Spectral method on domains bounded by planar curves

A sparse spectral method on a class of domains bounded by planar algebraic curves, by Jiajie Yao, Marco Fasondini and Sheehan Olver.

这篇文章研究的是由函数围起来的曲边区域上定义的PDE的谱方法，其上下边界是同一函数的放缩给出。区域如下图所示：

domains bounded by curves

作者希望直接在这种区域上构造一组适应区域几何的正交基底，同时使乘法、微分和基底转换算子保持稀疏，以此得到稀疏的线性系统求解对应的偏微分方程，为此他们构造了下面的广义 Koornwinder 多项式。

广义 Koornwinder 基

基函数的选取是这篇文章的基础。先来介绍一下这族基函数的构造思路：

Step 1 先把复杂区域变成标准矩形
定义归一化截面变量

也即，于是原区域在新的坐标系下被映射成是标准的矩形，相应的面积元满足

这一步与常见的普通坐标映射谱方法完全相同。

现在区域既然变成了矩形，自然想到使用张量形式的乘积基底，但作者没有直接停在这里，原因是如果把它重新写回物理坐标，就会得到形如

的有理项。如果是次多项式，它一般会包含。这意味着这样构造得到的基函数可能不再是物理坐标的多项式，尤其当在边界趋于零时，还可能出现表面上的奇异表示。而作者更希望保留物理坐标系下的多项式结构，所以他们引入了一个关键因子：

这样一来所有分母上的多项式都被抵消掉，最终的基底在物理坐标下的纯多项式。这就是 Koornwinder 基底中的来源。

例如

当是多项式时，右侧就是关于的普通多项式。

文章考虑的两类几何恰好保证这一性质：

case i: 对于本身是多项式的情形，显然是多项式。
case ii: 对于、是多项式的情形，作者要求截面区间和权函数对称，使与具有相同奇偶性。这样展开式里只会出现的偶数次幂，仍然能够写成的整数次幂。

Step 2 横向基底随着变化
除了保证基函数是多项式外，另一个基函数应当具有的保证数值计算高效的关键性质是正交性。作者通过调整基函数的横向部分来让基函数整体表现出期望的正交性，为此必须强迫基底的横向部分随着变化。

注意到标准的矩形上的权函数一般形如

其中四个因子分别对应四条边界。作者仿照上述权函数选取一个类似四参数权函数

坐标替换之后发现

现在设二维基函数具有形式

计算两个基函数的内积时，除了原权函数中的，两个基函数还会贡献。

利用的正交性，只有的项需要进一步考虑。此时横向积分中的权函数恰好变成

于是，只要选择为关于的一维正交多项式，就能够保证整个二维基底正交。因此，文章最终得到

这里是截面区间上的归一化 Jacobi 多项式，但不是Jacobi多项式。

算子稀疏性

前面构造了正交基，但正交性本身并不能保证算子稀疏。作者进一步利用了这个基底的两种特殊代数结构让几类关键算子变成稀疏的。

性质1：相邻横向权函数只相差一个固定多项式

注意到之前构造出的权函数满足以下递推关系

其中，而在本文允许的两类区域中，始终是一个多项式。

一般而言，对于不同权函数构造的两套正交多项式，它们之间的转换矩阵可能是稠密的。但如果新旧权函数只相差一个固定次数的正多项式，就可以利用正交多项式的 Jacobi 矩阵构造。因为是三对角矩阵，如果的次数为，那么的带宽至多为。利用 Cholesky 分解，

就能计算相邻权函数之间的连接矩阵，而它同样是有限带宽的。这意味着：尽管横向正交多项式族随着不断变化，但它们之间的转换始终由固定带宽的矩阵完成。 这也正是作者在 Section 4 中采用测度修改、Cholesky 分解和递推构造各类半经典正交多项式算子的原因。

Remark: 公式

的证明

公式的证明很优雅，我们用拟矩阵的语言简单介绍：记是关于正交的横向部分多项式组成的拟矩阵，则连接矩阵满足

记在新的权函数下的Gram矩阵为

使用连接矩阵的定义，上面的Gram矩阵可以进一步写成

而根据所满足的正交性，括号内是单位矩阵，因此

另一方面，我们又可以用中的递推关系得到

同样地，括号内是单位矩阵，所以

因此成立。

更进一步，后续需要的乘积矩阵可以使用已有的与计算得到：

这是因为我们有

因此现在所有的与可以用一套统一的递推计算流程得到：首先由某个已知的出发计算，对进行带状稀疏Cholesky分解得到，接着计算出的非零带状部分，再接着重复这一套流程就可以得到以及

