散度与旋度：从雅可比中提取什么

问题是什么

一个向量场在某一点附近”在做什么”？散度 (Divergence) 和旋度 (Curl) 各自回答了其中哪一部分，又漏掉了什么？

教材通常直接给出 $\nabla\cdot\mathbf{F}$ 和 $\nabla\times\mathbf{F}$ 的分量公式，再配上”源”和”涡旋”的图。这样容易记住公式，却看不出它们为什么长这个样子。本章从第 1 章的雅可比出发，说明散度和旋度都是从雅可比中提取出来的信息。

直觉怎么理解

把向量场 $\mathbf{F}$ 想成流体的速度场，在某一点放一个很小的流体团，观察它在一小段时间内的变化。这个变化可以拆成四种：

平移：整体随速度 $\mathbf{F}(\mathbf{x})$ 移动；
均匀膨胀或压缩：体积变大或变小，形状不变；
旋转：像刚体一样转动；
保体积形变：一个方向拉长、另一个方向压扁，体积不变。

平移由场的值决定，后三种由雅可比决定。散度读出的是第二种，旋度读出的是第三种。第四种两者都读不到。

下图是四个典型的二维场。前两个分别是纯膨胀和纯旋转；第三个是简单剪切，它同时包含旋转和形变；第四个是纯形变，散度和旋度都为零，但它显然不是一个平凡的场。

四个二维向量场：源、涡旋、简单剪切、纯形变，以及各自的散度和旋度

数学 / 几何表达

记 $\mathbf{F} = (P, Q, R)^\top$ ，下标表示偏导，例如 $P_y = \partial P / \partial y$ 。雅可比为

J = \begin{bmatrix} P_x & P_y & P_z \\ Q_x & Q_y & Q_z \\ R_x & R_y & R_z \end{bmatrix}.

散度是雅可比的迹

\nabla\cdot\mathbf{F} = P_x + Q_y + R_z = \operatorname{tr} J .

为什么迹对应体积变化。 速度场在时间 $dt$ 内把点 $\mathbf{x} + \mathbf{h}$ 移到 $\mathbf{x} + \mathbf{h} + \mathbf{F}(\mathbf{x} + \mathbf{h})\,dt$ 。相对于流体团中心，小位移 $\mathbf{h}$ 被映射为

\mathbf{h} \mapsto (I + J\,dt)\,\mathbf{h} + o(\|\mathbf{h}\|) .

小体积元的体积缩放比例是这个线性映射的行列式。按 Leibniz 公式， $\det(I + J\,dt)$ 是所有置换对应乘积之和：

恒等置换给出对角线乘积 $\prod_i (1 + J_{ii}\,dt) = 1 + \operatorname{tr}J\,dt + O(dt^2)$ ；
其余每个置换至少包含两个非对角元素，每个都带一个 $dt$ ，所以贡献为 $O(dt^2)$ 。

于是

\det(I + J\,dt) = 1 + \operatorname{tr}J\,dt + O(dt^2), \qquad \frac{1}{V}\frac{dV}{dt} = \nabla\cdot\mathbf{F} .

散度是局部体积的瞬时相对变化率：正值表示膨胀，负值表示压缩，零表示体积一阶不变。散度为零既不意味着速度为零，也不意味着形状不变。

注意区分两个容易混淆的量： $\det J$ 描述一个空间映射本身的局部体积缩放， $\operatorname{tr}J$ 描述速度场造成的体积变化率。两者通过上面的短时间映射 $I + J\,dt$ 联系起来。

旋度来自雅可比的反对称部分

\nabla\times\mathbf{F} = \begin{bmatrix} R_y - Q_z \\ P_z - R_x \\ Q_x - P_y \end{bmatrix}.

每个分量都是雅可比中一对对称位置元素之差，所以它只依赖反对称部分 $W = \frac12(J - J^\top)$ 。

旋度的一半是局部角速度。 记 $\boldsymbol{\omega} = \nabla\times\mathbf{F}$ ，叉乘矩阵为

[\boldsymbol{\omega}]_\times = \begin{bmatrix} 0 & -\omega_3 & \omega_2 \\ \omega_3 & 0 & -\omega_1 \\ -\omega_2 & \omega_1 & 0 \end{bmatrix}, \qquad [\boldsymbol{\omega}]_\times \mathbf{h} = \boldsymbol{\omega} \times \mathbf{h} .

逐项写出 $J - J^\top$ ：

J - J^\top = \begin{bmatrix} 0 & P_y - Q_x & P_z - R_x \\ Q_x - P_y & 0 & Q_z - R_y \\ R_x - P_z & R_y - Q_z & 0 \end{bmatrix}.

