分形维数（Fractal Dimension）

定义

分形维数是对欧氏整数维度的扩展，用来量化不规则几何对象的”空间填充程度”。一条完全光滑的线是 1 维的，一个平面是 2 维的；海岸线、雪花曲线等分形对象的维数落在 1 和 2 之间，表示它比线复杂但又没有填满平面。

直觉理解

想象你用边长为 $\varepsilon$ 的方格覆盖一个几何对象：

• 一条直线段：方格数 $\propto \varepsilon^{-1}$（维数 = 1）
• 一个正方形面：方格数 $\propto \varepsilon^{-2}$（维数 = 2）
• 英国海岸线：方格数 $\propto \varepsilon^{-1.25}$（维数 $\approx$ 1.25）

分形维数 $D$ 正是这个指数。$D$ 越大，对象在缩小测量尺度时”生长”出的细节越多。

Hausdorff 维数与 Minkowski-Bouligand 维数

分形维数有多种严格定义：

• Hausdorff 维数：基于最优覆盖集的测度理论定义，是最基本的分形维数概念。Mandelbrot 在 1967 年论文中将 Richardson 的经验参数 $D$ 识别为 Hausdorff 维数的非整数形式
• Minkowski-Bouligand 维数（盒计数维数）：基于固定尺寸方格覆盖的计数，计算上更易操作，是实际测量中最常用的近似

两者在数学上不完全等价，但对于自然界中遇到的大多数分形对象，它们给出相同的值。

Richardson 公式中的角色

在 Richardson 效应 的数学表述中：

$L(\varepsilon) \sim F \varepsilon^{1-D}$

$D$ 直接决定了长度随测量精度增加的发散速率：

• $D = 1$：光滑曲线，$L$ 与 $\varepsilon$ 无关，收敛到确定值
• $D = 1.02$：南非海岸，几乎光滑，$L$ 随 $\varepsilon$ 减小缓慢增长
• $D = 1.25$：英国西海岸，$L$ 随 $\varepsilon$ 减小显著增长
• $D = 2$：Peano 曲线，完全填充平面

自然界中的分形维数

对象	近似分形维数
南非海岸线	~1.02
英国西海岸	~1.25
湖泊岸线（典型值）	~1.28
Koch 雪花	~1.26
Sierpinski 曲线	依阶数变化

相关概念

• 海岸线悖论 — 分形维数概念诞生的直接背景
• Richardson 效应 — 分形维数在测量中的经验表现
• 统计自相似性 — 自然分形具有分形维数的结构基础

References

• sources/wikipedia-coastline-paradox.md