性质2：合适选取输出与输出基之后微分算子是稀疏的

注意到在这一变量代换下有

因此有

其中Jacobi多项式的微分具有参数升阶关系：

所以不需要重新展开大量横向模式，这组基在方向的微分下满足与一维的超球谱方法类似的稀疏关系

方向的稀疏性稍弱，分析也更加复杂，直接求偏微分可以发现

首先，由 Jacobi 多项式的参数升阶和微分关系，在参数升阶后的基底中仅涉及三个模式；同时，的最高次项恰好抵消，其次数至多为。因此，在目标基底中只能耦合到角向指标。对于 case (ii)，由于 Jacobi 多项式的奇偶对称性，通道进一步消失。

上述 Jacobi 多项式的参数升阶关系只能说明，在目标基底中仅涉及角向指标。要进一步证明整个二维微分矩阵具有固定带宽，还必须证明：对于每一个角向指标，对应的横向展开只涉及有限个与相邻的块指标，且这一范围与截断阶数无关。这一结论主要来自横向权函数之间的特殊关系，以及正交多项式的次数限制和分部积分。

Remark:

方向的微分矩阵的详细稀疏性分析

令

微分后采用的目标基底为，其第个角向模式对应的横向权函数是

因此，横向权函数满足

特别地，对于三个可能出现的角向通道，

这三个关系是证明横向稀疏性的基础。

为简化记号，以下记

由链式法则，

将其投影到目标基函数，经过变量代换和角向积分后，得到

其中和是仅由角向 Jacobi 多项式决定的常数。具体而言，若、，则

由于 Jacobi 多项式的参数升阶关系，和仅可能在时非零。特别地，由于，有。

接下来分别分析三个通道。每个通道的非零范围都需要从两个方向控制：一方面利用目标多项式的正交性给出的上界；另一方面通过分部积分，把导数转移到目标多项式及权函数上，再利用原多项式的正交性给出的下界。

当时，由于，式 (6) 简化为

首先考虑的上界。由于是次多项式，的次数为，而关于正交于所有次数低于的多项式，因此当时，积分必然为零，即。

为了得到下界，利用式 (5) 中的，将式 (7) 改写为

对该积分进行分部积分，并假设相应边界项消失，可得

记。由横向权函数的定义，

由于，因此

注意，式 (9) 的右侧是一个次数至多为的多项式，其中。而，所以式 (8) 方括号中的整个表达式也是多项式，次数至多为。由于关于正交于所有次数低于的多项式，当时，积分必然为零。因此得到下界。

综上，

可以看出，这一通道的稀疏性不仅来自的次数下降，还依赖于目标权函数与原权函数之间恰好相差多项式。后者保证了分部积分后的表达式仍然是固定次数的多项式修正，而不会产生无限的横向模式耦合。

当时,对应的项仅在为多项式时出现。根据式 (5) 有。式 (6) 因而成为

这一通道只需在 case (i) 中考虑，因为 case (ii) 的 Jacobi 多项式具有确定的奇偶性，使得的角向积分为零。

对于 case (i)，本身是次多项式，因此

利用目标多项式的正交性，若，式 (11) 中的两个积分均为零，于是

为了得到下界，利用，对包含的第一项进行分部积分。分部积分后出现的主要表达式为

由于

它仍然是多项式，次数至多为。同时，式 (11) 中的第二项经过替换后，只包含多项式乘子，其次数同样不超过。因此，经过分部积分后，式 (11) 可以写成与一个次数至多为的多项式之间的加权内积。利用的正交性，当时，积分为零，从而得到，所以