与 $[\boldsymbol{\omega}]_\times$ 逐个比较： $(1,2)$ 位置 $-\omega_3 = P_y - Q_x$ ， $(1,3)$ 位置 $\omega_2 = P_z - R_x$ ， $(2,3)$ 位置 $-\omega_1 = Q_z - R_y$ ，完全吻合。因此

J - J^\top = [\nabla\times\mathbf{F}]_\times , \qquad W\mathbf{h} = \tfrac12\,(\nabla\times\mathbf{F}) \times \mathbf{h} .

刚体以角速度 $\boldsymbol{\Omega}$ 转动时，速度为 $\boldsymbol{\Omega} \times \mathbf{h}$ 。比较可知，流体团的局部刚体旋转角速度为

\boldsymbol{\Omega} = \tfrac12\,\nabla\times\mathbf{F} .

三维反对称矩阵恰好有三个独立分量，所以能用一个轴向量表示，这也是旋度只在三维时才是向量的原因。二维情形下，反对称部分只有一个分量，旋度写成标量 $Q_x - P_y$ ，表示垂直于平面的转动。

例子。 $\mathbf{F} = (-2y, 2x, 0)^\top$ 是绕 $z$ 轴、角速度为 2 的刚体旋转。它的散度为 0，旋度为 $(0, 0, 4)^\top$ ，正好是角速度的两倍。

雅可比的完整分解

把雅可比分成对称部分和反对称部分，再从对称部分中分出迹：

J = \underbrace{\frac{\operatorname{tr}J}{3}\,I}_{\text{均匀膨胀}} + \underbrace{\Big(\frac{J + J^\top}{2} - \frac{\operatorname{tr}J}{3}\,I\Big)}_{\text{对称无迹形变}} + \underbrace{\frac{J - J^\top}{2}}_{\text{旋转}} .

三部分的自由度分别为 $1 + 5 + 3 = 9$ ，合起来正好是雅可比的九个元素。散度只读出第一部分（1 个数），旋度只读出第三部分（3 个数），中间 5 个自由度的保体积形变两者都读不到。

反例。 $\mathbf{F} = (x, -y, 0)^\top$ 的雅可比为 $\operatorname{diag}(1, -1, 0)$ ，散度和旋度都为零，但它沿 $x$ 方向拉伸、沿 $y$ 方向压缩。所以仅凭一点的散度和旋度，无法恢复该点的雅可比。

简单剪切。 图中的 $\mathbf{F} = (y, 0)$ 的雅可比为 $\begin{bmatrix} 0 & 1 \\ 0 & 0 \end{bmatrix}$ 。它的对称部分 $\begin{bmatrix} 0 & 1/2 \\ 1/2 & 0 \end{bmatrix}$ 是形变，反对称部分 $\begin{bmatrix} 0 & 1/2 \\ -1/2 & 0 \end{bmatrix}$ 是角速度为 $-1/2$ （顺时针）的旋转，二维旋度 $Q_x - P_y = -1$ 。看起来只是”一层层平移”的流动，其实同时包含旋转和形变。

积分形式：通量与环流

散度和旋度还有不依赖坐标的定义。

散度是单位体积的净流出通量。 取以 $\mathbf{x}$ 为中心、边长为 $h$ 的小立方体。垂直于 $x$ 轴的两个面上，净流出通量为

\big[P(x + \tfrac{h}{2}) - P(x - \tfrac{h}{2})\big]\,h^2 \approx P_x\, h^3 ,

另外两对面同理。三项相加，得到净流出通量 $\approx (P_x + Q_y + R_z)\,h^3$ 。所以

\nabla\cdot\mathbf{F}(\mathbf{x}) = \lim_{V \to \mathbf{x}} \frac{1}{|V|}\oint_{\partial V} \mathbf{F}\cdot\mathbf{n}\, dS .

