 - 1 = 8$
- 面积 $S = \frac{1}{2}|8| = 4$
2. 有序连接的 $n$ 边形面积（鞋带公式 / 测量师公式）
设多边形顶点按逆时针顺序依次为 $(x_1,y_1), (x_2,y_2), \dots, (x_n,y_n)$，且闭合 $(x_{n+1},y_{n+1})=(x_1,y_1)$。
2.1 基本公式
带符号的面积（逆时针为正）： $$ S = \frac{1}{2} \sum_{i=1}^{n} (x_i y_{i+1} - x_{i+1} y_i) $$ 取绝对值得到几何面积： $$ S = \frac{1}{2} \left| \sum_{i=1}^{n} \begin{vmatrix} x_i & x_{i+1} \newline y_i & y_{i+1} \end{vmatrix} \right| $$
2.2 行列式记忆形式
$$ S = \frac{1}{2} \left| \begin{matrix} x_1 & y_1 \newline x_2 & y_2 \newline \vdots & \vdots \newline x_n & y_n \newline x_1 & y_1 \end{matrix} \right| $$ 其中竖线表示相邻行交叉相乘之差的总和。
示例 3：四边形面积
计算顶点为 $A(1,1)$、$B(4,1)$、$C(5,3)$、$D(2,4)$ 的四边形面积（假设为逆时针顺序）。
- 列出点并闭合：$(1,1)\to(4,1)\to(5,3)\to(2,4)\to(1,1)$
- 计算交叉乘积：
- $x_1y_2 = 1\times1 = 1$
- $x_2y_3 = 4\times3 = 12$
- $x_3y_4 = 5\times4 = 20$
- $x_4y_1 = 2\times1 = 2$
- 求和 $P = 1+12+20+2 = 35$
- 反向乘积：
- $y_1x_2 = 1\times4 = 4$
- $y_2x_3 = 1\times5 = 5$
- $y_3x_4 = 3\times2 = 6$
- $y_4x_1 = 4\times1 = 4$
- 求和 $Q = 4+5+6+4 = 19$
- 面积 $S = \frac{1}{2}|P - Q| = \frac{1}{2}|35 - 19| = 8$
3. 斜坐标系（仿射坐标系）下的面积
设斜坐标系的基向量为 $\mathbf{e}_1, \mathbf{e}_2$，夹角为 $\theta$。一点 $P$的斜坐标为$(u,v)$，直角坐标为 $\mathbf{r} = u\mathbf{e}_1 + v\mathbf{e}_2$。
3.1 面积缩放因子
基向量张成的平行四边形面积为： $$ g = |\mathbf{e}_1 \times \mathbf{e}_2| = |\mathbf{e}_1|\thinspace|\mathbf{e}_2|\sin\theta $$ 若直接用斜坐标 $(u_i, v_i)$计算鞋带和，需乘以缩放因子$g$： $$ S_{\text{real}} = g \cdot \frac{1}{2} \left| \sum_{i=1}^{n} (u_i v_{i+1} - u_{i+1} v_i) \right| $$
3.2 用度量矩阵（Gram 矩阵）表示
基的 Gram 矩阵为： $$ G = \begin{pmatrix} \mathbf{e}_1\cdot\mathbf{e}_1 & \mathbf{e}_1\cdot\mathbf{e}_2 \newline \mathbf{e}_2\cdot\mathbf{e}_1 & \mathbf{e}_2\cdot\mathbf{e}_2 \end{pmatrix} $$ 其行列式 $\det G = |\mathbf{e}_1|^2 |\mathbf{e}_2|^2 \sin^2\theta = g^2$。面积公式可写为： $$ S = \frac{1}{2} \sqrt{\det G} \thickspace \left| \sum_{i=1}^{n} (u_i v_{i+1} - u_{i+1} v_i) \right| $$
示例 4：斜坐标下的三角形面积
设斜坐标基 $\mathbf{e}_1$沿$x$ 轴正向，长度为 1；$\mathbf{e}_2$与$\mathbf{e}_1$夹角$60^\circ$，长度也为 1。即标准直角坐标下：$\mathbf{e}_1=(1,0)$，$\mathbf{e}_2=(\frac{1}{2},\frac{\sqrt{3}}{2})$。