这一通道说明，当本身为固定次数的多项式时，链式法则引入的和只会增加有限的多项式次数，因此不会破坏横向稀疏性。

当时，需要特别注意，因为它在为多项式、但本身不一定为多项式的 case (ii) 中仍然存在。

根据式 (5)，。代入式 (6)，得到

首先，由于与均为多项式，有

利用目标多项式的正交性，当时，两个积分都为零，因此。但是，下界的证明不能简单照搬前两个通道。这是因为将目标权函数改写为原权函数后，式 (13) 变成

第二项中出现了。如果直接将它看成一般函数，便无法利用多项式正交性给出固定的横向耦合范围。关键在于，角向 Jacobi 积分系数满足特殊的恒等式

这一关系可以由 Jacobi 正交性直接证明。令、，则，其中是首项为的一次多项式。对中含有的积分分部积分，可将其写为

由于是次多项式，方括号中的表达式是至多次多项式，其最高次项系数恰好等于的最高次项系数。因此，二者之差的次数至多为，与关于正交，从而得到式 (15)。

现在对式 (14) 的第一项分部积分：

其中。由于

分部积分后的表达式中出现

而式 (14) 的第二项，根据式 (15)，恰好是

两项完全抵消。

因此，最终只剩下

注意，式 (16) 已经完全不包含。更重要的是，方括号中的表达式是一个次数至多为的多项式，因为为二次多项式，而为一次多项式。

因此，由的正交性，当时，积分为零。代入、，得到

于是得到下界，最终有

这一通道揭示了广义 Koornwinder 基底构造中最重要的代数匹配：横向权函数中的指数，恰好与角向 Jacobi 多项式导数产生的系数相匹配，使分部积分中的项精确抵消。 因此，即使本身不是多项式，只要是多项式，横向微分仍然能够保持有限带宽。

将上述结果合并，可得

$仅$

因此，所有非零展开系数都满足

这里需要强调，横向稀疏性的证明包含两个不同的正交性论证：利用目标横向正交多项式的正交性限制的上界；通过分部积分，再利用原横向正交多项式的正交性限制的下界。在通道中，还必须利用角向积分系数的特殊恒等式消除，否则无法直接建立统一的多项式次数界。

最终作者发现：

其中是块带宽为、块内带宽为的带状分块带状矩阵。因此，方向微分矩阵的固定带宽并不是一般二维正交多项式自动具有的性质，而是 Jacobi 参数升阶、横向测度修改和精确代数抵消共同作用的结果。

边界条件

这篇文章中目前只讨论了具有齐次Dirichlet边界条件的处理方法。文中采用加权广义 Koornwinder 基底直接施加边界条件，而不是通过额外的边界配置点或替换离散矩阵中的边界方程来实现。具体而言，作者利用权函数

所包含的四个边界因子构造满足齐次边界条件的试探函数。对于 Poisson 方程以及文中的 Helmholtz 类方程，取，将近似解表示为

由于在区域的四条边界上均为零，因此每一个加权基函数都满足齐次 Dirichlet 条件，从而任意系数组合得到的近似解均严格满足。这意味着边界条件已经被包含在离散试探空间中，无需额外施加约束。

为了在施加边界条件的同时保持微分算子的稀疏性，作者在原文式 (5.4) 中定义加权广义 Koornwinder 基底

并通过参数降阶构造加权微分矩阵和，使其满足

这里的关键是：加权基底下的微分矩阵可以通过分部积分，由相应未加权微分矩阵的负转置直接得到，而不需要重新建立一套微分算子理论。 以方向为例，利用目标加权基底的正交性，加权微分矩阵的元素可以表示为

其中第二个等式来自分部积分。由于在边界上消失（这里要求相应参数为正且边界项消失），分部积分不会产生额外的边界贡献。另一方面，按照未加权微分矩阵的定义，

结合关于的正交归一性，立即得到

因此，

完全类似地，由于，可得

这说明加权微分矩阵的稀疏性直接继承自未加权微分矩阵。具体而言，原文 Proposition 5.3 给出了方向未加权基底的单模式微分关系，由负转置可以得到 Proposition 5.4 中的加权微分公式

因此，的每一列至多只有一个非零元素，其块带宽和块内带宽均为。对于方向，由前面已经证明的未加权微分矩阵的稀疏性，取负转置后，原来的角向通道转换为加权微分中的。若记，则的块带宽为，块内带宽为，对应原文 Proposition 5.6。实际构造时，只需计算参数降低后的未加权微分矩阵，再取负转置并保留其非零带状部分，即可得到加权微分矩阵。因而，引入边界消失因子并不会使微分算子变得稠密。