旋度分量是单位面积的环流量。 对过 $\mathbf{x}$ 、法向为 $\mathbf{n}$ 的小曲面 $S$ ，

(\nabla\times\mathbf{F})\cdot\mathbf{n} = \lim_{S \to \mathbf{x}} \frac{1}{|S|}\oint_{\partial S} \mathbf{F}\cdot d\mathbf{r} ,

其中边界方向与 $\mathbf{n}$ 满足右手定则。

把这些局部关系在整个区域上累加，内部相邻小块的贡献互相抵消，只剩下边界，于是得到两个积分定理：

定理	公式	含义
散度定理 (Divergence Theorem)	$\int_V \nabla\cdot\mathbf{F}\, dV = \oint_{\partial V} \mathbf{F}\cdot\mathbf{n}\, dS$	内部净源的总和等于边界的净通量
Stokes 定理	$\int_S (\nabla\times\mathbf{F})\cdot\mathbf{n}\, dS = \oint_{\partial S} \mathbf{F}\cdot d\mathbf{r}$	面内局部环流的总和等于边界环流

两个定理都要求场足够光滑、区域足够规则，并且定向一致。第 3 章推导泊松方程时会用到散度定理。

两个零恒等式

梯度场无旋： $\nabla\times(\nabla f) = 0$ 。以第一分量为例，它等于 $\partial_y\partial_z f - \partial_z\partial_y f$ 。 $f$ 二阶连续可微时混合偏导可交换，所以为零；另外两个分量同理。

旋度场无散： $\nabla\cdot(\nabla\times\mathbf{F}) = 0$ 。展开得

\partial_x(R_y - Q_z) + \partial_y(P_z - R_x) + \partial_z(Q_x - P_y) = 0 ,

六项两两抵消，原因同样是混合偏导可交换。

两个恒等式都要求场足够光滑，在奇点处不能直接套用。

反过来，零旋度能否推出存在势函数？ 只有在单连通区域上才行。考虑定义在 $\mathbb{R}^2 \setminus \{0\}$ 上的场

\mathbf{F} = \frac{(-y,\; x)}{x^2 + y^2} .

直接计算可得 $Q_x = P_y = (y^2 - x^2)/(x^2 + y^2)^2$ ，所以处处 $Q_x - P_y = 0$ 。但沿单位圆一周， $\mathbf{F}\cdot d\mathbf{r} = d\theta$ ，环流量为 $2\pi \neq 0$ 。如果 $\mathbf{F} = \nabla\phi$ ，任意闭合回路上的环流都应为零，所以这个场没有全局势函数。原因是区域在原点处有一个洞。

使用约定

$\nabla$ 是微分算符，不是数值向量。“点乘""叉乘”的写法便于记忆，但作用于乘积时仍需使用乘积法则，例如 $\nabla\cdot(\phi\mathbf{F}) = \nabla\phi\cdot\mathbf{F} + \phi\,\nabla\cdot\mathbf{F}$ 。
本章公式只适用于笛卡尔坐标。柱坐标和球坐标中，基向量随位置变化，散度和旋度的分量公式会多出尺度因子项，不能照搬。
有些中文材料把 $\nabla$ 称为”哈密顿算子”。为避免与量子力学中的哈密顿算符 $\hat{H}$ 混淆，本站称它为 nabla 或 del。

机器人中的例子

光流的散度与碰撞时间

无人机或机器人沿光轴方向接近一个正对着的平面时，图像上的光流 (Optical Flow) 从一点向外辐射。这一点称为扩展焦点 (Focus of Expansion, FOE)。光流的散度直接给出碰撞时间 (Time to Contact, TTC)。

设相机以速度 $W$ 沿光轴前进，平面在深度 $Z$ 处。在相机坐标系中，场景点的速度为 $(\dot{X}, \dot{Y}, \dot{Z}) = (0, 0, -W)$ 。归一化图像坐标为 $x = X/Z$ ， $y = Y/Z$ ，对时间求导：

\dot{x} = \frac{\dot{X}}{Z} - \frac{X\dot{Z}}{Z^2} = \frac{W}{Z}\,x , \qquad \dot{y} = \frac{W}{Z}\,y .

光流场 $(\dot{x}, \dot{y}) = \frac{W}{Z}(x, y)$ 正是图中的”源”场，FOE 在主点。它的散度为

\frac{\partial \dot{x}}{\partial x} + \frac{\partial \dot{y}}{\partial y} = \frac{2W}{Z} = \frac{2}{\tau}, \qquad \tau = \frac{Z}{W} .

这个结论有三个值得注意的地方：

只要测出光流的散度，就能得到碰撞时间 $\tau$ ，不需要知道深度 $Z$ 和速度 $W$ 各自是多少；
换成像素坐标 $u = f x + c_x$ 时，光流和坐标同时乘以 $f$ ，所以散度不变，也不需要知道焦距；
散度反映的是”膨胀”，而第 1 章投影雅可比的第三列告诉我们，沿光轴的运动正是使图像点沿径向移动的那部分。

正因为这些性质，光流散度被广泛用于微型飞行器的避障和降落控制，例如保持散度恒定以实现平滑减速着陆。上面的推导只适用于纯前向运动和正对的平面；存在横向平移、平面倾斜或旋转时，散度中还会出现其他项，需要先做补偿。