- 基面积缩放因子 $g = 1\times1\times\sin60^\circ = \frac{\sqrt{3}}{2}$。
- 三角形在斜坐标下顶点为：$O(0,0)$、$A(2,0)$、$B(0,3)$。
- 斜坐标鞋带和：$(0\times0 - 0\times2) + (2\times3 - 0\times0) + (0\times0 - 3\times0) = 0 + 6 + 0 = 6$。
- 几何面积 $S = g \cdot \frac{1}{2}|6| = \frac{\sqrt{3}}{2} \times 3 = \frac{3\sqrt{3}}{2}$。 （验证：直角坐标下 $A=(2,0)$，$B=(\frac{3}{2},\frac{3\sqrt{3}}{2})$，直接用三角形公式同样得到 $\frac{3\sqrt{3}}{2}$。）
4. 高维空间中的多边形面积
在三维及更高维空间中，多边形（仍为二维对象）的面积可用矢量外积统一描述。
4.1 三维空间中的面积矢量
设多边形顶点位置矢量为 $\mathbf{r}_1, \mathbf{r}_2, \dots, \mathbf{r}_n$（$\mathbf{r}_{n+1}=\mathbf{r}_1$）。有向面积矢量定义为： $$ \mathbf{S} = \frac{1}{2} \sum_{i=1}^{n} (\mathbf{r}_i \times \mathbf{r}_{i+1}) $$ 其中 $\times$ 为三维向量叉积。几何面积为该矢量的模长： $$ S = |\mathbf{S}| $$
4.2 任意维数空间（外积 / 楔积形式）
利用外积（wedge product），面积二重向量为： $$ \mathbf{S} = \frac{1}{2} \sum_{i=1}^{n} \mathbf{r}_i \wedge \mathbf{r}_{i+1} $$ 其范数（或 Hodge 对偶的模）即为面积大小。
4.3 与坐标无关的 Gram 矩阵法
取多边形所在平面的一组基向量 $\mathbf{u}, \mathbf{v}$（例如两条相邻边），构造 $2\times 2$ Gram 矩阵： $$ G = \begin{pmatrix} \mathbf{u}\cdot\mathbf{u} & \mathbf{u}\cdot\mathbf{v} \newline \mathbf{v}\cdot\mathbf{u} & \mathbf{v}\cdot\mathbf{v} \end{pmatrix} $$ 面积恒为： $$ S = \sqrt{\det G} $$ 此式完全独立于坐标系的选择，适用于任意弯曲嵌入。
示例 5：三维空间中的三角形面积
计算 $\triangle ABC$面积，其中$A(1,0,0)$、$B(0,2,0)$、$C(0,0,3)$。
- 法一（面积矢量）： $\vec{OA}=(1,0,0), \vec{OB}=(0,2,0), \vec{OC}=(0,0,3)$ $$ \mathbf{S} = \frac{1}{2}\big( \vec{OA}\times\vec{OB} + \vec{OB}\times\vec{OC} + \vec{OC}\times\vec{OA} \big) $$ 分别计算：
- $(1,0,0)\times(0,2,0) = (0,0,2)$
- $(0,2,0)\times(0,0,3) = (6,0,0)$
- $(0,0,3)\times(1,0,0) = (0,3,0)$ 求和得 $\mathbf{S} = \frac{1}{2}(6,3,2)$，模长 $|\mathbf{S}| = \frac{1}{2}\sqrt{6^2+3^2+2^2} = \frac{1}{2}\sqrt{36+9+4} = \frac{1}{2}\sqrt{49} = \frac{7}{2}$。
- 法二（Gram 矩阵）： 取两条边 $\vec{u} = B-A = (-1,2,0)$，$\vec{v} = C-A = (-1,0,3)$。 $$ \vec{u}\cdot\vec{u}=1+4+0=5,\quad \vec{v}\cdot\vec{v}=1+0+9=10,\quad \vec{u}\cdot\vec{v}=1+0+0=1 $$ Gram 矩阵 $G=\begin{pmatrix}5 & 1 \newline 1 & 10\end{pmatrix}$，$\det G = 5\times10 - 1\times1 = 49$。 面积 $S = \sqrt{\det G} = 7$。注意这里算的是以 $\vec{u},\vec{v}$ 为邻边的平行四边形面积，三角形面积为一半：$S_{\triangle} = \frac{7}{2}$。