在具体的 PDE 离散过程中，作者将加权基函数直接代入微分算子，并利用上述加权微分矩阵、未加权微分矩阵以及参数转换矩阵建立稀疏算子。例如，对于 Poisson 方程，将代入后，首先对加权基底求导，再将结果转换到合适的未加权基底并进行第二次微分。具体而言，方向的二阶微分满足

对于方向，由于第一次微分得到的目标基底为，需要利用加权参数转换矩阵将其转换为，再通过进行第二次微分，最后利用未加权参数转换矩阵将结果统一到基底。因此，原文式 (5.17) 中的稀疏 Laplace 矩阵具体为

由此有

再将右端项展开为，便得到稀疏系数方程。由于各个微分矩阵和参数转换矩阵均具有固定带宽，因此它们的有限次乘积仍然保持稀疏结构。可见，边界条件并不是作为额外的矩阵行加入线性系统，而是通过加权基底及其对应的稀疏微分矩阵，直接包含在 PDE 的离散算子中。

对于双调和方程，文中需要同时满足和两个齐次夹持边界条件。为此，作者采用，将解展开为。令、，则，从而

由于，因此在光滑边界段上不仅有，而且，特别是。这样，通过将边界消失因子的次数提高到，便能同时施加两类边界条件。对于四阶微分算子的构造，作者进一步组合不同参数下的加权微分矩阵、未加权微分矩阵及参数转换矩阵，按照原文式 (5.18) 得到稀疏双调和矩阵。

对于 Section 7.1 中没有独立竖直边界的光滑闭合区域，作者还采用 Appendix A 中的一参数权函数。由于整个边界满足，只需取，便可以通过自动满足齐次 Dirichlet 条件，而不必使用四参数权函数中的左右边界因子。相应的加权微分矩阵仍可由分部积分与未加权微分矩阵建立负转置关系，进而按照原文式 (A.2) 构造稀疏 Laplace 算子。

文中 Figure 2，几类微分算子对应矩阵的稀疏性

总体而言，文中的边界条件处理并不是独立于谱基底构造的附加步骤，而是与稀疏微分算子设计紧密结合。首先利用边界消失因子构造满足齐次边界条件的加权试探空间，再利用分部积分将加权微分矩阵转化为未加权微分矩阵的负转置，最后通过有限带宽的参数转换矩阵组合出稀疏 PDE 算子。这种方法既能够严格施加齐次边界条件，又能保留广义 Koornwinder 基底的稀疏优势。不过，其适用范围仍受到边界消失因子的限制，对于一般非齐次 Dirichlet、Robin、纯 Neumann 或混合边界条件，文中尚未建立相应的统一处理方法。

变系数乘积矩阵构造

文中说明可以使用算子版本的Clenshaw算法构造求解变系数PDE所需要的对应的乘积矩阵，但是实际在相应的仓库中并未实现。文中涉及的变系数仅局限于很低阶的多项式，在实现时作者直接将系数展开成单项式表示之后使用GEMM来构造：

其中的和是所用加权基下的分块稀疏的两个方向的乘法矩阵。实际上，作者引用的 [Olver SISC2019] 中给出的算子版本Clenshaw算法仅适用于普通总次数分级正交基的分块三项递推，而当前基底的一个特点是不能按照通常的物理总次数分级，所以原本的算法不能未经修改就直接套用于当前基底。总之论文在数学上使用了算子Clenshaw的思想，但公开算例并没有充分展示一个通用、稳定的二维算子Clenshaw实现。

与矩形映射谱方法的比较

本文构造广义 Koornwinder 多项式的主要目的，是在复杂代数曲边区域上建立具有稀疏微分矩阵的全局谱方法。然而，对于文中考虑的区域，还存在另一种自然的处理方式：通过坐标变换将区域映射到标准矩形，然后直接使用张量积 Chebyshev 或 ultraspherical 基底离散变换后的 PDE。两种方法的根本区别在于，广义 Koornwinder 方法将几何信息编码到正交基底及其连接矩阵中，而矩形谱方法将几何信息转移到变换后的微分算子系数中。因此，不能仅根据两种方法是否能够构造稀疏矩阵判断其优劣，还需要综合考虑算子结构、计算复杂度、数值稳定性、边界处理以及解的逼近性质。