光流的旋度则对应绕光轴的转动。若相机以角速度 $\omega_z$ 绕光轴旋转，场景点在相机坐标系中的速度为 $(\omega_z Y, -\omega_z X, 0)$ ，图像光流为 $(\omega_z y, -\omega_z x)$ ，其二维旋度为 $-2\omega_z$ ：大小是角速度的两倍，方向与相机转动相反。这与上一节”旋度的一半是角速度”一致。

可视化 / 代码

第一段代码在网格上数值计算四个典型场的散度和旋度，对应图中的四个面板，并给出画图的代码。

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(-1, 1, 41)
y = np.linspace(-1, 1, 41)
X, Y = np.meshgrid(x, y)              # 形状 (ny, nx)，X 沿 axis=1 变化

fields = {
    "source": (X, Y),                 # 源
    "vortex": (-Y, X),                # 涡旋
    "shear":  (Y, 0 * X),             # 简单剪切
    "strain": (X, -Y),                # 纯形变
}

def div_curl(P, Q):
    dP_dy, dP_dx = np.gradient(P, y, x)
    dQ_dy, dQ_dx = np.gradient(Q, y, x)
    return dP_dx + dQ_dy, dQ_dx - dP_dy

for name, (P, Q) in fields.items():
    d, c = div_curl(P, Q)
    print(f"{name:7s} div = {round(d.mean(), 2) + 0.0:+.2f}   curl = {round(c.mean(), 2) + 0.0:+.2f}")
# source  div = +2.00   curl = +0.00
# vortex  div = +0.00   curl = +2.00
# shear   div = +0.00   curl = -1.00
# strain  div = +0.00   curl = +0.00

fig, axes = plt.subplots(1, 4, figsize=(12, 3.4))
s = slice(None, None, 4)
for ax, (name, (P, Q)) in zip(axes, fields.items()):
    ax.quiver(X[s, s], Y[s, s], P[s, s], Q[s, s])
    ax.set_title(name)
    ax.set_aspect("equal")
plt.show()

第二段代码合成接近平面时的光流，验证散度等于 $2/\tau$ ，并验证绕光轴旋转时旋度为 $-2\omega_z$ 。

import numpy as np

W, Z = 2.0, 10.0                      # 接近速度 2 m/s，深度 10 m，tau = 5 s
f = 400.0                             # 焦距（像素）
px = np.linspace(-200, 200, 81)       # 以主点为原点的像素坐标
U, V = np.meshgrid(px, px)
xn, yn = U / f, V / f                 # 归一化坐标

# 纯前向运动：像素光流 = f * (W/Z) * (x, y)
flow_u, flow_v = f * xn * W / Z, f * yn * W / Z
div = np.gradient(flow_u, px, axis=1) + np.gradient(flow_v, px, axis=0)
print(div.mean(), 2 * W / Z, "tau =", 2 / div.mean())   # 约 0.4 0.4 tau = 5.0（浮点舍入）

# 绕光轴旋转：像素光流 = f * omega * (y, -x)
omega = 0.3
rot_u, rot_v = f * omega * yn, -f * omega * xn
curl = np.gradient(rot_v, px, axis=1) - np.gradient(rot_u, px, axis=0)
print(curl.mean(), -2 * omega)                          # 约 -0.6 -0.6

参考资料

Koenderink, J. J., & van Doorn, A. J. (1976). Local structure of movement parallax of the plane. Journal of the Optical Society of America, 66(7), 717–723.
Lee, D. N. (1976). A theory of visual control of braking based on information about time-to-collision. Perception, 5(4), 437–459.
Herissé, B., Hamel, T., Mahony, R., & Russotto, F.-X. (2012). Landing a VTOL unmanned aerial vehicle on a moving platform using optical flow. IEEE Transactions on Robotics, 28(1), 77–89.
Schey, H. M. (2005). Div, Grad, Curl, and All That (4th ed.). W. W. Norton.
OpenStax. Calculus Volume 3, Section 6.5: Divergence and Curl. https://openstax.org/books/calculus-volume-3/pages/6-5-divergence-and-curl
3Blue1Brown. Divergence and curl: The language of Maxwell’s equations, fluid flow, and more. https://www.3blue1brown.com/lessons/divergence-and-curl/
MIT OpenCourseWare. 18.02SC Multivariable Calculus (Fall 2010)，第四单元：三维空间中的三重积分与曲面积分（含散度定理与 Stokes 定理）。https://ocw.mit.edu/courses/18-02sc-multivariable-calculus-fall-2010/