5. 深层含义：行列式 $ad-bc$ 的多重解读
| 维度 | 含义 |
|---|---|
| 几何层 | 有向面积的线性变换缩放因子 |
| 方向层 | $ad-bc>0$ 表示逆时针旋转，反之为顺时针 |
| 代数层 | 两向量线性无关的判据（非零则线性无关） |
| 物理层 | 力矩 / 角动量的二维分量：$\tau = xF_y - yF_x$ |
6. 几何体的体积计算：从面积到体积
前面我们讨论了多边形（二维单纯形）的面积如何通过顶点坐标的代数组合（行列式）精确计算。对于三维空间中的几何体（多面体、球体、椭球、圆台等），体积的计算同样可以归结为坐标变换下的积分，其核心仍是雅可比行列式（面积元的推广）。
6.1 一般参数方程下的体积公式
设空间区域 $\Omega$ 由参数方程给出： $$ \mathbf{r}(u, v, w) = \big( x(u,v,w),\thickspace y(u,v,w),\thickspace z(u,v,w) \big), \quad (u,v,w) \in D $$ 其中 $D$为参数域。则$\Omega$ 的体积为： $$ V = \iiint_{\Omega} 1 \thinspace dx\thinspace{}dy\thinspace{}dz = \iiint_{D} \left| \det J \right| \thinspace du\thinspace{}dv\thinspace{}dw $$ 这里的 $J$ 是坐标变换的雅可比矩阵： $$ J = \frac{\partial(x,y,z)}{\partial(u,v,w)} = \begin{pmatrix} \frac{\partial x}{\partial u} & \frac{\partial x}{\partial v} & \frac{\partial x}{\partial w} \newline[2pt] \frac{\partial y}{\partial u} & \frac{\partial y}{\partial v} & \frac{\partial y}{\partial w} \newline[2pt] \frac{\partial z}{\partial u} & \frac{\partial z}{\partial v} & \frac{\partial z}{\partial w} \end{pmatrix} $$ 其行列式的绝对值 $|\det J|$称为体积伸缩因子。这与斜坐标下面积公式中的缩放因子$g = |\mathbf{e}_1 \times \mathbf{e}_2|$ 一脉相承——事实上，$g$ 正是二维参数变换雅可比行列式的绝对值。
6.2 常见几何体的参数化与体积计算
6.2.1 球体（半径为 $R$）
参数方程（球坐标）： $$ \begin{cases} x = r \sin\theta \cos\varphi \newline y = r \sin\theta \sin\varphi \newline z = r \cos\theta \end{cases} \quad r \in [0,R],\ \theta \in [0,\pi],\ \varphi \in [0,2\pi] $$
雅可比行列式： $$ J = \frac{\partial(x,y,z)}{\partial(r,\theta,\varphi)} = \begin{vmatrix} \sin\theta\cos\varphi & r\cos\theta\cos\varphi & -r\sin\theta\sin\varphi \newline \sin\theta\sin\varphi & r\cos\theta\sin\varphi & r\sin\theta\cos\varphi \newline \cos\theta & -r\sin\theta & 0 \end{vmatrix} = r^2 \sin\theta $$