首先，矩形映射方法同样可以构造稀疏微分算子。令，，由链式法则可以得到

虽然变换后的 Laplace 算子包含混合微分及有理变系数，但文中假设的两类几何都满足为多项式。因此，将上述算子乘以后，有

右侧所有微分算子的系数都是关于的多项式，因此可以利用一维 ultraspherical 微分矩阵和多项式乘法矩阵，将其表示为有限个稀疏 Kronecker 积的线性组合。当固定时，各个一维矩阵的带宽不随截断阶数增长，二维算子的非零元数量也可以达到。因此，广义 Koornwinder 方法能够在曲边区域上构造稀疏 PDE 算子，确实是一项有价值的理论贡献，但稀疏性本身并不是相对于矩形映射方法所独有的优势。需要说明的是，上述矩形算子是根据原文几何结构推导的一种可行替代方案，并非作者在论文中实际实现或比较的方法。

另外，广义 Koornwinder 基底与传统张量积谱基底之间还有一个重要区别：它虽然具有正交性和物理多项式结构，但通常不再按照物理坐标中的多项式总次数分级。具体而言，文中基函数为

对于 case (i)，若是次多项式，将角向 Jacobi 多项式展开为，则有

其中第项的物理总次数为，因此当时，基函数的实际总次数可能明显大于其块指标，并且取决于角向多项式中实际出现的最低次幂。例如，当时，的实际总次数为，而不是。因此，文中采用的截断空间虽然具有与普通总次数多项式空间相同的维数，但二者一般并不相等。这一特点意味着传统基于总次数分级的多项式逼近理论不能直接套用，相同的截断阶数也不代表相同的物理多项式逼近阶数。不过，非标准分级并不完全是缺点，它使基底能够将几何函数的高次结构直接包含在较低块指标的基函数中，从而可能更高效地表示某些具有特殊几何结构的物理解。相比之下，将区域映射到标准矩形后，张量积 Chebyshev/ultraspherical 基底虽然同样不一定按照物理坐标的总次数分级，但在参考坐标中具有明确的双次数结构，可以独立控制两个方向的截断阶数，因而更方便进行各向异性逼近、自适应加密和快速谱变换。因此，两种方法的区别并不是哪一种具有更高的多项式次数，而是它们分别适应物理坐标和参考坐标中的不同函数结构。在实际性能比较中，不能仅依据相同下的自由度或误差判断方法优劣，而应在相同物理解误差下比较所需自由度、谱变换成本及完整 PDE 求解耗时。

从计算复杂度来看，矩形映射方法具有一定的潜在优势。广义 Koornwinder 方法需要针对不同角向指标构造权函数为的半经典正交多项式族，并通过测度修改、Cholesky 分解及连接矩阵递推构造二维算子。虽然原文在固定几何次数下实现了的稀疏算子组装复杂度，但 Section 6 给出的正反变换仍具有复杂度，Algorithm 1 中的稀疏直接求解复杂度也为。相比之下，矩形谱方法可以直接利用标准张量积 Chebyshev 基底，通过二维 DCT 在时间内完成函数值与展开系数之间的转换，并使用成熟的 ultraspherical 微分和参数转换矩阵，避免反复构造不同权函数下的正交多项式族。不过，矩形映射后产生的混合微分和变系数也会增加算子组装及线性求解的成本，一般情况下并不能保证其稀疏线性系统具有低于的直接求解复杂度。因此，矩形方法在预处理及正反变换方面可能更简单高效，但两种方法的完整求解耗时仍需通过相同精度下的数值实验进行比较。

从数值稳定性来看，两种方法的适用范围存在重要差别。如果在整个闭区间上满足，那么是非退化的光滑坐标映射，原始椭圆问题的主要正则性可以在参考矩形上保留。例如，对 Poisson 方程进行坐标变换后，其弱形式中的扩散系数矩阵为

