在Airflow中，使用SparkSubmitOperator提交Spark应用程序时，在Yarn集群模式下无法直接跟踪应用程序的状态。这是因为Spark应用程序在Yarn集群模式下是由Yarn资源管理器进行管理的，而不是直接由SparkSubmitOperator进行管理。

要解决这个问题，可以使用Airflow的YarnOperator来提交Spark应用程序，并跟踪其状态。

以下是一个示例代码：

from airflow.contrib.operators.yarn_operator import YarnOperator

spark_app = {
    'name': 'MySparkApp',
    'main_class': 'com.example.spark.MySparkApp',
    'jar': '/path/to/my-spark-app.jar',
    'args': ['arg1', 'arg2'],
    'spark_properties': {
        'spark.driver.memory': '2g',
        'spark.executor.memory': '2g'
    }
}

yarn_task = YarnOperator(
    task_id='submit_spark_app',
    application_name=spark_app['name'],
    main_class=spark_app['main_class'],
    jar=spark_app['jar'],
    arguments=spark_app['args'],
    spark_properties=spark_app['spark_properties'],
    dag=dag
)

yarn_task

在这个示例中，我们使用YarnOperator来提交Spark应用程序。我们需要提供应用程序的名称、主类、jar文件的路径、参数和Spark属性。YarnOperator将使用提供的信息来向Yarn资源管理器提交应用程序，并返回应用程序的ID。

使用YarnOperator，可以在Airflow中跟踪Spark应用程序的状态。您可以使用Airflow的其他功能，如重试、失败处理和监控来管理和监控Spark应用程序的执行。

请注意，YarnOperator需要Airflow版本1.10.10及以上。