因此体积元素为 $dV = r^2 \sin\theta \thinspace dr\thinspace{}d\theta\thinspace{}d\varphi$，体积： $$ V = \int_0^{2\pi} \int_0^{\pi} \int_0^R r^2 \sin\theta \thinspace dr\thinspace{}d\theta\thinspace{}d\varphi = \int_0^{2\pi} d\varphi \int_0^{\pi} \sin\theta\thinspace{}d\theta \int_0^R r^2 dr = 2\pi \cdot 2 \cdot \frac{R^3}{3} = \frac{4}{3}\pi R^3 $$
6.2.2 椭球体（半轴长 $a, b, c$）
参数方程（缩放球坐标）： $$ \begin{cases} x = a\thinspace r \sin\theta \cos\varphi \newline y = b\thinspace r \sin\theta \sin\varphi \newline z = c\thinspace r \cos\theta \end{cases} \quad r \in [0,1],\ \theta \in [0,\pi],\ \varphi \in [0,2\pi] $$
雅可比行列式：将球坐标的 $x,y,z$分别乘以$a,b,c$，相当于线性缩放，雅可比行列式乘以 $abc$： $$ \det J = abc \cdot r^2 \sin\theta $$
体积： $$ V = \int_0^{2\pi} \int_0^{\pi} \int_0^1 abc \thinspace r^2 \sin\theta \thinspace dr\thinspace{}d\theta\thinspace{}d\varphi = abc \cdot \frac{4}{3}\pi (1)^3 = \frac{4}{3}\pi abc $$
6.2.3 圆台（圆锥台）
设圆台的下底半径 $R$、上底半径 $r$、高 $h$。将其置于 $z$轴上，底面在$z=0$平面，顶面在$z=h$ 平面。
参数方程（柱坐标 + 半径随高度线性变化）： 令高度参数 $z \in [0,h]$，在高度 $z$ 处的截面半径为： $$ \rho(z) = R + \frac{r - R}{h} z $$ 于是圆台侧面可参数化为： $$ \begin{cases} x = \rho(z) \cos\varphi \newline y = \rho(z) \sin\varphi \newline z = z \end{cases} \quad \varphi \in [0,2\pi],\ z \in [0,h] $$ 但这仅给出了侧面，若要计算体积，更直接的方法是使用截面法或柱坐标下的三重积分。
方法一：截面法（旋转体体积） 将圆台视为直线 $y = R + \frac{r-R}{h}z$绕$z$ 轴旋转所得，由旋转体体积公式： $$ V = \pi \int_0^h \big[ \rho(z) \big]^2 dz = \pi \int_0^h \left( R + \frac{r-R}{h}z \right)^2 dz $$ 令 $k = \frac{r-R}{h}$，积分得： $$ V = \pi \left[ R^2 h + R k h^2 + \frac{1}{3} k^2 h^3 \right] = \frac{\pi h}{3} \left( R^2 + Rr + r^2 \right) $$ 这正是经典的圆台体积公式。
方法二：柱坐标下的三重积分 区域描述：$0 \le z \le h$，$0 \le \varphi \le 2\pi$，$0 \le \rho \le R + \frac{r-R}{h}z$。 体积元素为 $\rho\thinspace d\rho\thinspace d\varphi\thinspace dz$： $$ V = \int_0^{h} \int_0^{2\pi} \int_0^{\rho(z)} \rho \thinspace d\rho\thinspace d\varphi\thinspace dz = 2\pi \int_0^h \frac{1}{2} \rho(z)^2 dz = \pi \int_0^h \rho(z)^2 dz $$ 结果与截面法一致。
6.2.4 一般旋转体
若平面曲线 $y = f(x) \ge 0$绕$x$轴旋转一周，生成的旋转体体积可由圆盘法或壳层法求得。在参数方程视角下，若曲线由参数$t$给出$(x(t), y(t))$，则体积为： $$ V = \pi \int_{t_1}^{t_2} y(t)^2 \thinspace |x'(t)| \thinspace dt $$ 这正是雅可比行列式在降维情形下的体现（将旋转面参数化后积分）。