当具有正下界且有界时，该矩阵一致正定，因此矩形方法能够保留问题的椭圆性，并且可以在弱形式下构造对称正定的离散系统。相比之下，广义 Koornwinder 方法需要构造与有关的高次权函数，这些权函数在高阶时可能高度集中，从而给连接矩阵及递推计算带来数值稳定性问题。然而，当在端点趋于零时，矩形映射的 Jacobian 同样趋于零，变换后的扩散系数可能发散；即使通过乘以消除了有理系数，所得多项式系数算子仍可能失去一致椭圆性。因此，矩形映射方法在非退化区域上具有较明确的稳定性优势，而在端点塌缩区域上则需要特别处理坐标退化；Koornwinder 方法虽然避免了直接离散退化的矩形坐标算子，但也不能因此自动保证数值稳定。

从逼近能力来看，广义 Koornwinder 方法最值得重视的优势是能够保留物理坐标中的多项式结构。特别是在 case (ii) 中，，如果在区域端点具有简单零点，即使物理解是解析多项式，经过矩形映射后也可能出现非解析的分数幂。例如，考虑光滑闭合区域上的齐次 Dirichlet 解

对于文中的一参数加权 Koornwinder 基底，由于，除去边界因子后剩余的函数只是，因此可以用低阶基函数精确表示。而在矩形坐标下，

当在端点具有简单零点时，一般不再解析，从而可能使普通 Chebyshev 展开由谱收敛退化为代数收敛。这说明 Koornwinder 基底能够将部分几何端点引起的非解析结构直接吸收到基函数中，在端点塌缩区域上可能获得更高的逼近效率。不过，这种优势并非对所有解都成立：如果某个物理解在参考坐标中具有简单的张量积多项式表达，那么矩形谱方法也可能使用更少的自由度。此外，通过在矩形上采用适当的加权基底或奇异性适配方法，也可能恢复部分逼近性能，因此不能将其视为 Koornwinder 方法相对于所有矩形谱方法的绝对优势。

在边界条件处理方面，两种方法各有特点。原文使用加权广义 Koornwinder 基底直接施加齐次 Dirichlet 条件，并利用加权微分矩阵与未加权微分矩阵之间的负转置关系保持稀疏性；对于双调和问题，则通过同时施加和。这一构造使边界条件自然包含在试探空间中，无需额外引入边界约束。然而，矩形谱方法同样可以使用边界适配基底施加齐次条件，也可以通过 Tau 方法或弱形式处理非齐次 Dirichlet、Robin、Neumann 及混合边界条件。在的非退化情形下，文中的 Dirichlet 边界消失因子经过坐标变换恰好满足

与矩形上常用的边界消失因子仅相差光滑且非零的乘子。因此，严格施加齐次边界条件也不是 Koornwinder 方法独有的能力；其特殊价值在于边界适配与半经典正交基底的稀疏微分结构可以统一构造。对一般 Robin 或混合边界，矩形方法具有更成熟的实现途径，而原文尚未给出相应的统一构造。

对于原文的具体数值算例，两种方法的竞争力也不完全相同。Section 7.1 考虑的光滑闭合区域满足，其端点具有平方根型几何结构，因此是广义 Koornwinder 方法最可能体现物理多项式适配优势的例子。Section 7.2 中的在区间上保持正值，矩形映射非退化，因此标准张量积谱方法具有较强的竞争力，不过区域角点导致的真实解奇异性仍可能限制两种方法的收敛速度。Section 7.3 中在右端点趋于零，矩形映射会发生退化，但由于本身是多项式，物理多项式映射到矩形后仍为多项式，不能简单套用 case (ii) 中的分数幂正则性论证。Section 7.4 中始终远离零，且几何次数较低，因此特别适合作为矩形 ultraspherical 方法的对照算例。

总体而言，广义 Koornwinder 方法的主要贡献在于构造了一套适应代数曲边几何、具有物理多项式结构和固定带宽算子表示的全局正交基底，而不是证明所有这类区域上的 PDE 都必须使用 Koornwinder 基底才能实现稀疏离散。对非退化曲边区域，矩形映射结合张量积 ultraspherical 谱方法可以获得同样具有稀疏结构的算子，并可能在基底构造、快速变换和一般边界条件处理方面更高效；对端点塌缩，特别是且在端点具有简单零点的区域，广义 Koornwinder 方法则可能凭借几何适配性取得明显的逼近优势。原文没有提供两种方法在统一条件下的直接性能比较，因此目前既不能否定作者的理论贡献，也不能仅凭稀疏性断言其方法具有普遍的计算效率优势。更有说服力的验证应当在相同物理解误差下，比较两种方法所需的自由度、算子组装时间、正反变换时间、线性求解时间、总耗时及数值稳定性，并分别考虑非退化区域与端点塌缩区域。这样才能明确广义 Koornwinder 方法相对于已有矩形谱方法的实际适用范围及独特价值。