6.3 多面体体积：顶点坐标的行列式公式
与二维多边形鞋带公式类似，三维空间中由三角面片构成的多面体（如四面体、凸多面体）的体积也可用顶点坐标的行列式表示。
四面体体积
设四面体四个顶点为 $A, B, C, D$，其位置向量分别为 $\mathbf{a}, \mathbf{b}, \mathbf{c}, \mathbf{d}$。则体积为： $$ V = \frac{1}{6} \big| (\mathbf{b}-\mathbf{a}) \cdot \big[ (\mathbf{c}-\mathbf{a}) \times (\mathbf{d}-\mathbf{a}) \big] \big| = \frac{1}{6} \left| \det \begin{pmatrix} b_1-a_1 & b_2-a_2 & b_3-a_3 \newline c_1-a_1 & c_2-a_2 & c_3-a_3 \newline d_1-a_1 & d_2-a_2 & d_3-a_3 \end{pmatrix} \right| $$ 这可以看作二维三角形面积公式 $S = \frac{1}{2}|\det(\vec{u},\vec{v})|$ 在三维的直接推广。
一般凸多面体（三角剖分法）
将多面体表面三角剖分，并选取一个内部参考点（例如原点），则多面体体积等于所有三角面片与原点构成的四面体体积的代数和（带符号，由面法向决定内外）。这是格林公式和高斯散度定理的离散形式。
6.4 高维体积：从三维到 $n$ 维单纯形
将二维面积与三维体积的规律推广，一个 $n$维空间中的单纯形（由$n+1$个顶点张成）的“体积”（即$n$ 维测度）为： $$ V_n = \frac{1}{n!} \left| \det \big( \mathbf{v}_1 - \mathbf{v}_0,\ \mathbf{v}_2 - \mathbf{v}_0,\ \dots,\ \mathbf{v}_n - \mathbf{v}_0 \big) \right| $$ 其中 $\mathbf{v}_0, \mathbf{v}_1, \dots, \mathbf{v}_n$为$n+1$ 个顶点的坐标向量。
对于 $n=2$（三角形）系数为 $1/2! = 1/2$；对于 $n=3$（四面体）系数为 $1/3! = 1/6$；对于 $n=4$（五胞体）系数为 $1/24$，依此类推。
6.5 体积计算中的雅可比行列式本质
回顾前面的斜坐标面积公式，面积缩放因子 $g = |\mathbf{e}_1 \times \mathbf{e}_2|$正是参数域$(u,v)$到直角坐标$(x,y)$ 的映射的雅可比行列式的绝对值： $$ \left| \frac{\partial(x,y)}{\partial(u,v)} \right| = \big| \det( \mathbf{e}_1, \mathbf{e}_2 ) \big| = |\mathbf{e}_1 \times \mathbf{e}_2| $$ 而在三维中，参数方程下的体积元 $|\det J|\thinspace{}du\thinspace{}dv\thinspace{}dw$ 也是同样的构造。雅可比行列式统一了面积、体积乃至高维测度的计算，它是线性代数与微积分之间的桥梁。
| 维度 | 公式 | 核心因子 |
|---|---|---|
| 二维（三角形） | $S = \frac{1}{2}\lvert \det(\vec{u},\vec{v}) \rvert$ | $2\times2$ 行列式 |
| 二维（多边形） | $S = \frac{1}{2}\left\vert \sum (x_i y_{i+1} - x_{i+1} y_i) \right\vert$ | 鞋带求和（离散格林公式） |
| 三维（四面体） | $V = \frac{1}{6}\lvert \det(\vec{u},\vec{v},\vec{w}) \rvert$ | $3\times3$ 行列式 |
| 三维（参数体） | $V = \iiint \lvert \det J \rvert \thinspace du\thinspace{}dv\thinspace{}dw$ | 雅可比行列式 |
| $n$维（单纯形） | $V_n = \frac{1}{n!}\lvert \det(\text{边向量}) \rvert$ | $n\times n$ 行列式 |
7. 体积计算示例详解
本节通过具体数值演示上一节中的体积公式，并提供几何直观与计算验证。
7.1 球体体积：半径为 5 的球
- 计算步骤：球体体积
参数：$R = 5$
利用球坐标体积公式： $$V = \frac{4}{3}\pi R^3$$
代入计算： $$V = \frac{4}{3}\pi \times 5^3 = \frac{4}{3}\pi \times 125 = \frac{500\pi}{3} \approx 523.5988$$
三维可视化（Mermaid 示意图）：
mermaid
graph TD
subgraph 球体剖面
center((●)) --> radius[半径 R=5]
end
A[球心] --- B[表面点]
B -.-> C["体积 V = 4/3 π R³"]7.2 椭球体体积：半轴长 $a=3, b=4, c=5$
- 计算步骤：椭球体体积
给定：$a=3,\ b=4,\ c=5$
公式： $$V = \frac{4}{3}\pi a b c$$
代入： $$V = \frac{4}{3}\pi \times 3 \times 4 \times 5 = \frac{4}{3}\pi \times 60 = 80\pi \approx 251.3274$$
验证
当 $a=b=c=R$时，公式退化为球体公式，此处$3\times4\times5=60$，是球体（半径取几何平均？）的 $60$ 倍体积因子。
:::
7.3 圆台体积：下底半径 $R=4$，上底半径 $r=2$，高 $h=6$
- 计算步骤：圆台体积
已知：$R=4,\ r=2,\ h=6$
圆台体积公式： $$V = \frac{\pi h}{3} (R^2 + Rr + r^2)$$
代入： $$ \begin{aligned} V &= \frac{\pi \times 6}{3} (4^2 + 4\times 2 + 2^2) \newline &= 2\pi (16 + 8 + 4) \newline &= 2\pi \times 28 = 56\pi \approx 175.9292 \end{aligned} $$
截面法直观理解
圆台可看作一个大圆锥减去一个小圆锥。大圆锥高 $h_1 = \frac{R}{R-r}h = 12$，小圆锥高 $h_2 = h_1 - h = 6$。 大圆锥体积 $V_1 = \frac{1}{3}\pi R^2 h_1 = \frac{1}{3}\pi \times 16 \times 12 = 64\pi$， 小圆锥体积 $V_2 = \frac{1}{3}\pi r^2 h_2 = \frac{1}{3}\pi \times 4 \times 6 = 8\pi$， 差值为 $64\pi - 8\pi = 56\pi$，与公式结果一致。
:::
7.4 四面体体积：顶点坐标已知
- 计算步骤：四面体体积
顶点：
- $A(1,0,0)$
- $B(0,2,0)$
- $C(0,0,3)$
- $D(2,1,4)$
方法：以 $A$ 为基点，构造三个边向量： $$ \begin{aligned} \vec{u} &= B - A = (-1, 2, 0) \newline \vec{v} &= C - A = (-1, 0, 3) \newline \vec{w} &= D - A = (1, 1, 4) \end{aligned} $$
体积为 $\frac{1}{6}$ 倍的行列式绝对值： $$ V = \frac{1}{6} \left| \det \begin{pmatrix} -1 & 2 & 0 \newline -1 & 0 & 3 \newline 1 & 1 & 4 \end{pmatrix} \right| $$
计算行列式（按第一行展开）： $$ \begin{aligned} \det &= (-1) \cdot \begin{vmatrix} 0 & 3 \newline 1 & 4 \end{vmatrix} - 2 \cdot \begin{vmatrix} -1 & 3 \newline 1 & 4 \end{vmatrix} + 0 \cdot \begin{vmatrix} -1 & 0 \newline 1 & 1 \end{vmatrix} \newline &= (-1)(0\cdot4 - 3\cdot1) - 2((-1)\cdot4 - 3\cdot1) \newline &= (-1)(-3) - 2(-4 - 3) \newline &= 3 - 2(-7) = 3 + 14 = 17 \end{aligned} $$