下面的表格简单概括了两种方法的差别：

比较维度	广义 Koornwinder 谱方法	矩形映射 + 张量积谱方法
基本思想	将几何信息编码到正交基底、权函数及连接矩阵中，直接在物理区域上构造 PDE 算子	通过将区域映射到矩形，在参考坐标中离散变换后的 PDE
基底结构	使用随角向指标变化的半经典正交多项式，能够保留物理坐标中的多项式结构	使用标准张量积正交多项式，具有更加简单的递推、微分和快速变换结构
正交性	广义 Koornwinder 基底关于物理区域上的指定权函数正交	张量积基底关于参考矩形上的标准权函数正交，但一般不对应物理区域上的标准内积
稀疏性	利用 Jacobi 参数升阶和带状连接矩阵，得到固定带宽的分块稀疏微分算子	当为固定次数多项式时，可通过消除分母得到多项式系数算子，并构造稀疏 Kronecker 矩阵
构造成本	需要计算不同下的半经典正交多项式及其连接矩阵，原文给出固定几何次数下的组装复杂度	可直接利用标准微分与乘法矩阵；固定次数多项式系数下也可以达到的稀疏组装复杂度
正反变换	原文已实现的正反变换复杂度为，尚未实现所提出的近最优快速变换	标准二维 DCT 可在时间内完成参考矩形上的函数值与系数转换
求解成本	原文采用稀疏直接求解，名义复杂度为	一般二维稀疏直接求解通常具有相近的复杂度；特殊可分离算子可能具有更快的求解方法
非退化曲边区域	能够构造稀疏算子，但需要额外的基底预处理及连接矩阵计算	当具有正下界时，映射光滑且非退化，标准谱方法通常更容易实现，具有潜在效率优势
端点塌缩区域	基底可以吸收部分几何端点引起的非解析结构，有利于保持物理多项式的高效表示	坐标映射的 Jacobian 在端点趋于零，可能引起算子退化或参考坐标下的正则性损失
逼近能力	更适合在物理坐标中具有简单多项式或解析结构的函数	更适合在参考坐标中具有简单张量积表示的函数；非退化解析映射下两者都可能实现谱收敛
数值稳定性	不直接离散退化的映射算子，但高阶权函数及连接矩阵可能存在数值稳定性问题	非退化映射可保留一致椭圆性；端点塌缩时，即使消除算子中的分母，仍可能存在退化和条件数问题
齐次边界条件	利用加权基底直接满足齐次 Dirichlet 及双调和方程的齐次夹持条件，并保持微分算子稀疏	同样可以通过边界适配基底、Tau 方法或 Galerkin 方法施加齐次边界条件
一般边界条件	原文尚未实现一般 Robin、非齐次 Neumann 及混合边界条件的统一处理	可以在参考矩形上通过边界迹、Tau 方法或弱形式处理，具有较成熟的技术框架
几何适用范围	主要针对满足特定代数结构的广义 Koornwinder 区域，要求或为多项式	可处理更一般的光滑坐标映射，但当变换系数不是多项式时，通常需要额外逼近，不能保证严格固定带宽
主要优势	物理多项式结构、几何适配正交性、固定带宽微分矩阵，以及对部分端点塌缩问题的逼近优势	标准基底、简单的算子结构、成熟的快速谱变换，以及对一般边界条件的灵活处理
主要局限	基底构造复杂、当前变换为、高阶连接矩阵稳定性仍需验证	映射可能产生混合微分、变系数和端点退化，参考坐标中的解可能失去解析性
现有证据与性能结论	原文证明了相关稀疏结构，并给出多个高精度 PDE 数值算例	对本文区域可以推导出具有竞争力的稀疏离散方案，但原文没有提供两者直接的精度和耗时对比