因此： $$V = \frac{1}{6} |17| = \frac{17}{6} \approx 2.8333$$
7.5 一般参数体的体积：环面（甜甜圈）示例
- 环面体积：参数化与雅可比行列式
环面参数方程（主半径 ( R )，管半径 ( r )）：
$$ \begin{cases} x = (R + r \cos v) \cos u \newline y = (R + r \cos v) \sin u \newline z = r \sin v \end{cases} \quad u \in [0,2\pi],\ v \in [0,2\pi] $$ （这是环面曲面，体积为 0）
若要计算实心环（甜甜圈体），需引入第三个参数 ( w \in [0,1] ) 表示径向填充：
$$ \begin{cases} x = (R + w r \cos v) \cos u \newline y = (R + w r \cos v) \sin u \newline z = w r \sin v \end{cases} \quad u,v \in [0,2\pi],\ w \in [0,1] $$
雅可比行列式（经符号计算得）： $$\det J = r^2 w (R + w r \cos v)$$
体积： $$ V = \int_0^{2\pi} \int_0^{2\pi} \int_0^1 r^2 w (R + w r \cos v) \thinspace dw\thinspace{}dv\thinspace{}du $$
先对 ( w ) 积分： $$ \int_0^1 r^2 w R + r^3 w^2 \cos v \thinspace dw = r^2 R \cdot \frac{1}{2} + r^3 \cos v \cdot \frac{1}{3} $$
再对 ( v ) 积分： $$ \int_0^{2\pi} \left( \frac{r^2 R}{2} + \frac{r^3}{3} \cos v \right) dv = \frac{r^2 R}{2} \cdot 2\pi + 0 = \pi r^2 R $$
最后对 ( u ) 积分： $$ \int_0^{2\pi} \pi r^2 R \thinspace du = 2\pi \cdot \pi r^2 R = 2\pi^2 R r^2 $$
得到著名公式：$V = 2\pi^2 R r^2$。
几何直观
实心环体积 = 环的“中心线长度” ( 2\pi R ) × 管截面面积 ( \pi r^2 )，雅可比行列式正是把这个乘积在参数空间中精确展开。
:::
8. 小结：测度计算的统一脉络——从鞋带到雅可比
回顾从三角形面积到高维体积的全部推导，看似零散的公式背后贯穿着三条清晰的主线：行列式的几何意义、微积分基本定理的离散/连续对应以及外积代数的维度跃迁。
8.1 统一内核：行列式即体积伸缩因子
| 公式形式 | 数学对象 | 几何解释 |
|---|---|---|
| $\frac{1}{2}\lvert ad-bc \rvert$ | 三角形面积 | 二维列向量张成的平行四边形面积的一半 |
| $\frac{1}{2}\left\vert \sum (x_i y_{i+1} - x_{i+1} y_i) \right\vert$ | 多边形面积 | 将多边形分解为有向三角形的代数和 |
| $\frac{1}{6}\lvert \det(\vec{u},\vec{v},\vec{w}) \rvert$ | 四面体体积 | 三维列向量张成的平行六面体体积的$1/6$ |
| $\iiint \lvert \det J \rvert\thinspace du\thinspace{}dv\thinspace{}dw$ | 参数体体积 | 坐标变换将单位立方体映射为局部平行六面体的累加 |
| $\frac{1}{n!}\lvert \det(\text{边向量}) \rvert$ | $n$维单纯形 | $n$维平行体的$1/n!$ |
核心结论：无论维度如何升高，无论坐标系是直角、斜角还是任意曲线，体积元永远等于雅可比行列式的绝对值乘以参数域的体积元。这是微分几何中流形上积分定义的直接体现。
8.2 离散与连续的桥梁：斯托克斯定理的两个面孔
二维多边形的鞋带公式： $$ S = \frac{1}{2} \sum_{i=1}^n (x_i y_{i+1} - x_{i+1} y_i) $$ 与格林公式： $$ \iint_D \left( \frac{\partial Q}{\partial x} - \frac{\partial P}{\partial y} \right) dx\thinspace{}dy = \oint_{\partial D} P\thinspace{}dx + Q\thinspace{}dy $$ 之间存在精确的对应：取 $P = -\frac{1}{2}y,\ Q = \frac{1}{2}x$，则面积等于边界上的线积分。当边界退化为折线段时，积分变为离散求和，这便是鞋带公式的解析根源。
同样，三维多面体的体积公式： $$ V = \frac{1}{3} \sum_{\text{面 } F} (\mathbf{r}_F \cdot \mathbf{n}_F) \cdot \text{面积}(F) $$ 正是高斯散度定理的离散版本（取向量场 $\mathbf{F} = \frac{1}{3}\mathbf{r}$）。
思想跃迁：离散顶点坐标的行列式，是连续积分在分段线性边界下的精确退化。
8.3 维度的阶梯：外积与 Grassmann 代数
所有上述公式都可以用外积（楔积 $\wedge$）统一写出，无需依赖坐标系的维数：
- 二维有向面积二重向量：$\mathbf{S} = \frac{1}{2} \sum_{i} \mathbf{r}_i \wedge \mathbf{r}_{i+1}$
- 三维有向面积矢量：$\mathbf{S} = \frac{1}{2} \sum_{i} \mathbf{r}_i \times \mathbf{r}_{i+1}$ （三维中叉积恰好是楔积的 Hodge 对偶）
- $k$ 维平行体体积：$V = \lVert \mathbf{v}_1 \wedge \mathbf{v}_2 \wedge \cdots \wedge \mathbf{v}_k \rVert$
外积运算自然包含了“有向”和“维度适配”的信息：$k$个向量的楔积是一个$k$-向量，其范数等于它们张成的 $k$维平行体的体积。而行列式不过是选取坐标系后对该$k$-向量的分量表示。
8.4 斜坐标与一般曲线坐标的启示
斜坐标的面积公式： $$ S_{\text{real}} = \sqrt{\det G} \cdot \frac{1}{2} \left| \sum (u_i v_{i+1} - u_{i+1} v_i) \right| $$ 其中 $\det G$正是基向量 Gram 矩阵的行列式，它度量了坐标系本身的“倾斜程度”。在任意曲线坐标下，体积元$dV = \sqrt{\det G} \thinspace du^1 du^2 \cdots du^n$ 是同样的构造——这即是黎曼几何中体积形式的定义。
实用技巧：在非正交坐标系中计算几何量，永远可以通过以下两步完成：
- 在参数域（“平直”坐标）上用标准鞋带/行列式公式计算“代数测度”；
- 乘以坐标变换的缩放因子（雅可比或 $\sqrt{\det G}$）。
8.5 参数化几何体的体积计算策略表
| 几何体类型 | 参数化策略 | 雅可比/体积元 | 体积公式 |
|---|---|---|---|
| 球体 | 球坐标 $(r,\theta,\varphi)$ | $r^2 \sin\theta$ | $\frac{4}{3}\pi R^3$ |
| 椭球体 | 缩放球坐标 $(ar, b r\sin\theta\cos\varphi, \dots)$ | $abc\thinspace r^2 \sin\theta$ | $\frac{4}{3}\pi abc$ |
| 圆台 | 柱坐标 + 半径随 $z$线性变化 | $\rho$（柱坐标体积元） | $\frac{\pi h}{3}(R^2+Rr+r^2)$ |
| 环面 | 环面坐标 $(u,v,w)$ | $w r(R + w r \cos v)$ | $2\pi^2 R r^2$ |
| 一般旋转体 | 截面法：$y=f(x)$绕轴旋转 | 圆盘面积$\pi f(x)^2$ | $\pi \int f(x)^2 dx$ |
8.6 最后的统一视角
从三角形的 $\frac{1}{2}|\det|$到$n$维单纯形的$\frac{1}{n!}|\det|$，从多边形的离散求和到曲面的黎曼积分，贯穿始终的数学精神是：
测度 = 代数不变量（行列式/外积） × 几何容器的体积（参数域测度）
而行列式本身，正是线性映射对单位立方体体积的缩放倍数。因此，一切体积计算本质上都是寻找合适的线性近似，然后对局部缩放因子进行累加。
这一思想在多元微积分、微分几何、乃至物理中的相空间体积（刘维尔定理）中反复出现，构成了分析学与几何学的交叉基石。